产品
摘要：
随着无人机在电力巡检领域的推广应用，输电线路巡检工作模式发生巨大转变，海量巡检数据需要后期人工处理，巡检工作高度依赖专业人员，对巡检工作智能化有着迫切需求.针对这一问题，本研究介绍电力巡检无人机应用现状，概述电力无人机巡检工作模式及特点，分析无人机智能巡检技术需求；在此基础上重点综述巡检数据智能处理、无人机自主导航和无人机续航三个关键技术问题，探讨其可能的解决方案，并对其未来发展进行展望，希望能为相关研究提供一些有益参考.
关键词： 电力巡检；无人机；图像处理; 自主导航；在线取能
线路巡检是保证架空线路正常运行的重要手段.随着我国输电线路的快速发展，线路巡检工作面临着作业强度大、周期长，部分线路环境恶劣等问题，传统的人工巡视方法面临巨大挑战.为此，近年来电网积极引进新技术，提高线路巡检工作自动化程度，改进巡检工作模式.
无人机巡检是对传统人工巡检的技术提升，由飞手远程操控无人机，通过机载的传感设备(如相机、红外成像仪等)对架空线路进行巡查[1-2].相比其他改进技术，如直升机巡检[3]、机器人巡检[4]等，无人机巡检虽然在巡检精度上有所下降，但具有设备简单、成本低廉、机动灵活、安全高效、视野良好、易于发现杆塔平口以上的缺陷等优点，且无需对线路进行改造，不存在损伤线路的隐患，更容易与人工巡检相融合，成为日常巡检手段，是当前电网的主要推广方向.根据国家电网公司公布的数据，无人机架空线路巡检效率是人工巡检的8～10倍，在日常巡检工作中，人工巡检与无人机巡检各占50%.可以预见，无人机巡检将会成为未来电网最主要的，应用范围最广泛的巡检手段.但随着无人机巡检技术的推广，新的问题也随之产生：巡检过程中产生的海量图像数据需要后期人工处理；巡检工作人员需要具备较高的无人机相关技能，其技能水平对巡检质量和电力设施安全有直接影响.在现阶段，专业无人机巡检人员的欠缺与巡检工作智能化水平的不足是无人机巡检推广应用的主要制约因素.
针对上述问题，本研究介绍电力巡检无人机应用现状，概述电力无人机巡检工作模式及特点，分析无人机智能巡检技术需求，重点综述巡检数据智能处理、无人机自主导航、无人机续航等关键技术问题，探讨其可能的解决方案，为相关研究提供一些有益参考.
根据无人机的机体结构，通常可将无人机分为无人直升机、多旋翼无人机和固定翼无人机三类.目前在电力巡检中都有应用，但由于三种无人机的性能特点存在较大差异，其所承担的巡检任务也有所侧重.
无人直升机与传统直升机类似，但由操控人员在地面站进行操控，是早期电网无人机巡检试验方案之一.由于无人直升机体积较大，操控难度较高，存在与电力设施碰撞产生严重后果的潜在风险，且成本较高，目前已较少应用在电力巡检领域.
多旋翼无人机由多个旋翼产生升力，通过改变各个旋翼的转速控制飞行器的姿态，具有小巧灵活、垂直起降、精准悬停的优点，但机动性和飞行高度较低，负载较小，续航时间短.因此，在架空线路巡检中，多旋翼无人机通常负责小范围精细作业，或杆塔精细化建模等任务.
固定翼无人机依靠螺旋桨或涡轮发动机提供前进动力，由机翼与空气的相对运动产生升力，其巡航速度快，续航时间长，但起降需要跑道，且无法悬停.在架空线路巡检中，固定翼通常负责大范围、有较高航程要求的任务.
除此之外，还有结合固定翼与多旋翼的复合翼无人机，兼具垂直起降、精准悬停与巡航速度快的优点，在灾后应急等恶劣复杂环境的应用场景中极具潜力，但在电力巡检领域尚未有大范围落地应用.
从功能来说，无人机在电力巡检中所扮演的角色主要为遥感承载平台.
遥感检测指利用遥感器记录目标物对电磁波的辐射、反射等信息并形成影像，分析目标物特性及其变化，属于典型的非接触式测量方法.在架空线路巡检中，遥感检测通常被用于检测关键电力部件的运行情况，是目前电网最为普遍的无人机应用方式.常用的遥感检测手段包括紫外成像、红外热成像、可见光成像、激光雷达等.
1.2.1 可见光遥感
可见光遥感巡检即利用稳像仪、相机等可见光采集设备，检查肉眼可见的电力设备特征性质变化，其设备要求简单，检测缺陷范围广，被大量应用于无人机线路巡检中[5].由于无人机性能特性差异，旋翼无人机与固定翼无人机在搭载可见光遥感时，工作模式及侧重点有明显差异.
