郝帥，田卓，馬旭，等.混合數(shù)據(jù)驅(qū)動的輕量化YOLOv5故障選線方法[J].西安科技大學(xué)學(xué)報，2024，44（5）：966-975.

HAO Shuai，TIAN Zhuo，MA Xu，et al.Lightweight YOLOv5 fault line selection method driven by hybrid data[J].Journal of Xi’an University of Science and Technology，2024，44（5）：966-975.

摘要：針對傳統(tǒng)選線方法精度低、實時性差、易受噪聲干擾的問題，提出一種混合數(shù)據(jù)驅(qū)動的輕量化YOLOv5選線方法，簡記為MSE-YOLOv5。首先，以零序電流作為區(qū)分故障線路與非故障線路的判斷依據(jù)，為了增強二者間數(shù)據(jù)對比差異性，利用小波變換將零序電流信號映射為二維時頻圖；其次，為了擴充樣本數(shù)量，利用搭建的小電流接地系統(tǒng)仿真模型，通過改變故障點位置、初相位以及接地電阻等參數(shù)生成仿真數(shù)據(jù)，與真實數(shù)據(jù)構(gòu)成混合數(shù)據(jù)集；然后，為了減少選線時背景噪聲對微弱故障信號特征的影響，在所搭建檢測網(wǎng)絡(luò)的頸部網(wǎng)絡(luò)中引入通道注意力模塊，從而增強故障特征的表達能力；最后，為了提高選線實時性，在網(wǎng)絡(luò)中引入輕量化網(wǎng)絡(luò)以減少其參數(shù)量與運算量。為了驗證所提出方法的優(yōu)勢，利用某變電站真實故障數(shù)據(jù)進行測試，并與4種經(jīng)典算法進行比較。結(jié)果表明：所提混合數(shù)據(jù)驅(qū)動的輕量化YOLOv5故障選線方法具有較高精度，其選線精度可達95.2%，即使在噪聲干擾條件下，選線精度依然可以保持在90%以上；具有更輕的體量及更快的選線速度，參數(shù)量下降至原網(wǎng)絡(luò)的1/5，計算量下降至1/7，檢測速度可達7.7 ms。因此，混合數(shù)據(jù)驅(qū)動的輕量化YOLOv5故障選線方法具有體量小、速度快、精度高的優(yōu)點，有利于后期將其部署到現(xiàn)場設(shè)備中。

關(guān)鍵詞：故障選線；小波變換；混合數(shù)據(jù)集；通道注意力模塊；輕量化網(wǎng)絡(luò)

中圖分類號：TM 773

Lightweight YOLOv5 fault line selection method driven by hybrid data

HAO Shuai，TIAN Zhuo，MA Xu，LI Wei，LI Jiahao

（College of Electrical and Control Engineering，Xi’an University of Science and Technology，Xi’an 710054，China）

Abstract：In order to "solve the problems of low precision，poor real-time performance and being easy to be disturbed by noise in traditional fault line selection methods，a hybrid data-driven lightweight YOLOv5 line selection method is proposed，briefly referred to as MSE-YOLOv5.Firstly，the zero sequence current is used as the basis to distinguish the fault line from the non-fault line.To enhance the data difference between them，the zero sequence current signal is mapped to two-dimensional time-frequency graph by wavelet transform.Secondly，to expand the number of samples，the simulation model of the small current grounding system is used to generate the simulation data by changing the fault location，initial phase and fault resistances.Simulation data and real data constitute mixed data set together.Thirdly，to reduce the influence of background noise on weak fault signal characteristics during fault line selection，a channel attention module is introduced into the neck network to promote the expression ability of fault characteristics.Finally，to improve the real-time performance of fault line selection，lightweight network is introduced to reduce the number of parameters and calculation.In order to verify the advantages of the proposed method，the real fault data of a substation are tested and compared with those by four classical algorithms.The experimental results demonstrate that the proposed hybrid data-driven lightweight YOLOv5 fault line selection method exhibits a higher level of accuracy，with its line selection accuracy reaching 95.2%.Even in the presence of noise interference，the accuracy remains above 90%.Additionally，this method offers reduced weight and faster line selection speed，as it reduces the number of parameters to only 1/5 of the original network while decreasing computational requirements to just 1/7.Consequently，the detection speed can achieve an impressive rate of 7.7 ms.Therefore， the lightweight YOLOv5 line selection method driven by hybrid data has the advantages of compact size and high speed，suitable for deployment on field equipment in the future.

