孫小磊，林 童，陳 昊，朱子軒，洪 宇，湯宗堯

（1.國網(wǎng)江蘇省電力有限公司超高壓分公司，江蘇 南京 211102；2.國網(wǎng)江西省電力有限公司上饒供電分公司，江西 上饒 334100；3.三峽大學(xué)，湖北 宜昌 443000；4.國網(wǎng)江蘇省電力有限公司連云港供電分公司，江蘇 連云港 222000）

0 引言

隨著國民經(jīng)濟(jì)的發(fā)展，電網(wǎng)結(jié)構(gòu)日益強(qiáng)大，變電站數(shù)量也隨之增多。新時代背景下，電網(wǎng)公司對變電站的精益化運(yùn)維管理提出了更高的要求［1-2］，這些與電網(wǎng)公司結(jié)構(gòu)性人員緊缺的矛盾日益凸顯［3］，因此亟需尋找替代人工巡視的方法。隨著無人機(jī)技術(shù)發(fā)展，無人機(jī)已具備部分代替人工巡視的能力，具有長續(xù)航、多配件掛載和智能化水平的無人機(jī)將在電網(wǎng)有更廣泛的應(yīng)用［4-6］。而隨著智能技術(shù)的普及，無人機(jī)結(jié)合人工智能技術(shù)，將進(jìn)一步提升變電站設(shè)備巡視和異常檢測水平，將電力巡檢向更智能的方向推進(jìn)。文獻(xiàn)［7］-文獻(xiàn)［11］討論了變電站內(nèi)無人機(jī)巡檢技術(shù)，但大多討論無人機(jī)巡檢在變電站一次現(xiàn)場的應(yīng)用，由于變電站室內(nèi)巡檢（如保護(hù)室巡檢），需觀察細(xì)節(jié)多，路線規(guī)劃復(fù)雜，目前針對變電站室內(nèi)無人機(jī)巡檢的研究仍比較少［12］。在此背景下，本文針對變電站室內(nèi)二次屏柜無人機(jī)巡檢的關(guān)鍵問題開展了相關(guān)研究，提出了巡檢任務(wù)的動態(tài)規(guī)劃算法和圖像智能識別方法，在江蘇地區(qū)某500 kV變電站室內(nèi)的現(xiàn)場應(yīng)用驗證了所提方法的有效性。

1 二次屏柜立體巡檢建模

為實現(xiàn)室內(nèi)無人機(jī)巡檢任務(wù)的快速制定與執(zhí)行，需要建立變電站室內(nèi)二次屏柜的三維立體巡檢的數(shù)字化模型，該模型包括變電站室內(nèi)設(shè)備的裝置類型、位置坐標(biāo)和檢查點位等信息。對于變電站建模，通常有幾何實體建模、參數(shù)化建模和激光掃描建模等方法［13］。由于變電站室內(nèi)二次屏柜形狀相對規(guī)則，保護(hù)、測控裝置等多采用模塊化設(shè)計，因此宜采用參數(shù)化建模方式。由于XML 可擴(kuò)展標(biāo)記語言（Extensible Markup Language）能夠在描述數(shù)據(jù)內(nèi)容的同時，展示數(shù)據(jù)之間的關(guān)系，具有良好的可擴(kuò)展性、傳輸簡便性［14］，因此根據(jù)室內(nèi)無人機(jī)巡檢任務(wù)所需信息，采用XML語言描述變電站室內(nèi)二次屏柜立體巡檢模型，包括場景、組、屏柜、裝置、無人機(jī)、無人機(jī)進(jìn)出點、無人機(jī)檢查點和其他物體等模型，其類別與描述如表1所示。

表1 變電站室內(nèi)二次屏柜立體巡檢模型表Table 1 Three dimensional inspection model of indoor secondary panel and cabinet in Substation

通過XMLSpy軟件展示二次屏柜巡檢模型XML文件結(jié)構(gòu)如圖1所示。

圖1 某變電站500 kV保護(hù)室立體巡檢XML模型文件Fig.1 XML model file of three-dimensional patrol inspection in 500 kV protection room of a substation

對于參數(shù)化建模，需要事先建立各類設(shè)備的標(biāo)準(zhǔn)模型庫。常用的模型設(shè)計軟件有3D Max、Maya、C4D和SolidWorks等。將建立的標(biāo)準(zhǔn)模型庫導(dǎo)入三維引擎軟件并解析XML模型文件，即可自動生成變電站室內(nèi)二次屏柜三維模型場景，圖2 即為二次屏柜立體巡檢的部分標(biāo)準(zhǔn)模型。本文選用Unity作為三維引擎，通過C#腳本文件，實現(xiàn)XML 模型文件的解析、場景的生成和無人機(jī)路徑的自動規(guī)劃［15，16］，如圖3所示。