旋翼无人机通常被用来代替传统的人工巡检方式，由飞手在巡查地点附近升空，利用搭载的可见光影像采集设备进行巡查，其重点监测对象为架空线路本体，包括导地线、绝缘子、金具、杆塔等，以及作业点附近的线路通道异常情况和缺陷隐患[1].
固定翼无人机通常由固定机场或临时搭建的起飞点升空，沿架空线路或既定航线飞行，对线路进行连续拍照并拼接形成通道全景图或视频录像，其重点监测对象为线路通道、周边环境、沿线交叉跨越等宏观情况，兼顾较为明显的设备缺陷，如杆塔倒伏、断线等[2].
1.2.2 红外遥感
红外遥感是当前监测和诊断运行中电力设备过热缺陷的常规手段之一.其原理是通过红外热像仪等设备探测目标热辐射以获取目标的二维温度分布，生成热像图，通过分析热像图特征判断设备运行情况.具有高效、安全、不受高压电磁场干扰等优点，适用于变电站、架空线路、发电站等电力设备的异常发热检测.在架空线路巡检中，多装备于旋翼无人机上，技术已经较为成熟，但尚未大规模投入应用.
1.2.3 紫外遥感
紫外遥感主要用于检测电力设备的电晕放电和表面局部闪络，通过探测放电辐射出的波长为240～280 nm波段的紫外光信号，输出放电紫外图像，以图像光子数作为衡量放电强度的量化参数.该方法相比超声波检测法、红外成像法，具有灵敏度高、不易受环境干扰等优势.受制于紫外遥感设备的价格因素，目前在电力巡检中将其与无人机结合的应用较少，相应研究也仍处于刚起步阶段.
1.2.4 激光雷达
激光雷达以发射激光束感知目标的位置、速度等特征量，目前被广泛应用在地理信息测绘及定位导航领域.在电力巡检中，主要用于架空线路的通道环境测绘及三维重建，是当前电力线路走廊通道环境检测的主要技术手段之一.该方法主要通过机载激光雷达扫描电力线路通道，根据点云数据建立电力走廊通道环境的三维模型，在此基础上分析危险点(树障缺陷、限距缺陷、外破缺陷等)，并结合倾斜摄影进行通道可视化管控，结合微气象、导线工况进行导线弧垂、风偏、覆冰等缺陷预警.由于多旋翼无人机航程受限，激光雷达多装载于固定翼无人机上，硬件成本较高，目前也有将小型激光雷达装载于中小型旋翼无人机上，承担杆塔精细建模等任务，但尚未大规模应用.
截至2017年，全国输电线路总长度达到68.8万 km2，平均每百公里无人机巡检需要专业人员20人，耗时160 h.在进行架空线路无人机巡检时，通常由飞手现场采集固定区域或关键部件的影像数据，带回地面站后再通过人工观看影像查找缺陷并进行标注处理.因此，除户外巡检作业外，每百公里巡检产生图片8万多张，后期还需人工检查图像数据约500 GB.采用这种工作模式的原因主要有两点：一是便携无人机操控设备的屏幕尺寸较小、分辨率不足，而大部分缺陷区域尺度较小，不利于现场查找缺陷；二是无人机续航及存储空间有限，无法支持过于精细的现场检查工作.这种模式使得巡检工作的后期数据处理工作量大增，巡检质量严重依赖处理人员的影像检查能力，且存在视觉疲劳导致漏检率上升的隐患，对巡检工作智能化有迫切需求.
智能化是电力无人机巡检的发展趋势，现阶段可分为两个部分：用于减轻后期数据处理工作量的巡检图像数据处理智能化和用于减少无人机巡检对专业工作人员依赖的无人机全自主智能巡检.二者并非相互独立，一方面，与汽车自动驾驶类似，目前无人机自主导航研究大量使用机器视觉进行辅助，与巡检图像数据处理存在一定的交叉；另一方面，良好的全自主巡检系统可以保证巡检过程中流程的标准化，避免人为因素造成巡检质量参差不齐，规范巡检数据采集，降低后期数据处理难度.从技术上来讲，完全的自主巡检(即在陌生的环境中，仅依赖少量的先验知识自主完成巡检任务)所涉及的技术面更广，约束条件更多(如无人机计算能力、载荷等)，难度更高，是现阶段无人机巡检智能化发展的终极目标.要实现无人机巡检智能化，需要解决数据智能处理、无人机自主导航和续航三个核心问题.