Key words：fault line selection；wavelet transform；mixed data；channel attention module；lightweight net

0引言

中性點接地方式通常分為小電流接地和大電流接地2大類，而小電流接地又分為不接地、經(jīng)消弧線圈接地和經(jīng)高阻接地等[1]。中低壓配電網(wǎng)采用中性點非直接接地的小電流接地方式，該接地方式下系統(tǒng)發(fā)生單相接地故障時，接地點故障電流小，對供電設(shè)備不會立即造成很大的危害，系統(tǒng)仍可繼續(xù)運行1～2 h[2-4]，但在此期間必須找到故障線路并切除，以免造成更大的危害。據(jù)統(tǒng)計，單相接地故障占配電網(wǎng)總故障次數(shù)的80%以上[5-7]。因此，快速、準確地進行故障選線是保證配電網(wǎng)安全、可靠運行的重要手段。

現(xiàn)有的故障選線方法大多是以零序電流為特征進行判斷，主要分為以下3類[8-10]。

1）基于穩(wěn)態(tài)信號的判別方法。該類方法是在故障發(fā)生后，通過對故障線路與非故障線路中的穩(wěn)態(tài)電氣量特征差異進行辨識從而實現(xiàn)故障選線，代表方法包括比幅比相法、5次諧波法和有功分量法等。林志超等提出比較各饋線零序電流幅值和相位之間差異的接地保護方法，并通過試驗證明了該方法可有效提高小電阻接地系統(tǒng)接地故障保護靈敏度[11]。然而，基于穩(wěn)態(tài)信號的選線法往往存在穩(wěn)態(tài)特征量微弱，且易受消弧線圈影響等問題，選線可靠性不高[12]。

2）基于暫態(tài)信號的判別方法。該類方法主要是對故障相中的暫態(tài)電氣量特征差異進行辨識從而實現(xiàn)故障選線，代表方法包括首半波法、相關(guān)性選線法等。姜博等提出將行波選線法和暫態(tài)信號相結(jié)合的選線方法，通過試驗證明其可以較好地解決選線可靠性低的問題[13]。然而，李國藝等指出利用暫態(tài)信號可能會受故障發(fā)生時刻、接地電阻等客觀因素影響，導(dǎo)致選線時暫態(tài)特征不明顯或者不穩(wěn)定，進而導(dǎo)致選線靈敏度和可靠性降低等問題[14]。

3）基于人工智能的故障選線方法。程文傲等提出一種對三相電流構(gòu)建三維空間域圖像，并分別向不同平面投影然后再融合，最后利用圖像識別與分類算法實現(xiàn)故障選線的方法[15]。該方法在人工提取故障特征信息缺失等多種因素影響下，相比于傳統(tǒng)選線方法，圖像故障特征更明顯、選線準確率更高，且具有抗噪聲能力。

上述3類方法進行故障選線時都需要人為地根據(jù)故障特性進行故障特征設(shè)計，然后對選線數(shù)據(jù)進行分類。因此，特征設(shè)計或選取的好壞對最終選線精度有直接的影響。然而，小電流接地系統(tǒng)單相接地故障特征受很多因素影響，如故障初相角、故障點位置、接地電阻以及故障線路類型（架空線路、電纜線路或混合線路）等?；谌斯す收咸卣髟O(shè)計的選線方法往往存在易受噪聲干擾、魯棒性弱等缺點。深度學(xué)習(xí)通過構(gòu)建深層次的卷積神經(jīng)網(wǎng)絡(luò)，可以自動學(xué)習(xí)或訓(xùn)練出目標可靠或有效特征，并在智能監(jiān)控、交通等領(lǐng)域有廣泛應(yīng)用[16]。相關(guān)學(xué)者也將深度學(xué)習(xí)方法引入到解決選線問題中，郝帥等提出一種基于改進GoogLeNet的小電流接地選線方法，通過遷移學(xué)習(xí)來解決小樣本條件下如何可靠選線的問題，并通過試驗驗證了所提出方法具有較高的選線精度和較強的抗噪能力[17]；殷浩然等提出一種基于S變換相關(guān)度和深度學(xué)習(xí)的配電網(wǎng)單相接地故障選線方法，通過S變換獲取零序電流時頻信息，利用S-CNN算法來實現(xiàn)選線，試驗證明所提方法在不同故障條件下均具有較高選線正確率及魯棒性[18]。

