电力对于经济发展、民生生活、工程建设等方面来说都是不可或缺的重要元素，电力系统的稳定运行具有极其重要的意义。而电力设备一旦出现故障，会很大程度上地影响电力系统的安全和稳定运行，甚至导致地区电力中断。

正所谓千里之堤毁于蚁穴，往往这些“大危机”都是由“小缺陷”造成的，电力行业的设备规模庞大、种类繁多，在投运的那一刻开始就注定着将时常与缺陷相伴，正是靠着电力巡检人员的火眼金睛，才让这些缺陷无处可藏，缺陷的及时发现和处理，让设备重新焕发活力。所以实行电力设备缺陷管理具有十分重大且必要的意义。

一、缺陷是什么？

电力设备缺陷指的是设备在使用过程中发生异常或者存在隐患，这些隐患有可能会引起供电系统发生故障。它不仅会对设备本身和使用者造成安全伤害，这些缺陷也会影响设备的使用寿命和电路的安全运行，所以当电力设备发生故障时应该立即处理，否则会造成设备损坏和重大事故。

缺陷的起因不尽相同，如设备制造工艺不良、检修试验过程中的维护不当、电气设备长期运行引起的绝缘老化、外力破坏以及不可抗的自然灾害等。

在输变电领域，设备缺陷按照缺陷的严重程度可以分为危急缺陷、严重缺陷和一般缺陷。

危急缺陷是指在输变电设备发生直接影响电网安全的缺陷时，及时地采取相关措施对其进行处理，危急缺陷发生时必须在二十四小时内解决；严重缺陷是指设备还可以坚持使用，但是不及时处理的话还是会造成事故，重大事故对电网和设备本身存在着很大的威胁，例如变压器冷却系统风扇停转、风扇电机故障等数量超过风扇总数的1/3会造成主变油温明显上升；一般缺陷在短时间内不会转化为严重缺陷或者是危急缺陷，但是对设备的运行还是会有影响的，例如变电设备的外壳脱漆和轻微锈蚀都是设备的一般缺陷，一般缺陷应该在半年内进行解决。

双碳政策背景下，国民用电需求日益增长，对电网安全性的要求也越来越严格，为了提高供电设备的运行稳定性，需要电力公司加强对输变电设备的缺陷识别，提高设备隐患排查能力，全面提高设备管理水平。

二、常见缺陷

对于变电站内的设备来说，常见缺陷主要集中在变压器、高压断路器、刀闸、母线、电压互感器、电流互感器、电容式电压互感器、耦合电容器、阻波器、电容器、电抗器、直流系统、继电保护及自动装置，乃至厂房、构架、场地等，线路部分也包括架空送电线路、送电电缆线路的各种损伤和问题。

几乎所有设备都会存在各种各样的缺陷，这也就是为什么变电站的巡检人员一次巡检作业就有上百项内容需要检查。

下面我们就“浅看”一些常见缺陷以及它们会带来的“大问题”。

一、变压器本体渗漏油

图|法兰密封件老化引起的渗漏油

图|变压器箱体焊缝引起的渗漏油

导致渗漏油的原因多种多样，可能是螺钉未紧固或不均匀；有砂眼或电焊裂缝；密封件破损或已老化或是密封圈的压缩量不够。变压器渗漏油不仅会给电力企业带来较大的经济损失、环境污染，还会影响变压器的安全运行，可能造成不必要的停运甚至变压器的损毁事故。

二、变压器呼吸器硅胶变色

图|呼吸器硅胶变色

图|呼吸器硅胶筒破损

呼吸器硅胶受潮失效会发生变色（由蓝色变成粉色、由橙色变成绿色，当硅胶受到污染颜色还会变深）。

呼吸器是变压器气室与外界进行气体交换的必经屏障，它对进入变压器的气体起干燥过滤作用，其作用至关重要。当呼吸器发生堵塞或内装硅胶发生较大程度潮解时，会对变压器的安全运行带来威胁。

三、隔离开关触头接合处发热

图|隔离开关触头接合处发热

电流致热型缺陷通常由导电回路接触面氧化、存在污秽或机械压力不够导致接触不良，从而引起导电回路电阻增大造成发热，电流致热型缺陷有时会造成30℃以上的温升。

如果连接部位接触不良，造成接触电阻增大，就会产生更多的电阻损耗发热，从而造成导体连接部位过热。引起接触电阻增大的原因有导体的材质、结构、工艺、腐蚀、氧化、外部机械力破坏等，长期发热会对设备造成较大的安全隐患。因此，在红外测温中通过大电流的设备需要更加关注，尤其是那些容易由发热造成损坏的设备。