当前无人机巡检产生的巡检数据主要有两种：激光雷达点云数据和光学影像数据(包括可见光、红外、紫外等).前者的数据处理通常指点云数据的三维重建与分析工作，目前已经具备较高的自动化水平，成熟的商用软件仅需少量的人工干预.光学影像数据处理的目的则是从影像中找出特定的设备或具有特定影像特征的区域，其本质与图像目标检测类似.其中，紫外检测法由于设备成本高昂，在电力巡检中实际应用较少，其故障诊断一般通过紫外成像中的光子量计数间接推定紫外辐射水平，但不同检测设备的光谱响应度存在较大差异[6]，难以形成统一的定量分析标准，在巡检数据处理领域相关研究非常少，且通用性有待商榷，故在此不做讨论.
3.1.1 可见光影像数据处理
可见光影像电力目标检测是目前该领域最为热门的研究方向，大量的研究致力于自动识别并标注巡检航拍图像中的关键电力部件或特定缺陷.文[7]对《国家电网公司架空输电线路运维管理规定(国网(运检/4)305-2014)》规定的近900种架空线路巡检常见缺陷进行了整理，通过整合相同缺陷内容但分属不同危害等级的缺陷种类(如绝缘子自爆缺陷根据损坏程度不同被分为了一般、严重、危急三种性质的缺陷)，共统计出499种不同缺陷内容的缺陷类型.并指出依靠单纯的图像目标检测技术仅能检测近300种巡检缺陷，其余类型的缺陷需要在目标检测的基础上结合特定的约束条件或图像测距进行检测(如电力器件的滑移、导线与其他物体的限距等)，有30余种缺陷无法仅依靠可见光影像确定.
近年来，随着计算机性能的提升及大型数据集的建立，深度学习技术在图像处理领域迅速崛起，并在图像识别领域占据统治地位.但在电力巡检图像检测领域，文[7]统计国内外近10年公开发表的论文，占主流地位的仍是基于人工设计特征提取的机器学习图像目标检测方法，检测对象以绝缘子或及其缺陷、导地线提取为主，约占论文总量的3/4，较好的检测准确率通常能达到90%.有部分研究将深度学习技术应用到该领域中，效果总体上优于人工设计特征的机器学习方法，准确率通常约为95%.目前该领域的研究普遍存在检测对象单一的问题，电力巡检有近900种常规缺陷，且电力部件具有型号众多、同类不同型设备存在外观差异的特点，一个算法仅能检测单一或少数几种目标缺乏工程意义[7].王万国等[8]使用基于深度学习技术的Faster RCNN算法同时检测间隔棒、均压环和防震锤三类目标，平均准确率92.7%，展现了人工智能技术在电力巡检影像多类检测的潜力.
国家电网于2018年分别进行了多旋翼无人机和直升机电力巡检航拍图像人工智能处理技术验证工作，两次技术验证均采用基于深度学习的目标检测算法，检测目标为8～9类常见且典型的架空线路缺陷，使用的数据集仅包含正样本(即含有缺陷的图像)，算法检测的最好成绩为30%～89%，不同类型缺陷的检测成绩有较大差异：针对绝缘子、金具等几何特征相对显著的缺陷，检测效果较好；而通道环境、接地装置和异物类缺陷由于样本数较少，且缺陷表现特征多样化，检测效果不佳.2019年举行了一次航拍图像现场验证工作，首次将未经遴选的实际巡检图像作为测试数据，由于实际巡检工作中存在大量的负样本，导致误检、错检率上升，同时，由于前两次技术验证均是挑选视觉特征相对显著的缺陷作为检测目标，而本次现场验证将大部分缺陷都纳入考量，增加了大量具备语义关联信息(如杆塔塔材缺失)或外观表现不明显的缺陷，大大增加了算法检测难度，检测准确率仅为10%～30%.
从目前研究来看，深度学习技术在检测准确率及算法泛用性上都优于人工设计特征的机器学习方法，但距离实际应用还有相当长的一段路要走.制约深度学习技术在该领域发展的最主要因素是数据集问题.深度学习技术需要大量数据的支撑，据笔者所知，目前全球范围内尚未有公开的电力巡检数据集，所有已发表的研究均是基于各研究团队自建的小型数据集.其次，电力线路缺陷存在的严重的类不平衡现象，即高发缺陷与罕见缺陷存在较大的数量差异，同种缺陷具有多种外观表现，其分布也非完全均衡.另一方面，电力巡检缺陷种类较多，一种算法仅能检测少量缺陷因而缺乏工程意义，但要利用深度学习技术的算法泛用性，首先要解决的是缺陷的分类问题.目前的分类方法主要以生产管理为导向，并不完全契合人工智能技术的开发和应用需求.对电力缺陷进行统计分析，制定标准化的、兼顾日常生产与人工智能技术的电力缺陷描述及分类方法，有助于推动智能化技术发展及数据库建设的规范化.在检测算法方面，目前该领域大多数研究以算法的迁移应用为主，所用算法大多为Fast RCNN、YOLO等成熟的模型框架[7]，在算法创新上有所欠缺.