雖然基于深度學(xué)習(xí)的選線方法相比于傳統(tǒng)選線方法的精度較高，但其檢測精度與樣本特征信息豐富程度有關(guān)，現(xiàn)有的真實樣本故障特征信息有限且數(shù)據(jù)量較少，檢測精度往往受此原因影響較大。TANG等提出基于真實圖像生成模擬圖像，將二者一起用于深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，添加不同數(shù)量的模擬圖像，網(wǎng)絡(luò)的準確率均有不同程度的提高[19]；JINWOO等提出與只采用真實數(shù)據(jù)或仿真數(shù)據(jù)這2種數(shù)據(jù)源中的一種相比，使用混合數(shù)據(jù)進行訓(xùn)練，能夠提高模型檢測精度，同時可以減少50%左右的必要真實訓(xùn)練圖像[20]。電力系統(tǒng)單相接地故障仿真數(shù)據(jù)是從人為搭建的配電網(wǎng)仿真模型中所獲取，盡管與真實數(shù)據(jù)存在差異性，但其故障線路與非故障線路零序電流數(shù)據(jù)表現(xiàn)出與真實數(shù)據(jù)相似的特征。

為此，針對小樣本數(shù)據(jù)條件下如何實現(xiàn)準確、快速選線問題，提出一種基于混合數(shù)據(jù)驅(qū)動的輕量化YOLOv5[21]選線方法，簡記為MSE（MobileNetV3，Squeeze and Excitation）-YOLOv5。主要貢獻和創(chuàng)新如下：

1）利用小波變換生成時頻圖，通過時頻圖來增強故障和非故障線路差異，同時，通過構(gòu)造仿真模型生成仿真數(shù)據(jù)，與真實數(shù)據(jù)融合，構(gòu)成混合數(shù)據(jù)集，從而增強檢測網(wǎng)絡(luò)的魯棒性；

2）為減少選線時背景噪聲對相似度較高數(shù)據(jù)的影響，在所搭建檢測網(wǎng)絡(luò)的頸部網(wǎng)絡(luò)引入SE（Squeeze and Excitation）通道注意力模塊；

3）為提高選線的實時性，在YOLOv5網(wǎng)絡(luò)中引入MobileNetV3輕量化網(wǎng)絡(luò)。

1MSE-YOLOv5小電流接地選線方法

所提出的MSE-YOLOv5小電流接地故障選線方法算法框架如圖1所示。

MSE-YOLOv5選線網(wǎng)絡(luò)的檢測流程如下：

1）利用小波變換將零序電流映射為二維時頻圖，構(gòu)建混合數(shù)據(jù)集；

2）對訓(xùn)練集目標區(qū)域進行標注，輸入檢測網(wǎng)絡(luò)中進行訓(xùn)練，得到訓(xùn)練權(quán)重；

3）利用MoblieNetV3[22]中深度可分離卷積運算量和參數(shù)量小的特性，使檢測網(wǎng)絡(luò)體量更小、檢測速度更快，達到模型輕量化的目的；

4）搭建YOLOv5檢測網(wǎng)絡(luò)，并在特征提取網(wǎng)絡(luò)引入SE通道注意力模塊[23]來提高圖像中故障目標區(qū)域的顯著度；

5）利用真實數(shù)據(jù)進行測試驗證。

1.1小波變換原理

小波變換可以通過伸縮和平移等運算對信號進行細化分析[24]，為了具象化表示故障線路與非故障線路之間零序電流的數(shù)據(jù)差異，選用小波變換的方法，將現(xiàn)有零序電流信號映射為二維時頻圖。