圖2 標(biāo)準(zhǔn)模型庫Fig.2 Standard model library

圖3 自動生成的三維模型場景Fig.3 Automatically generated 3D model scene

2 無人機(jī)飛行控制

由于變電站室內(nèi)全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS，Global Navigation Satellite System）信號通常較弱，定位精度不高；而超寬帶［17］（UWB，Ultra Wide Band）定位系統(tǒng)成本較高，且傳輸信號易受二次屏柜阻擋產(chǎn)生非視距誤差［18］（NLOS，Non Line Of Sight），因此本文構(gòu)建一種基于地面QR（Quick Response）二維碼坐標(biāo)進(jìn)行定位的低成本室內(nèi)無人機(jī)定位方法（地面QR 碼定位法），即無人機(jī)通過掃描地面坐標(biāo)QR碼來標(biāo)定自身位置并進(jìn)行姿態(tài)調(diào)整。QR 碼標(biāo)定法精度明顯高于GNSS 定位，成本大大低于UWB定位，地面QR碼定位法示意圖如圖4所示。

圖4 無人機(jī)掃描QR碼定位示意圖Fig.4 Schematic diagram of QR code location scanned by UAV

在室內(nèi)二次屏柜三維模型的基礎(chǔ)上，為實現(xiàn)任意屏柜組合的巡視路徑規(guī)劃，需要設(shè)計相應(yīng)無人機(jī)飛行路徑規(guī)劃算法。

首先，約定無人機(jī)飛行應(yīng)遵循以下規(guī)則：

1）無人機(jī)飛抵某屏柜時，應(yīng)從該屏所在某排屏柜規(guī)定的點位進(jìn)出；

2）無人機(jī)與屏柜保持相同平面飛行，不可越過屏柜從上方飛行；

3）無人機(jī)飛行軌跡應(yīng)遵循正交化原則，即每段軌跡只能沿某一坐標(biāo)軸飛行。

根據(jù)以上原則，設(shè)計無人機(jī)飛行軌跡自動生成算法，偽代碼如下：

輸入：需要巡視的屏柜；

輸出：無人機(jī)飛行軌跡列表；

從數(shù)據(jù)庫獲取需要巡視的屏柜檢查點、所在組進(jìn)出點、無人機(jī)起點坐標(biāo)等數(shù)據(jù)；

獲取需要巡視的屏柜所在組列表；

將無人機(jī)起點加入軌跡列表；

在需要巡視的屏柜所在組中，選擇距離無人機(jī)最近的進(jìn)出點并加入軌跡列表；

將該組中所需巡檢屏柜的檢查點加入軌跡列表；

If 組數(shù)=1

在該組中，選擇距離無人機(jī)起點最近的進(jìn)出點并加入軌跡列表；

Else

從組列表中刪除該組；

While（組數(shù)＞0）

在剩下的組中，選擇距離上一組無人機(jī)飛出點最近的進(jìn)出點并加入軌跡列表；

將該組中所需巡檢屏柜的檢查點加入軌跡列表；

If 組數(shù)=1

在該組中，選擇距離無人機(jī)起點最近的進(jìn)出點并加入軌跡列表；

從組列表中刪除該組；

將無人機(jī)起點加入軌跡列表；

正交化軌跡列表。

圖5中綠色線即為自動生成的某二次室部分屏柜無人機(jī)巡檢飛行軌跡。

圖5 無人機(jī)巡檢軌跡示意圖Fig.5 Schematic diagram of UAV patrol track

3 二次屏柜關(guān)鍵設(shè)備識別

無人機(jī)到達(dá)指定檢查位置后，通過攝像頭采集圖像，發(fā)送至控制后臺分析。后臺程序根據(jù)與訓(xùn)練模型，對二次屏柜的壓板投退狀態(tài)、指示燈狀態(tài)等進(jìn)行識別，將識別結(jié)果與數(shù)據(jù)庫中正常設(shè)備運(yùn)行狀態(tài)對比，判斷當(dāng)前設(shè)備狀態(tài)是否正常。