图像测距是使用图像处理方法进行电力巡检可见光缺陷检测的另一项关键技术，主要针对电力巡检中的限距类缺陷，如导线与周围树木、建筑物安全距离不足等.目前限距类缺陷检测主要依靠激光三维建模、电子经纬仪等手段，存在检测时效差或使用环境限制等问题.图像测距的优势在于其不需要额外的设备与巡检计划，可以直接利用无人机搭载的摄像机，在日常机巡工作中就能完成距离类缺陷检测.但由于电力线路巡检需要无人机保持10 m以上的安全距离，且工作场景以户外日间为主[1]，无法使用精度较高的主动式测距方法(如结构光投射或飞行时间法等)，而基于可见光图像分析的被动式测距方法目前在精度和算法可靠性方面仍存在不足，因此该技术在巡检中尚未有实际应用，且相关研究较少[7].
3.1.2 红外影像数据处理
由于红外热像法与可见光巡检在检查方法和成像上存在一定的差异，针对两种影像数据的研究也有较大差别.在检查方法上，电力部件在不同工况下会有不同的热辐射表现，在通过热像图检测部件缺陷时，通常要考虑绝对温度、相对温度、热像分布特征等因素[9]，比直接观察外观的可见光巡检更加复杂.在成像特征上，红外图像受硬件成本限制，分辨率普遍不高；被测目标与周围环境存在热交换、空气辐射、热吸收等现象，对成像质量有一定干扰；热图像复杂度、纹理等很大程度上受物体表面红外辐射场影响，通常仅能反映设备的边缘信息.红外图像通常有如下特点：
1) 灰度分布集中，且整体数值较低；
2) 信噪比低，含有大量混合噪声；
3) 对比度低；
4) 图像边缘模糊.
因此，红外图像处理的研究主要集中在热像图降噪与增强、目标检测与分割、异常发热区域检测三个方向.
在图像降噪与增强方面，何怡刚等[10]针对现有红外设备成像盲元补偿算法存在的复杂度高、精度低、易造成边缘模糊等问题，提出一种新的基于温度梯度基本理论的盲元块补偿算法，实现电力设备红外图像盲元块的有效补偿.王门鸿等[11]提出了基于直方图双向均衡和NSCT变换结合的红外图像增强方法，对图像高频部分和低频部分进行不同的增强，在增强图像清晰度方面取得了较好的效果.陈基顺等[12]针对复杂环境下电力设备热像图存在多噪声、多尺度等问题，提出一种基于改进Retinex模型的热像图增强方法，提升了红外热图的对比，有效地消除不同尺寸的设备滤波时的边缘弥散现象.
在目标检测与分割方面，红外图像数据量相对较少，建立数据集难度较大，当前该领域的研究以基于对象影像分析方法[13]为主，甚少涉及机器学习方法，与可见光影像的目标检测研究有较大差异.彭向阳等[14]提出一种基于绝缘子中心线附近周期性重复的纹理特征聚类的航拍红外图像绝缘子定位算法，识别率85%以上.郭文诚等[15]针对电力设备图像的倾斜、缩放及外形相似性导致的设备特征参量难以提取的问题，提出基于Zernike矩特征和相关向量机的设备分类识别方法，识别准确率达94.7%.施兢业等[16]提出一种基于改进区域生长法的电力设备红外图像分割算法，以解决传统区域生长法需要人工选择初始种子点、易产生过分割与欠分割等不足.顾鹏程等[17]针对传统Chan-Vese模型在分割电力设备热像图时存在的分割速度缓慢、不能有效消除无关背景的问题，修改了模型初始水平集函数，并利用一个高斯核函数产生长度正则项的效果，简化梯度下降流，提高曲线的全局收敛速和模型的分割速度，具备消除无关背景的能力.针对电力设备红外图像包含大量的噪声，且设备边缘较为模糊的特点，余彬等[18]提出一种基于密度相似因子的电力设备红外图像分割方法，实现电力设备红外图像滤噪分割.李鑫等[19]提出一种基于粒子群优化方法的Niblack电力设备红外图像分割算法，以类间方差公式作为粒子群算法的适应度函数，搜寻Niblack法处理后图像分块邻域的最优分割阈值，并采用该阈值对当前分块进行二值化处理，相比Osts、Niblack等传统算法，极大减小了误分率和平均耗时.