四、绝缘子劣化自爆

图|绝缘子破损

如绝缘子制造质量不符合规范要求，或是外力破坏（如射击、打靶)，都有可能造成此缺陷。一旦有绝缘子破损，就会丧失绝缘功能，继而或导致供电中断，严重时甚至造成电网解裂。

三、电力设备缺陷遇上人工智能

随着技术的进步与发展，越来越多的电力公司开始采用无人机、巡检机器人、固定摄像头、全景采集等图像采集设备对电力设备进行图像采集。图像采集设备采集到大量的电力设备图像后，再由工程师根据经验判断是否存在缺陷，这种方法的识别效果受限于工程师的技术水平和工作经验，且识别效率与工程师数量和工作时长相关。长时间进行人工识别，不仅使工程师精神疲劳，导致识别精度降低、效率下降，还易对工程师的身体健康造成伤害。

01）传统图像识别模式

随着采集到的图像数量越来越多，将图像识别技术应用于电力设备缺陷识别中，已经成为缺陷识别的发展方向之一。在图像识别技术中，特征提取是关键步骤。传统图像识别算法由人工根据先验知识和对任务的理解提取图像特征，如根据电力设备的特点，提取边缘、梯度、颜色、纹理等特征，包括尺度不变特征变换（scale invariant feature transform, SIFT）特征、方向梯度直方图（histogram of oriented gradient, HOG）特征等。

但传统的电力设备图像缺陷识别算法对图像特征提取的能力不足，扩展性也较差，无法很好地利用低层特征数据，无法提取深层特征，需要人工设计特征。人工设计的特征往往针对给定的设备类型，因而识别种类少，数据规模小，泛化能力差，难以满足复杂场景下的多种类电力设备缺陷识别要求。

02） 深度学习缺陷识别的研究进展

深度学习是机器学习领域的一个方向，近年来在图像识别领域取得突出成果。基于深度学习的电力设备缺陷识别的主要任务在于对电力设备巡检图像进行图像识别，判断图像中存在的缺陷并对其进行分类、定位和语义理解。经过多年发展，较为典型的深度学习模型包括深度信任网络模型、自编码网络模型及卷积神经网络（convolutional neural networks, CNN）模型。

基于卷积神经网络的图像识别算法于2012年取得突破性进展，在基于公共图像数据集的分类任务中取得良好的效果。近年来，越来越多的研究者将卷积神经网络模型应用于电力设备缺陷识别中，相较于传统的图像识别算法取得了更佳的识别精度、更强的泛化能力和更快的识别速度。卷积神经网络是一种包含卷积运算仿照生物视觉机制构建的深层前馈型神经网络，基于经典的卷积神经网络的目标检测模型主要分为两类，一类是以R-CNN为代表的two-stage,一类是以YOLO为代表的one-stage。

图|计算机视觉应用图谱

一般目标检测模型无法直接适配电力设备缺陷识别任务，为了进一步提高深度学习的电力设备缺陷识别效果，研究者还将级联网络、迁移学习、生成对抗网络（generative adversarial nets, GANs）、注意力机制、网络剪枝等技术与卷积神经网络结合使用，取得了较好的效果。

基于全景监控和联合巡检，对变电站可见光场景分为3大类25个小类，基于巡检图像优化后的目标检测模型，缺陷识别检出率超过85%。

图|变电站常见缺陷识别场景

挑战与展望

1.深度学习缺陷识别面临的挑战

尽管卷积神经网络在图像目标检测中可以发挥较好的作用，在缺陷图像检测中亦有良好表现，但从电力设备缺陷管理的角度出发，对于缺陷的识别不能仅满足于图像层面的目标识别，更应该实现对图像内容的理解和知识推理。如何结合电力行业相关的专业知识，利用好行业专家的知识和经验，进一步提高缺陷识别的专业性和智能化，亦是当前提高缺陷识别效果、完善缺陷数据善后管理、增强其实用性的一大挑战。

2. 展望

随着我国电力系统建设力量不断加大，对电力设备维护的要求也越来越高，利用人工智能等先进技术提高缺陷管理效率已成为行业内的共识。

前沿的人工智能技术发展迅速，新的思路、算法和技术也会逐渐应用于电力系统维护之中，从而进一步提高缺陷识别的精确度、效率和智能化水平。通过自动机器学习、构建电力行业样本数据库和电力知识图谱等技术进一步推动人工智能在电力行业的融合应用。我们相信随着我国产业超大规模精细化发展进程地加快，视觉AI能够在电力巡检缺陷分析领域中发挥更大的价值。