針對二次屏柜關(guān)鍵設(shè)備狀態(tài)識別，用改進(jìn)的SSD_Inception 模型進(jìn)行圖像識別［19］。SSD（Single Shot Multi-Box Detector）網(wǎng)絡(luò)是一種端到端的單次多框?qū)崟r檢測的深度神經(jīng)網(wǎng)絡(luò)模型［20，21］，而Inception 結(jié)構(gòu)是GoogleNet 中的一個具備不同尺度卷積核的模塊［22-24］，將Inception 結(jié)構(gòu)嵌入SSD 所得的SSD_Inception 模型，具備良好的時效性和準(zhǔn)確性，可以兼顧不同尺度的目標(biāo)檢測，其結(jié)構(gòu)如圖6所示。

圖6 SSD_Inception 模型網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.6 SSD_Inception model framework

采用上述模型，通過訓(xùn)練，可以實現(xiàn)對二次屏柜的壓板投退狀態(tài)、指示燈狀態(tài)的有效識別，并經(jīng)OpenVINO 工具套件對模型進(jìn)行優(yōu)化后，具備較快的響應(yīng)速度［24-30］。

4 現(xiàn)場應(yīng)用

選用大疆御Mavic Air 作為無人機(jī)平臺。大疆御系列作為成熟的無人機(jī)平臺，具備穩(wěn)定的飛控系統(tǒng)、良好的圖傳能力和較長的續(xù)航時間，其攝像頭帶有云臺穩(wěn)定系統(tǒng)，保證了無人機(jī)在室內(nèi)飛行過程中的照片拍攝的清晰度。大疆御系列無人機(jī)具備開源SDK，支持Android、iOS、Linux 和Windows 等多平臺的二次開發(fā)，可以滿足現(xiàn)場實驗需求。圖7為現(xiàn)場測試圖片。

圖7 巡視中的Mavic Air無人機(jī)Fig.7 Mavic air in patrolling

選取不同視角下保護(hù)屏柜狀態(tài)指示燈和壓板圖片共143 張，其中包含壓板樣本2 033 個，狀態(tài)指示燈樣本856個，通過labelImg工具對圖片上的壓板開合狀態(tài)和指示燈亮滅狀態(tài)進(jìn)行人工標(biāo)注，按8：2 的比例將樣本分為訓(xùn)練集和評估集輸入SSD_Inception 模型，設(shè)置訓(xùn)練次數(shù)為10 000次，批大?。˙atch Size）為2，其損失率曲線如圖8所示。

圖8 損失率曲線Fig.8 Loss rate curve

訓(xùn)練完成后獲取該模型的靜態(tài)圖文件，再經(jīng)OpenVINO 工具套件優(yōu)化，可以提升圖像識別效率。對40 張壓板和狀態(tài)燈圖片進(jìn)行測試（如圖9），結(jié)果如表2所示。

表2 優(yōu)化后模型圖像識別測試結(jié)果Table 2 Optimized model image recognition test results

圖9 部分狀態(tài)燈和壓板檢測結(jié)果Fig.9 Test results of some status lights and pressing plates

現(xiàn)場實驗結(jié)果表明，本文所提方法可以優(yōu)先實現(xiàn)圖像智能識別，具備人工巡視替代的技術(shù)條件。

5 結(jié)語

在變電站無人化值守的趨勢下，為實現(xiàn)變電站二次室的無人化巡視，本文設(shè)計了基于XML可擴(kuò)展編輯語言的變電站二次室建模方法，通過模塊化、參數(shù)化的設(shè)計方法實現(xiàn)模型的快速建立；提出了一種適用于無人機(jī)巡檢的地面QR碼定位法設(shè)計了巡檢任務(wù)的動態(tài)規(guī)劃算法；通過對SSD_Inception 目標(biāo)檢測模型的研究，實現(xiàn)對采集照片的智能識別。通過對以上關(guān)鍵性問題的研究，提供了無人機(jī)在二次保護(hù)室的無人化巡檢的整體解決方案。

在此基礎(chǔ)上，為進(jìn)一步提升無人機(jī)巡檢效果，未來將在以下幾個方面繼續(xù)深入：

1）基于IEC 61850 的無人機(jī)飛行控制協(xié)議，將無人機(jī)作為IED納入智能變電站管理體系；

2）增強(qiáng)無人機(jī)巡檢的指針式、數(shù)字式儀表讀數(shù)識別能力；

3）優(yōu)化無人機(jī)定位控制算法，實現(xiàn)更高精度的無人機(jī)室內(nèi)定位。