設(shè)零序電流為f（t），經(jīng)過連續(xù)小波變換后可表示為

WΨ（a，b）=∫+f（t）Ψa，b（t）dt（1）

Ψa，b（t）=1aΨa，b（t－ba）（2）

式中WΨ（a，b）為小波變換函數(shù)；a為伸縮因子；b為平移因子；Ψa，b（t）為小波系數(shù)；t為時間變量。連續(xù)小波變換包括以下過程

設(shè)Ci為小波序列，則Ci=2Fc·L（3）

式中L為尺度序列長度。

設(shè)小波尺度Scale用S表示，則S=Ci/L（4）

則小波的實際頻率為Fa=Fs·Fc/S（5）

式中Fa為小波實際頻率；Fs為采樣頻率；Fc為中心頻率。

設(shè)置故障位置在線路50%處，故障初相角為0°，接地電阻分別為10，100，300 Ω時，系統(tǒng)零序電流變化。如圖2所示，隨著接地電阻的增大，零序電流所表現(xiàn)出來的暫態(tài)過程縮短，且故障線路與非故障線路零序電流均減小。

從圖2可以看出，高阻接地時零序電流經(jīng)過小波變換后故障線路與非故障線路間具有明顯差異。因此，利用小波變換作為選線網(wǎng)絡(luò)的數(shù)據(jù)預(yù)處理手段，可以有效提高選線網(wǎng)絡(luò)的檢測精度。

1.2SE通道注意力模塊

由于配電網(wǎng)在發(fā)生高阻接地這類故障時，故障線路與非故障線路在零序電流上所表現(xiàn)出的差異是極其微小的，從而造成檢測精度受限。

為了解決微弱故障信號特征易淹沒在背景噪聲下的問題，在網(wǎng)絡(luò)中引入SE通道注意力模塊。

SE模塊中包含Squeeze、Excitation和Scale 3部分，如圖3所示。Squeeze通過全局平均池化（Global Average Pooling）將輸入的特征圖壓縮至1×1×C（C為輸入特征圖的通道數(shù)）。

Excitation由2個全連接層以及2個不同的激活函數(shù)ReLU（Rectified Linear Unit）[25]和Sigmoid[26]組成，使得壓縮后的特征圖可以學(xué)習(xí)各通道之間的非線性關(guān)系，并且保證每個通道都有對應(yīng)的輸出。

Scale結(jié)構(gòu)將Excitation計算出的1×1×C特征圖的權(quán)重值與原H×W×C（H為特征圖高度，W為特征圖寬度）特征圖的權(quán)重相乘，得到最終的輸出結(jié)果。

1.3輕量化網(wǎng)絡(luò)MobileNetV3

為了提高選線的實時性，將YOLOv5的原始Backbone網(wǎng)絡(luò)更換為體量更小、計算量更少的MobileNetV3，其結(jié)構(gòu)如圖4所示。

MobileNetV3在深度卷積過程中引入了SE通道注意力模塊與h-swish（hard-swish）[27]激活函數(shù)，通道注意力模塊可以有效提高故障特征在算法網(wǎng)絡(luò)中的顯著度，h-swish激活函數(shù)能夠有效提高網(wǎng)絡(luò)精度。輕量化網(wǎng)絡(luò)MobileNetV3引入了深度可分離卷積，結(jié)構(gòu)如圖5所示。

卷積核中，M為輸入特征圖通道數(shù)；N為輸出特征圖通道數(shù)，與卷積核個數(shù)相等，卷積核尺寸為DK×DK；DW為數(shù)據(jù)輸出寬度。深度卷積核中，通道數(shù)恒為1，卷積核數(shù)量與輸入特征圖通道數(shù)相等；逐點卷積中，卷積核通道數(shù)與輸入特征圖通道數(shù)相等，輸出特征圖通道數(shù)等于卷積核個數(shù)，其中卷積核尺寸恒為1×1。

常規(guī)卷積核的運算量J1為

J1=DK×DK×DW×DW×M×N

（6）

參數(shù)量T1為

T1=DK×DK×M×N

（7）

深度可分離卷積的運算量J2為

J2=DK×DK×DW×DW×M

+DW×DW×N

（8）

參數(shù)量T2為

T2=DK×DK×M+M×N

（9）

由式（6）～（9）可知，采用深度可分離卷積的參數(shù)量和運算量相比于常規(guī)卷積可以大幅減少。MSE-YOLOv5選線方法中分別采用3×3的深度卷積核，1×1的逐點卷積核，輸入通道數(shù)為3，輸出通道數(shù)為256的情況下，網(wǎng)絡(luò)總參數(shù)量可降低至原網(wǎng)絡(luò)的1/8，計算量降至1/5。