在异常发热区域检测方面，绝缘子是热像图缺陷检测研究的一个热门对象.针对绝缘子处于劣化阻值范围和绝缘良好时发热相同的盲区问题，彭子健等[20]提出一种基于电网络法的红外热像检测盲区分析方法，根据绝缘子串电压分布，结合绝缘子的发热模型，对比了理想条件下和存在测量误差时的红外热像检测盲区，并就盲区绝缘子对绝缘子串整体温升的影响进行了分析；李唐兵等[21]提出一种基于铁帽和盘面温升特征的劣化绝缘子盲区诊断方法.此外，文[22]提出一种结合均值漂移的改进MSER算法，实现电力设备故障区域自动提取.文[23]针对传统聚类算法对电力设备红外图像多层分割效果较差，异常检测有效性较低等问题，提出一种核猫群电力红外图像异常检测方法，较k-means、FCM等算法，其异常检测更为准确全面.针对电力设备红外图像批量诊断中故障特征参量提取及参数配置难题，文[24]提出一种基于PSO-Niblack的设备温升特征和BA-SVM的设备故障诊断算法，故障识别率达97.5%.
3.1.3 激光雷达数据处理
电力巡检是激光雷达在测绘领域的细分应用，相较于传统的地图测绘工作，电力通道测绘的难点主要集中在杆塔和导线的识别与重建：电力铁塔是由细长塔材构成的镂空结构建筑，不利于点云数据的三位重建[25]；输电线路导线的外径一般为8～37 mm[26]，由于测量距离和激光雷达角分辨率的限制，无法保证每个扫描周期都能扫描到电力线，即电力线的点云数据通常为一串不连续的点，需要后期进行识别并补充完整，与此同时，电力线三维重建又是多项电力检测及预警的基础，对检测精度有直接影响[27-29].因此，该领域相关研究主要集中在电力线路走廊点云分类及典型目标识别、电力线三维重建、杆塔三维重建、危险点检测等4个方面[27].随着技术的成熟，目前主流的数据处理软件已经可以实现大部分流程的自动化处理.
自主导航是实现无人机自主巡检的核心技术，在现阶段，无人机自主巡检的路径导航以“人工示教+航迹复现”或人工预先设定航迹为主，其本质都是基于GPS的预定轨迹飞行.在高精度GPS定位技术的支持下，一定程度上可以实现电力巡检中无人机自主起降和飞行过程.但这种方式存在明显的不足：一方面，每条线路，甚至每基杆塔都要进行预先的飞行轨迹设定，无法适应检测目标或周围环境随时间发生的改变，如杆塔检修后部件安装位置及方向发生改变，或周围植被自然生长后侵入航道等情况，需要对飞行轨迹进行重新调整；另一方面，该方法对定位精度有较高要求，通常来说，民用无人机GPS定位误差可达2～10 m，根据当前施行的电网规范，小型无人机应与线路保持10 m以上安全距离[1].为克服这一问题，通常采用配备载波相位差分技术(real-time kinematic，RTK)的无人机进行自主飞行，其定位精度可达厘米级，但RTK技术需要建立参考基站或有稳定快速的网络覆盖提供虚拟基站，而架空线路分布广，且大部分处于人烟罕至区域，难以实现RTK基站的全覆盖.此外，基于主动测距的深度相机无法应用于中远距离户外场景，而激光雷达成本较高，因此，机器视觉成为该领域大部分研究的首选方案.
架空输电线路通道环境有一定的净空要求，根据电压等级不同，线路与周边物体需保持十或数十米以上距离，杆塔之间的距离通常为数百米，是典型的大尺度空旷场景.因此，电力无人机巡检的自主导航可分为两个阶段：杆塔间的飞行与近塔区域的飞行.
