Con el desarrollo explosivo de equipos de borde de potencia y la mejora continua en el rendimiento de inspección de potencia, los requisitos de subestaciones y equipos terminales, como drones con recursos limitados, no pueden cumplir con los estrictos requisitos de retraso y consumo de energía. Este documento propone una estrategia de partición adaptativa para sistemas de inspección de subestaciones heterogéneos. Primero, se establece un modelo de predicción de retraso de capa y un modelo de predicción de consumo de energía en cada nodo heterogéneo, y se entrenan características no lineales relacionadas con el retraso y el consumo de energía. Sobre esta base, se propone una estrategia de partición híbrida de red neuronal profunda (DNN). La tarea DNN se divide en razonamiento cooperativo sincrónico entre dispositivos terminales y nodos de borde multi-heterogéneos. Los resultados experimentales muestran que el error porcentual absoluto promedio (MAPE) del modelo de retraso se redujo en un 31,49% en promedio. En drones y nodos de borde móvil, el MAPE del modelo de consumo de energía se redujo en un promedio del 21,92%, y la latencia de extremo a extremo de DNN se redujo en un 31,48%. El costo total del sistema se redujo y se mejoró la eficiencia de la inspección de UAV.