2結(jié)果分析

試驗中使用的軟硬件平臺配置見表1。

2.1數(shù)據(jù)采集與處理

試驗中采用的真實數(shù)據(jù)是某變電站近3 a內(nèi)發(fā)生的各類單相接地故障的Comtrade故障錄波數(shù)據(jù)，通過小波變換后可以得到1 800張時頻圖，部分圖像如圖6所示。

利用Matlab/Simulink平臺搭建10 kV小電流接地系統(tǒng)仿真模型，通過設(shè)置不同的故障點位置、故障初相位以及接地電阻等參數(shù)得到零序電流數(shù)據(jù)，經(jīng)小波變換后共得到900張仿真數(shù)據(jù)時頻圖，部分圖像如圖7所示。

從圖6和圖7可以看出，非故障線路頻率較高，均在400 Hz以上，且局部區(qū)域表現(xiàn)出高亮的特點，故障線路幅值較低。相較于一維零序電流信號，時頻圖可以具象化地區(qū)分故障線路與非故障線路。

為減小真實數(shù)據(jù)量有限，其特征信息對比不明顯等因素造成選線精度較低的影響，在數(shù)據(jù)集中引入仿真數(shù)據(jù)，與真實數(shù)據(jù)構(gòu)成混合數(shù)據(jù)集，可以擴充數(shù)據(jù)集樣本數(shù)量，同時提高數(shù)據(jù)間相似度對比差異性，緩解了樣本類別不均衡的問題。

2.2網(wǎng)絡(luò)模型訓(xùn)練

在模型訓(xùn)練時，設(shè)置動量大小參數(shù)為0.937。在前100輪訓(xùn)練中，將學(xué)習(xí)率設(shè)置為0.01；后200輪訓(xùn)練中，學(xué)習(xí)率設(shè)置為0.001。當訓(xùn)練達到300輪時，損失函數(shù)與精度趨于穩(wěn)定，從而得到模型訓(xùn)練權(quán)重。

2.3試驗結(jié)果及分析

將仿真數(shù)據(jù)均作為訓(xùn)練集，真實數(shù)據(jù)以7∶3劃分為訓(xùn)練集與測試集。

選取準確率kpre、召回率kre、平均準確率kmAP、網(wǎng)絡(luò)參數(shù)量Np、浮點運算量NF和檢測時間NT作為評價指標。各指標計算公式如下[28-30]

kpre=NTPNTP+NFP

（10）

kre=NTPNTP+NFN（11）

kmAP=∑ni=1Ai

（12）

式中NTP為將非故障線路判定為非故障線路的樣本數(shù)量；NFP為將故障線路判定為非故障線路的樣本數(shù)量；NTN為將故障線路判定為故障線路的樣本數(shù)量；NFN為將非故障線路判定為故障線路的樣本數(shù)量；Ai為各類別所對應(yīng)的準確率和召回率曲線下方的面積。

使用混合數(shù)據(jù)集，在設(shè)置一致的訓(xùn)練參數(shù)的條件下，MSE-YOLOv5與YOLOv5檢測網(wǎng)絡(luò)的平均選線精度如圖8所示。

從圖8可以看出，所提出方法的平均檢測精度高于YOLOv5，在迭代至250輪左右時，YOLOv5模型的kmAP值達到0.7，最終穩(wěn)定在0.818左右；而MSE-YOLOv5迭代80輪左右kmAP值便可達到0.7，此后逐漸上升，并穩(wěn)定在0.952左右。

由于采用混合數(shù)據(jù)集來替換單一真實數(shù)據(jù)集，并且在YOLOv5的基礎(chǔ)上引入了MobileNetV3輕量化網(wǎng)絡(luò)與SE通道注意力模塊，為了驗證各部分作用，進行消融試驗，見表2。

由表2可知，所提方法的平均檢測精度與YOLOv5原始網(wǎng)絡(luò)相比提升13.4%。使用混合數(shù)據(jù)集時網(wǎng)絡(luò)的檢測精度高于單一數(shù)據(jù)集；在引入SE模塊后，網(wǎng)絡(luò)的檢測精度均有不同程度的提升；輕量化網(wǎng)絡(luò)MobileNetV3引入后，盡管精度下降了1.5%，但參數(shù)量降至原始網(wǎng)絡(luò)的1/5，計算量下降至1/7。