在塔间区域，线路上通常不会有大量复杂的电力设备，几乎不存在巡检视线遮挡等问题，该阶段无人机也不需要知道其确切位置，仅需保持安全距离的情况下沿导线飞行即可.因此，该阶段自主导航研究主要为输电线提取、跟踪和距离估计[30-35].为了更好地利用导线的平行直线特性[36]，这类研究通常以俯拍视角的电力线路为主要对象.Menendez等[37]搭建了一个以微缩模型作为目标的试验平台，使用边缘增强和霍夫变换检测图像中的平行线实现电力线提取，并通过对比当前图像与已知参考高度下获取的参考图像中平行导线间隙的变化估算当前导线与镜头的距离(假定平行导线间隙不变)；并在后续研究[38]中使用高斯滤波及Gabor背景滤除改进了电力线提取算法，并融合惯性导航数据进行距离估算，但该方法需要将图像传至地面站处理，且无法在接近杆塔的区域使用.Nasseri等[39]提出一种基于粒子滤波的无人机航拍电力线检测和跟踪方法.Valipour等[36]提出一种基于高斯可控滤波器与概率霍夫线变换结合的导线检测方法，并使用无迹卡尔曼滤波进行导线跟踪.相较于无人机飞行于导线上方所获得的俯拍图像，无人机飞行于导线侧面所采集的侧拍图像在大多数情况下背景更简单，通常为单纯的天空背景，虽然在侧拍视角下导线失去了原本明显的平行直线特征，但有效避免了复杂背景的干扰.利用这一特点，中科院谭民团队[40]将无人机置于导线侧面区域飞行，在简单背景下进行导线提取，计算导线的消逝点(vanishing point，VP)，设计了一种基于深度学习技术的铁塔检测网络Tower RCNN，结合VP与铁塔检测结果确定无人机飞行航向[41]；利用透视原理恢复输电线之间的平行结构，通过计算当前帧与参考帧之间导线间隙变化与导线束相平面位移反推无人机与导线间的距离变化，从而控制导线与机体的安全距离[42].
近塔区域是无人机巡检的重点区域，该区域电力部件数量众多，分布集中，相互遮挡现象严重，为了保证巡检质量，无人机通常需要与电力部件保持一定距离绕塔飞行，并在多个点位悬停检查.该阶段是整个无人机巡检导航的重点，也是研究难点，但目前该领域研究极少.谭民团队[43-44]提出了一种改进的ORB-SLAM框架，将LSD线段检测与ORB-SLAM相结合，以解决近塔区域的无人机定位问题，并设计了两种绕塔巡检飞行方式.该方案是目前已知完成度最高的电力无人机自主巡检方案，囊括了塔间与近塔两个区域的飞行导航，但在机体与导线距离感知方面，仅能通过参考帧估算距离的变化，无法得到相对确切的距离值；另一方面，侧拍视角在一些情况下也存在相对复杂的背景(如远处的山脉、城市等)，该方案在相对复杂背景下的鲁棒性还有待验证.
除此之外，还有基于磁传感的导航方法，即无人机搭载磁传感器，通过计算磁场变化重构导线位置及轮廓[45]，进而实现无人机沿导线自主飞行[46-47]；以及基于激光雷达的输电线跟踪飞行方法[48].但此类研究较少，且尚未解决近塔区域的导航问题.
续航能力不足是制约无人机巡检效率的主要问题之一，也是进一步实现全自主无人机巡检必须解决的关键问题之一.目前，无人机巡检以小型多旋翼机型为主，典型续航时间为20～45 min，油电混合的中大型机也难以超过3 h，需要频繁更换电池，严重影响巡检效率.针对这一问题，除了增加电池容量和减小无人机功耗外，当前业界的主流方案是设置无人机机巢，并配合无人机自主起降技术来提高无人机电池管理自动化程度，从而减轻续航问题对巡检效率的影响.
无人机机巢主要有两种类型：由巡检车辆改装而成的移动式机巢，以及固定安装于杆塔顶部的固定式机巢.移动式机巢是目前较为成熟的方案，已在全国多个地区试点运行.其典型工作方式为巡检人员事先设定巡检任务并生成飞行轨迹，无人机自动升空，按既定路线完成巡检工作，后自动返航，自主降落于机巢中进行充电或由人工更换电池，当前区域完成巡检后，机巢随巡检车辆前往下一区域.移动式机巢本质上是一个无人机存储、运输及充电装置，并可集成通信中继、数据处理、能源管理等功能，一定程度上提高巡检工作自动化程度，缓解续航问题.固定式机巢设计本意是让无人机在完成巡检任务后自动降落在杆塔机巢中充电，待电池充满后，再自行升空，沿设定的路线继续执行巡检路线，是一种仅需少量人工远程干预的半自动蛙跳式巡检模式，高度契合无人机自主巡检需求，具有较好的应用前景.但由于无人机自主巡检技术尚未成熟，仍有诸多技术难点需要攻克，该方案仍未真正意义上的实现.另一方面，固定式机巢还面临供能困难的问题及杆塔承重问题，国家电网公司[49]发明了一种安装于杆塔地线横担的机巢，采用光伏供能，但其整体重量较大，对杆塔有一定影响.
