导航：安全管理网>> 安全论文>> 电力安全论文>>正文

图像识别技术在电力系统运维中的应用分析

文档作者：梅晓1，2 文档来源： 1. 广东省建筑科学研究院集团股份有限公司 2. 广东省建设工程质量安全检测总站有限公司，		更新日期： 2026年05月19日	点击数：
下载地址：点击这里	文件大小： 2.06 MB 共3页	文档格式： PDF	下载点数： 1 点（VIP免费）

全屏查看

内容预览 [文件共3页]

本文件共3页，如需编辑使用，请下载。

注：预览效果可能会出现部分文字乱码（如口口口）、内容显示不全等问题，下载是正常的。

	文件大小：2.06 MB 共3页文件格式：PDF 下载点数：1 点（VIP会员免费）

下一篇：水利水电工程环境监理探讨

上一篇：新型漏电检测技术在低压配电系统中的应用

文本预览

仅提取页面文字内容，供快速阅读使用。

发展与创新2024 年 第24 期 总第176 期 工程技术研究
218
图像识别技术在电力系统运维中的应用分析
梅 晓1，2
1. 广东省建筑科学研究院集团股份有限公司，广东 广州 510500
2. 广东省建设工程质量安全检测总站有限公司，广东 广州 510500
Analysis on the Application of Image Recognition Technology in Power System
Operation and Maintenance
MEI Xiao1,2
1. Guangdong Provincial Academy of Building Research Group Co., Ltd., Guangzhou 510500, Guangdong, China
2. Guangdong Construction Engineering Quality &amp;amp; Safety Testing Head Station Co., Ltd., Guangzhou 510500,
Guangdong, China
摘要：图像识别技术在电力系统运维中有关键作用，能
使电力系统运维由人工转向智能，借助计算机视觉算
法和深度学习模式，实现对电力系统设备和线路的自
动化检测、故障诊断与远程控制。文章介绍了图像识
别技术的原理和关键技术，对实际应用场景及应用实
例展开分析，旨在提升电力系统运维效率和质量，保
证电力系统运行的稳定性和可靠性。
关键词：图像识别技术；计算机视觉；电力系统运维；故
障诊断
Abstract: Image recognition technology plays a key role
in the operation and maintenance of power system. It can
make the operation and maintenance of power system
change from manual mode to intelligent mode. With the
help of computer vision algorithm and deep learning
mode, it can realize automatic detection, fault diagnosis
and remote control of power system equipment and lines.
This paper introduces the principle and key technology of
image recognition technology, and analyzes the practical
application scenarios and application examples, aiming
at improving the efficiency and quality of power system
operation and maintenance, and ensuring the stability and
reliability of power system operation.
Keywords: image recognition technology; computer vision;
power system operation and maintenance; fault diagnosis
分类号：TP391.41 ；TQ02
DOI:10.19537/j.cnki.2096-2789.2024.24.071 .
作者简介： 梅晓，女，本科，工程师，研究方向为机电工程、自动
化、图像识别技术。
