变电站是联系主干网与配电网的重要节点,是智能电网的核心枢纽。随着工程用电设备的不断增加,使得变电站在整个电力系统中发挥着至关重要的作用。电压等级的上升与传输容量的增大,使得变电站的规模不断扩大,仅依靠传统的人工现场巡检难免存在危险系数高、误检漏检等缺点,因此本文采用电力巡检机器人代替人工巡检。针对电力巡检传统图像识别算法存在识别精度低、检测实时性差等缺点,本文给出了基于深度学习目标检测算法的变电站故障检测方法。依据变电站绝缘子缺陷、设备漏油、火势三类故障为检测对象确定变电站故障检测系统的总体框架结构,主要包括图像采集模块和算法模块两大部分。根据实际变电站情况确定图像采集模块的硬件选型。首先经图像增强技术扩充数据集,然后使用Label Img软件手动标注完成数据集制作。深入研究了深度学习卷积神经网络的结构原理,为基于目标检测算法的变电站故障检测识别奠定理论基础。重点研究了基于深度学习的故障检测算法,首先通过将主流的两类目标检测算法Faster R-CNN和YOLO V5应用到自制变电站故障数据集上,实验对比表明,YOLO V5算法识别速度略高的同时,在小故障目标识别和对前后背景相似图片的识别精度高于Faster R-CNN算法。然后针对基准网络YOLO V5提出改进方法,创新思想在于针对站内小故障目标的检测,提出对网络检测部分删除较大分支,使得在减少模型参数量的同时提升模型检测速度;使用K-means算法重新对锚框进行聚类分析,由缩放公式对锚框进行线性尺度缩放,以适应网络检测部分修改后的锚框尺寸聚类;针对故障目标大小与识别精度不匹配的问题,提出在Neck部分添加AAM和FEM两个模块,提高了模型注意力和深层特征提取能力,进而提升了模型检测识别效果。相信这种改进的YOLO V5算法模型在实际变电站故障检测中展现出高检测速度、高识别精度的优势。最后,为能够更好地将变电站故障检测的结果供运维管理人员查看,本变电站故障检测系统设计了一套完整的算法应用界面,通过该界面实时显示站内故障类型和位置信息。