文 献 综 述

1．研究背景及意义

老化的基础建设与通讯服务是当下电力系统面临的重要问题，与此同时的还有愈演愈烈的供应中断与动力减退的威胁。在功率供应中的瞬暗是非常规的，因此通常会造成无法向用户供电的情况。电力优化正在寻求一种能够持续稳定供应电能且减少维护成本的方案。

一个国家的安全与繁荣很大程度上依赖于基础设施的复杂性与协调工作性。能够观测并且控制电网的能力为我们打开了一个新的视角。新式的保护措施，像早期检测，事件障碍方法，故障识别或优化故障根源分析成为可能。我们能够建设创新的电网监测，管理与保护，将其投入到子电网的运行中。子电网220kV开关故障或内部绝缘失败会导致过热故障，然而只有没有机器驱动的系统才会产生这些故障。

近些年，深度学习主要是深度卷积神经网络（CNN）在各种计算机视觉任务中取得了巨大的成功，范围涵盖了图像分类，目标探测和语义分割等。与早期计算机视觉化方法不同的是，深度学习策略避开了手工制作的风格管道并且已经占有了几个知名的基准值，像图像网络宏观规模视觉识别挑战（ILSVRC)^[1]。与计算机视觉中的深度学习识别相关联，一个新兴踊跃的探索深度学习应用于不同识别的领域分析悄然兴起。

随着电能消费的快速增长，我国电力系统的规模正逐年扩大、结构也越来越复，因此，电力系统的安全运行也受到了越来越高的重视。近年来，以机器视觉为代表的人工智能技术快速发展，并且已经开始被用于被运用于电力系统的各个环节当中，例如，通过图像处理与识别对输电线路覆冰程度进行监测^[2]。借助巡检机器人搭载的摄像头采集电气设备红外图像，以此检测设备是否出现热缺陷^[3]。电力系统中变电站的规模庞大且数量众多，作为电力系统的电源，变电站内各种电气设备的实时运行状态是决定电力系统能够安全运行的关键因素之一。随着智能监控与智能巡检技术的快速发展，发展智能变电站来替代传统变电站已经成为当今电力系统运行、调度自动化的一大发展方向^[4-5]。

在智能变电站中电气设备运行状态的巡检已经不再过度依赖站内的操作人员，而是通过巡检机器人自动定位、识别待检测的电气设备目标，获取实时运行数据并将检测结果传输到监控后台，其中电气设备目标的定位与识别均离不开机器视觉技术，因此，国内外研究人员均开始研究机器视觉技术在变电站电气设备运行状态检测方面的应用，以期不断提高变电站电气设备巡检的智能化水平。

2．国内外研究现状

由于变电站隔离开关的特殊性与多样性，国内外关于隔离开关运行状态自动检测问题的研究均处于起步状态。目前检测方法主要分为人工目视检测法、辅助开关检测法、激光感应检测法以及视觉检测法^[6]。