1 研究背景
当前，社会不断发展，国内对电力需求量的增加，
给电力系统的运维带来了压力，如何解决经济发展与
电力建设之间的矛盾，是当前国家电力事业发展面临
的关键问题。图像识别技术作为一种能将电力设备和
线路运行状况、故障状况以可视化方式呈现的智能化
技术，对解决上述问题有关键作用，能有效提高电力
系统运维的效率和质量，为整个电力行业的创新与发
展注入新的活力。
2 图像识别技术原理
图像识别技术的实际应用过程主要分为三步，分
别是图像的预处理、图像的特征提取以及图像的匹配
分类[1]。图像的预处理是整个图像识别技术的关键步
骤，其主要功能为通过去噪、增强对比度、图像缩放、
灰度转换等预处理方式，使图像特征更明显，进而为
后续图像的特征提取提供便利。图像经过预处理后，
来到特征提取环节，在这一环节，计算机会将提取的
图像特征转换成特征向量或矩阵等计算机能理解和处
理的格式。在传统的图像识别方法中，这些特征向量
或矩阵会被输入机器学习算法中进行分类或回归，随
着人工智能技术的发展，基于深度学习方法的卷积神
经网络技术的应用能通过自动学习图像中的层次化特
征自动提取这些特征，无须手动设计特征提取器，能
大幅度提高图像识别的准确性和效率。在匹配分类环
工程技术研究 第9卷 总第176期 2024年12月 发展与创新
219
节，对已知类别的图像识别，模型会自动将输入图像
与训练好的模型相匹配，输出类别标签或其他识别结
果，对未知类别的图像，则需要通过聚类分析或异常
检测识别图像。
3 图像识别技术在电力系统运维中的
应用
3.1　智能巡检
在用电需求量剧增的社会背景下，电力系统设备
和线路的检修维护工作量不断增加，导致人员不足的
问题逐渐暴露出来，成为影响电力系统稳定运行的关
键因素之一。将图像识别技术应用于电力系统运维，
能有效解决上述问题。具体而言，依靠无人机搭载可
见光或红外线传感器巡航目标路线获取线路和设备的
图像信息并上传至计算机中，借助深度学习、机器学
习技术，通过预训练模型自动识别图像，发现故障点，
实现智能巡检。依靠无人机智能巡检，能有效发现设
备和线路存在的诸如绝缘子破损、线路松动、设备过
热等异常情况，从而大幅度提高巡检工作的效率和准
确性[2]。
3.2　故障诊断
电力系统运维中，图像识别技术的应用有利于提
升故障诊断的效率和准确性。借助计算机视觉算法和
深度学习模型，图像识别技术能从图像自动识别故障
和异常，并及时发出报警信号，提醒运行维护人员及
时采取相应的措施处理故障。相较传统的依靠经验和
检查仪器等人工故障诊断方式，基于图像识别技术的
故障诊断技术能提供更全面、准确的故障信息，以及
相应的故障处理方法，对提升电力系统的可靠性和安
全性有至关重要的意义。
3.3　安全监控
电力系统运行维护中，应用图像识别技术能借助
红外线摄像仪、高清摄像头等设备实现对电力线路
和设备的智能安全监控，及时发现潜在的安全问题，
提升线路运行的效率和质量。同时，图像识别技术
的应用还有助于发现如未经授权的人员进入、植物侵
扰、鸟巢等问题，从而最大限度地保证电力设施运行
的安全性，减少潜在的安全风险。此外，将图像识
别技术与其他传感器技术结合，还能为整个电力系
统的运行与维护提供多维度的安全监控信息，从而有
利于构建综合安全防护系统，提高电力系统的整体安
全水平[3]。
4 图像识别技术在电力系统运维中的应
用实例
4.1　VGG 结构模型及迁移学习模式
视觉几何组（visual geometry group, VGG）是一
种卷积神经网络，其能通过使用包含大量卷积层的
网络结构提高图像识别的性能。现阶段，较常用的
两种VGG 配置为VGG16 和VGG19。相较VGG19，
VGG16 的层数更少，由16 个科学系的网络层组成，
因此计算需求和内存占用较低，训练和推理速度更快，
且在训练数据相对有限的情况下拟合风险更低，因此，
该系统主要选用VGG16 作为结构模型。
VGG 迁移学习通常有两种模式，分别为直接训练
向量机分类器与微调训练方法。直接训练向量机分类
器的训练方法为使用预训练的VGG 模型的卷积层作为
特征提取器，将图像输入卷积层，提取高层次的特征，
输入支持向量机分类器中进行分类。其主要步骤如下：
加载在大规模数据集上预训练的VGG 模型后，冻结卷
积层权重，输入图像通过卷积层并提取特征用于训练
向量机分类器。微调主要指对整个预训练的VGG 模
型或部分卷积层进行重新训练，使其不断适应新的数
据集。这种训练方式的训练步骤与直接训练向量机分
类器的训练方法有所不同，主要表现为在冻结卷积层
的所有权重后，微调训练方法会选择性地解冻一些靠
近模型尾部的卷积层，使这些卷积层的权重得以更新，
