随着电网行业的发展,电网系统规模变得越来越壮大。为了防止经济损失,变电站的设备安全检测问题变得尤为重要。如果投入人力检测设备异常有诸多弊端与资源消耗。因此基于人工智能的电网设备图像异常检测是一个有重要意义的课题。在实际场景中,电网设备异常类间差距小,难以判别,并且算法要集成到系统中,对运算速度有很高的要求。针对该问题,本文提出一种基于深度学习的电网设备图像异常检测方法:高效多语义设备异常检测算法。本算法设计了多个高层语义提取模块用来判别难分类异常样本,设计并压缩完整算法架构,可端到端部署预测并且速度达到实时。其中包括:设计了基础特征增强网络,融合各子模块中多尺度特征语义,增强模型的语义提取能力与泛化能力;同时设计了新的异常检测损失函数,定义新的物体候选框计算方式,提高模型的物体定位精度;并且设计新的异常细分类模块,设计了新的分层双线性池化方法,进一步提升难分类异常样本的准确率;同时使用模型压缩的方法,在检测精度损失很小的前提下,大大降低模型计算量。为了使算法适用于实际场景,我们还构建了设备异常图像数据集,为模型训练测试提供支持。然后,我们使用图像配准辅助算法,对未定义的电网设备异常类型进行辅助检测,使得电网设备异常检测类型覆盖的更全。同时我们设计了电网设备异常检测调度算法,负责融合检测算法与图像配准辅助算法预测结果,在调度算法实际运行中,可达到95%的准确率。最后,我们建立了一个基于Web应用的电网设备异常检测原型系统,该系统集成了我们提出的电网设备异常检测算法,可对实时监控图像自动化设备异常检测并预警。用户根据预警记录进行审核,保证设备异常检测高可靠性。