变电站无人机巡检

随着社会经济的飞速发展、城市规模的不断扩大、工业经济的不断增长，为满足社会及经济的快速提升需要，电网工程建设规模也日益增加。随着多数变电站机构的建成及应用，变电站电力设备运行管理手段单一、单单依靠人工巡视巡检等问题逐渐显现。在电网系统电能传输机构体系中，变电站作为重要的一环，保证其安全运行十分重要。本研究项目致力于研究开发一套变电站综合智能自主巡检探测系统，主要用于满足变电站设备设施缺陷巡检及GIS六氟化硫气体绝缘金属组件设备状态监测，以此摆脱以往人工巡视、检测的低效率模式，真正实现变电系统的综合智能自主巡检探测实际应用。

通过对变电站设备缺陷识别系统的分析研究，基于变电站设备缺陷识别系统开发成果及实际应用，将真正实现变电站设备的缺陷识别作业，系统通过无人机搭载监测设备，并采用基于深度学习的目标缺陷识别算法，填补变电站巡检无人机目标识别功能的不足之处，对传统的变电站设备目标识别方法受人工设计及选择特征限制所导致的不足进行了提升，实现了很好的泛化能力。同时对该系统方法所采用的识别网络向嵌入式平台进行了移植，形成了独立的变电站设备缺陷的识别模块，并可用于变电站巡检无人机上进行相应的目标识别任务。该模块通过对变电站巡检无人机采集的图像进行分析，对变电站设备缺陷异常情况可以准确快速的识别，对提高变电站的安全可靠性，以及建设更加智能化的现代电网意义重大。

通过对变电站GIS六氟化硫气体绝缘金属组件监测系统的分析研究，开发设计一套GIS母线结构温度、应力、变形及地基基础的在线监测系统。系统包括GIS位移、温度、应力及地基基础四个参数的实时监测，根据故障和受损位置不同，布置不同的传感器，对温度、应变/应力、沉降传感器进行现场安装，通过选好布置点，将传感器部署安装在被测物上，之后进行保护胶带膜覆盖保护及外层涂刷保护油漆，并进行传感器位置标记点。最终实现对金属组件膨胀节、管道本体的应力变化及组件基础沉降数据的实时探测，及时掌握金属组件应力变化及基础沉降数据，提前预警预防金属组件因多个因素影响所导致的六氟化硫气体泄露事件。通过运用无人机缺陷巡检系统、GIS气体金属组件监测系统并结合现有变电站巡检方式联合形成体系，弥补现有巡检方式的不足，推动变电智能巡检科学发展，提高变电系统的综合管控效率。

1. 国内研究水平

在变电站缺陷识别方面，南京悠阔电气科技有限公司研发团队针对变电站巡检自动识别技术系统进行设计研发，系统仍然需要人工参与核对的问题，提出了一种适用于巡检自动识别算法。该算法对变电站室内外的设备设施均适用。同时针对不同类别仪表设备图像，做了设备模板化处理，并划分了最大、最小值，通过调用对应仪表图像模板，利用尺度不变特征变换(SIFT)算法对仪表区域进行了配准。然后二值化处理表盘子图像，利用快速霍夫变换(Fast Hough Transform )检测指针，从而实现指针读数的自动识别，有效的提升了识别的精度和鲁棒性。

1. 国外研究水平

近年来国外越来越多的公司或机构加入了电力设备运行状态的在线监测新方法的研究热潮当中，目前已存在了许多监测系统，包括发电机的绝缘过热、变压器的局部放电以及GIS气体的监测系统，同时还可以对介质损耗及电容值以及容性电力设备的电流进行在线的监测。美国加州理工大学针对当前变电站设备的监测系统仍然需要人工参与识别，耗时耗力且智能化程度欠缺等问题，提出了一种结合人工神经网络和多种检测设备信息对电力设备运行状态图像进行识别的方法，该方法的预处理采用数字图像处理技术，识别采用BP神经网络，提高了图像识别的效率和准确度，对电力系统的在线监测起到了积极作用。针对变电站中变压器油位、刀闸和开关等设备状态当前检测不准确的问题，以及变电站中运动目标和烟火等仅能依靠人工进行判断的问题，提出了采用数字图像技术与计算机视觉技术结合的识别方法。该方法结合实际变电站运行状况，对图像进行滤波、二值化等处理，进而进行有效识别，实现了无人监守变电站的设备在线监测。美国通用电力公司中针对变电站防误操作技术存在的问题，提出了一种几种基于图像识别技术的可视化防误操作系统。该系统采用智能图像识别算法识别和处理图像，可有效得到设备状态等信息。针对当前电力设备运维主要依靠人工、耗时耗力且精度低等问题，提出了一种基于计算机视觉的异常巡检图识别方法。该方法通过对航拍图像进行灰度化、边缘检测等预处理并提取输电线区域，对该区域进行卷积操作，计算赃物比例，结合实际误差，最终实现赃物的识别。