并在模型顶部添加一个全连接层和归一化指数函数层
的新分类器，通过同时训练解冻的卷积层和新添加的
分类器，完成模型训练。这两种迁移学习方法各有优点，
当数据集有限时，可以选用直接训练软件配置管理分
类器方法，当数据集较大且计算资源充足时，微调训
练方法更适合。VGG 迁移学习过程如图1 所示。
原始数据
180 万张图片
原始任务
1 200 类物体识别
迁移学习
目标图库
电网设备照片
目标任务
电网设备缺陷识别
图1 VGG 迁移学习过程
发展与创新2024 年 第24 期 总第176 期 工程技术研究
220
4.2　基于VGG 结构模型的电力系统运维实际
应用
4.2.1 基于向量机迁移学习的电网设备缺陷检测
基于向量机迁移学习的电网设备缺陷检测中，为
提高图像的提取效率，首先需要加载预训练的VGG 模
型，并去除顶层的全连接分类层，只保留卷积层用于
提取图像的高层次特征。接着，将电网设备的图像输
入VGG 模型，获取向量特征，利用这些向量特征训练
向量机分类器，提升向量机分类器的性能，并通过交
叉验证等方法调整向量机的超参数，从而获得最佳的
分类效果[4]。
4.2.2 端到端的微调迁移学习
端到端的微调迁移学习与仅使用训练模型提取特
征并训练分类器的方法不同，微调不仅保留了预训练
模型的卷积层，还能通过微调使网络得以快速适应新
任务，提升训练速度。然而，这种训练方法仍然存在
一定的缺陷，原因在于VGG 网络的全连接层通常占据
网络总参数量的一半以上，因此，即便只更新全连接
层，但模型的参数仍然较多，需要大量储存空间，因此，
在计算和储存需求方面，向量机方法更具优势。
4.2.3 向量机使用VGG 特征迁移学习的电网设备
缺陷检测结果
利用VCG 网络提取特征并使用向量机分类器的
方法，训练集准确率达99%，测试集准确率为88%。
这一结果表明，使用预训练的VGG 网络提取特征，再
用向量机进行分类，能极为准确地检测电网设备的缺
陷，且迁移学习具有较高的有效性，能很好地迁移到
电网设备缺陷检测任务中[5]。
为比较向量机和微调两种迁移学习方法的优缺点，
文章设计了对比实验，结果如表1 所示。根据表1 可知，
使用预训练的VGG 网络提取特征并用向量机分类，可
以得到最高的训练精度，但测试集的精度稍低于使用
端到端微调方法，而端到端微调方法虽然在测试集上
表现稍好，但因为需要进行大量反向传播计算，所以
需要较长的训练时间。
表1 对比实验结果
方法向量机迁移学习方法微调迁移学习方法
训练集正确率/% 0.99 0.98
测试集正确率/% 0.88 0.90
训练模型收敛耗时/h 5.20 25.00
测试时间/（s·张-1） 0.14 0.18
4.3　成果应用
综合上述分析后，该系统最后采用了微调+VGG
迁移学习的方法用于创建深度学习模型，具有以下优点：
（1）高准确率。微调在测试集上的表现优于简单
的特征提取加向量机分类器的方法，因此在电力系统
故障检测中，能更准确地识别和分类各种故障类型，
减少误报和漏报等事故的发生率。
（2）节省训练资源。使用预训练模型能有效减少训
练时间和计算资源。
（3）降低过拟合风险。微调能通过在目标数据集
上进一步训练而使模型在训练集和测试集上的表现更
均衡，不会出现训练集高准确率但测试集表现不佳的
情况，因此能有效降低过拟合的风险[6]。
5 结束语
图像识别技术在电力系统运维中的应用有利于提
高电力系统的运维效率和质量，为保证电力系统的稳
定运行奠定良好的基础。因此，电力企业应重视图像
识别技术的应用，结合电力系统运行维护的实际要求，
选择适宜的结构模型，做好系统设计，从而充分发挥
图像识别技术的作用，提高电力系统的故障诊断和维
护效率，真正实现由人工运维向智能化运维的转变。
参考文献
[1] 王雷宇.基于卷积神经网络的变电站设备红外图像识别技术研究
[D].哈尔滨：东北农业大学，2023.
[2] 涂奇.基于计算机图像识别技术的街景意象空间品质测量研究
[D].南昌：南昌大学，2023.
[3] 袁宪铭.基于人工智能的化工图像识别技术及应用[D].青岛：青
岛科技大学，2023.
[4] 盛戈皞，钱勇，罗林根，等.面向新型电力系统的数字化电力设备
关键技术及其发展趋势[J].高电压技术，2023，49（5）：1765-1778.
[5] 郑秀杰，吴宁，张国洲，等.协同电力系统仿真平台的混合仿真技
术研究及应用[J].电测与仪表，2023，60（3）：86-91，135.
[6] 郭少勇，刘岩，邵苏杰，等.新型电力系统数据跨域流通泛安全边
界防护技术[J].电力系统自动化，2024，48（6）：96-111.

网友评论 more

电力安全论文最新内容

05-19