固定式机巢的供能问题，本质上属于输电线路低压设备的供能问题，其技术路线主要可分为基于电磁场的供能方法和非电磁场供能方法两大类.非电磁场供能方法主要有光伏/风电供能[50]、微波供能[51]和激光供能[52].其中，光伏/风电供能通过搭设光伏电池板或小型风机为用电设备提供能源，易受环境因素影响，供能稳定性较差，通常需要搭配蓄电模组使用，是目前中小型在线监测设备最常用的供能方式.微波供能与激光供能类似，都属于电能的无线传输，需要在用电设备附近设立额外的电源及转换发射装置，不同的是，前者将电能转换为微波信号，经由整流天线接受后重新转换为电能；后者将电能转换为特定波长的激光，使用特制的光伏电池接受转换.两种技术都存在明显不足：电磁波和激光转换效率较低，取能功率受到限制；其次，位于发射端的额外电源仍然需要解决供电问题，不适用于市电获取困难的架空输电线路.基于电磁场的供能方法主要有电流线圈供能、电场感应取能和地线取能三种.电流线圈供能指在导线上安装电流线圈，利用互感原理获取电能，但输电导线电流存在较大的线路负载波动，影响供电稳定性[53].刘铮等[54]针对常规电流互感器在线取能方法无法在较宽的输电线路电流变化范围内实现稳定的较大功率输出的问题，提出基于阻抗匹配的输电线路在线取能方法，该方法利用套在输电线路上的磁芯的励磁电感与磁芯副边匹配电容实现并联谐振,大幅增加线路阻抗从而抑制线路上的电流.同时通过分流的方式将输电线路上的负荷电流导入负载实现功率输出.电场感应取能的基本原理是利用高压电力线的空间位移电流为电容充电，电容储能后为用电设备供能[55]，其供能平均功率较低，一般适用于充电时间长的低功耗或间歇式工作设备.地线取能是近年该领域的研究热点，基于静电感应原理，文[56-59]通过高压变压器对220 kV输电线路完全绝缘的地线实现取能，克服大功率设备供电问题，但其装置体积较大；李一航[60]研究了三种通过高压输电线路绝缘地线进行抽能的方案，实验测试符合预期，可提供几十瓦的输出功率；谢彦斌等[61]针对输电线路分段绝缘地线取能问题，提出了基于涡旋感应的取能等值计算电路，并对取能端口的戴维南等效电路参数进行了推导，实测结果表明取能分析与计算是合理的，此外取能装置对线路绝缘不构成威胁，但该装置只适用于具有两根架空地线，且至少一根地线采用分段接地方式的交流线路.
解决续航问题的另一种思路是在无人机飞行过程中进行动态充能，直接提高无人机的续航时间，其技术路线与输电线路低压设备供能存在一定的交叉.在非电磁场供能方面，微波[62]、激光供能[63]都能为飞行状态的无人机提供能源，提高其续航能力，但其发射端需要与接收端保持一定的距离，因此其能量源应是移动的，并能保持对无人机的实时跟踪.这一特点限制了该技术在固定翼无人机上的应用，然而对于多旋翼无人机而言，巡检过程中大部分时间都处于近塔范围，在杆塔与杆塔之间的飞行只占其工作时长的一小部分，将供能发射端置于杆塔之上，为近塔巡检的多旋翼无人机进行动态充能能一定程度上延长其工作时间，但这一构想依然需要解决一些关键问题，如供能端的能量获取、如何避免杆塔结构对远程供能的影响、高强度激光的潜在风险评估[64]等.文 [63]展示了一个使用激光为四轴旋翼无人机供能的飞行实验，结果表明重量1 kg的无人机能连续飞行超过12 h.光伏供能也被认为是提高无人机续航的潜在手段之一，并引发了诸多关注，目前该领域的研究主要集中在电池的布置、温度响应、倾斜角度等机体结构设计[65-67]及载荷、电池容量和工作续航能力之间的关系[68-69].事实上，在大多数相关研究中，光伏电池通常作为无人机的主要供能手段，而电池则作为光照不足情况下的补充能源[70]，文[69,71]论述光伏动力无人机24 h运行的可能性，但依然需要考虑无人机在较长一段时间内光照不足的情况下的替代能源问题.光伏供能的另一个局限性在于它需要足够大的机体面积来铺设光伏电池，使该方法通常只能被用在体型较大的固定翼无人机上.此外，还有学者提出利用阵风[72]或丢弃能量耗竭的电池[73]来延长无人机的工作时长，前者从鸟类飞行中获得灵感，需要无人机根据阵风调整飞行姿态及高度以减少能量消耗，一般仅适用于固定翼无人机，对于路线相对固定，且需要与电力设备保持一定观测距离的巡检无人机而言并不适用；后者在电池占无人机总重量比重较大时可以有效减少无人机能耗，但会增加巡检的硬件成本，对环境造成一定影响，额外的电池倾倒装置也会增加一部分的无人机重量，相比之下更适用于无人机应急救援、电力无人机抢险救灾等应急场合.
利用输电线电磁场为无人机进行动态充能同样被认为是一种极具潜力的方案[74]，文[75]对其进行了可行性论证，同时也指出在实际情况中应考虑其他磁场的干扰[76].在能量传输上，部分研究建议将无人机降落在输电线上进行充电[77-78]，Marshall[78]为无人机设计了一种特殊的导线抓取机构，该机构在闭锁时还充当电力传输系统中的磁芯，电能通过其转移到无人机的转换单元，为电池进行充能.在无人机自主降落领域，已有不少研究尝试将无人机降落于输电线上，并取得了一定的成果[79-81].而另一部分研究认为随着无线充电技术的发展，动态充能并不需要无人机降落在输电线上[82-83]，这意味着无人机可以一边沿输电线路飞行，执行巡检任务，一边从线路周围的电磁场中获得能量补给.虽然这一方案非常有吸引力，但实际上公开发表的研究并不多.在运动过程中保持强耦合和高效率的能量传输是一项非常具有挑战性的任务[84]，无人机飞行过程中的不稳定性及输电线路运行过程参数不可控，使能量传输的发射端与接收端之间的耦合极度容易失控.Lu等[84]对这一问题进行了讨论，并在相对理想的模拟环境下试验了利用感应电能传输(inductive power transfer，IPT)[85]和谐振耦合无线电能传输(resonant coupled wireless power transfer，RC WPT)[86]，从输电导线的电磁场中获取能量进行充能，结果表明，RC WPT技术在这一领域极具潜力.此外，无人机自主导航中的磁传感导航技术或许对解决此问题有所帮助.
近10年来，为应对不断增长的输电网络带来的线路巡检压力，电网积极引进无人机巡检技术，这一举措有效提高了电力巡检工作的户外工作效率，减轻户外工作压力，但也带来了新的挑战.即海量数据后期处理问题，以及日益增长的专业无人机巡检人员需求与巨大的人员缺口之间的矛盾.智能化是应对当前挑战的有效办法，也是未来电力无人机巡检的发展方向.在这一过程中，必须解决三个关键技术问题：数据智能处理、无人机自主导航及无人机续航问题.
巡检数据智能处理是当前电力无人机巡检工作中较为急迫的需求，也是无人机全自主巡检的关键技术，如机器视觉辅助定位的巡检图像采集、融合机器视觉或激光雷达的多传感无人机定位导航等.得益于近年来人工智能技术的崛起，机器视觉，特别是图像处理领域发展迅速，电力无人机巡检图像数据处理领域取得了一定的研究成果，数次技术验证工作展示了其广阔的应用前景.但一些基础建设工作，如巡检数据库建设、相关规范与标准制定等尚未完成，巡检现场试验结果不甚理想，距离实际应用还有相当长的一段路要走.
自主导航技术是实现电力无人机智能自主巡检的核心技术，目前在RTK高精度定位的帮助下，能实现一定程度自动巡检，即沿预设路线飞行并采集数据，但这一方式仍需要大量的人工预操作，且对RTK基站或网络覆盖有较高要求.机器视觉是目前该领域研究的主流方法，大量的研究致力于电力线的识别与跟踪，甚少有研究涉及近塔区域的定位与导航，仅有少数团队提出相对完整的自主导航框架.此外，磁传感导航和激光雷达导航技术亦是值得关注的领域.
续航是当前制约无人机巡检效率的主要问题之一，也是实现自主巡检所必须解决的关键问题.移动式机巢的提出一定程度上减轻了旋翼无人机续航能力弱对巡检造成的不利影响，但并未从根本上解决问题.固定式机巢作为无人机的固定充能站点，还能兼具数据的初步处理、回传等功能，高度契合蛙跳式自主巡检的构想，但依然需要解决其自身的供能问题.从目前的结果来看，单纯的光伏供能难以同时满足设备轻量化与供能功率的要求，基于电磁原理从输电线路上获取能源是一条潜在的技术路线，虽然吸引了诸多关注，但该领域尚未有可以投入应用的研究成果.从长远来看，基于电磁原理的无人机飞行过程动态充电是一个非常有吸引力的解决方案，可以在不增加电池容量的情况下极大提高无人机的续航能力，解除其挂载设备功耗限制，但目前相关研究非常少，依然处于理论论证阶段.
综上所述，电力无人机巡检智能化是一个漫长的发展过程，其研究往往需要多学科跨领域协作，极具挑战性.但可以预见的是，随着无人机应用的推广与深化，它在未来很长一段时间内将会是研究热点之一.
免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删
155-2731-8020