為了進一步驗證MSE-YOLOv5算法的優(yōu)點，使用混合數(shù)據(jù)集進行訓(xùn)練，選取Faster-RCNN[31]、SSD[32]、YOLOv4[33]和YOLOv5算法與其進行對比，結(jié)果如圖9所示。

從圖9可以看出，F(xiàn)aster-RCNN的訓(xùn)練精度可以達到90.2%，SSD為81.1%，YOLOv4為48.6%，YOLOv5為92.6%，MSE-YOLOv5精度為95.2%，高于其余4種對比算法。

為了驗證MSE-YOLOv5的魯棒性，分別對數(shù)據(jù)集加以3個不同方差的高斯噪聲，對比結(jié)果見表3。

由表3可知，在同樣的方差條件下，MSE-YOLOv5算法對比其余4種算法仍具有較高的檢測精度，而且當噪聲不斷增大時，各算法的精度均有所下降，但是MSE-YOLOv5仍保持有較高的精度，證明所提算法具有良好的抗噪性。

3結(jié)論

1）通過構(gòu)建混合數(shù)據(jù)集的方法，可以增強樣本之間的特征對比，同時擴充數(shù)據(jù)集樣本數(shù)量，從而提高模型的檢測精度及泛化能力。

2）通過在檢測網(wǎng)絡(luò)Neck部位引入SE的舉措，可以提高檢測網(wǎng)絡(luò)對故障特征的識別能力，進而提高檢測網(wǎng)絡(luò)的檢測精度。

3）在Backbone引入MobileNetV3輕量化網(wǎng)絡(luò)后，網(wǎng)絡(luò)參數(shù)量與計算量得以降低，從而提高選線網(wǎng)絡(luò)的實時性，這對于其在實際場景中的部署應(yīng)用具有積極意義。

參考文獻（References）：

[1]劉群杰，樊艷芳，侯俊杰，等.基于開關(guān)控制的風(fēng)電場集電線路復(fù)合中性點接地方式研究[J].太陽能學(xué)報，2019，40（9）：2424-2432.

LIU Qunjie，F(xiàn)AN Yanfang，HOU Junjie，et al.Study on composite neutral grounding mode of wind farm lines based on switching control[J].Acta Energiae Solaris Sinica，2019，40（9）：2424-2432.

[2]曾祥君，尹項根，張哲，等.零序?qū)Ъ{法饋線接地保護的研究[J].中國電機工程學(xué)報，2001，21（4）：5-10.

ZENG Xiangjun，YIN Xianggen，ZHANG Zhe，et al.Study on feeder grounding fault protection based on zero sequence admittance[J].Proceedings of the CSEE，2001，21（4）：5-10.

[3]郝帥，范文璐，付周興，等.基于壓縮感知的小電流接地系統(tǒng)故障選線方法[J].西安科技大學(xué)學(xué)報，2020，40（2）：330-335.

HAO Shuai，F(xiàn)AN Wenlu，F(xiàn)U Zhouxing，et al.Fault line selection method for small current grounding system based on compressed sensing[J].Journal of Xi’an University of Science and Technology，2020，40（2）：330-335.

[4]CONG Z，LIU Y，F(xiàn)ANG J，et al.Root-cause identifica-tion of single line-to-ground fault in urban small current grounding systems based on correlation dimension and average resistance[J].IEEE Transactions on Power Delivery，2020，35（4）：1834-1843.

[5]張國棟，蒲海濤，劉凱.基于深度學(xué)習(xí)的小電流接地系統(tǒng)故障選線方法[J].發(fā)電技術(shù)，2019，40（6）：548-554.

ZHANG Guodong，PU Haitao，LIU Kai.Fault line selection method of small current grounding system based on deep learning[J].Power Generation Technology，2019，40（6）：548-554.

[6]薛太林，張建新，侯雋朗.基于小波相關(guān)分析的小接地系統(tǒng)故障選線方法[J].電氣自動化，2018，40（4）：77-80.

XUE Tailin，ZHANG Jianxin，HOU Juanlang.Fault line selection method for small grounding systems based on correlation-wavelet analysis[J].Electrical Automation，2018，40（4）：77-80.

[7]劉寶穩(wěn)，萬子雄，曾祥君，等.基于有源消弧暫態(tài)衰減信息的配電網(wǎng)接地故障跟蹤檢測方法[J].中國電機工程學(xué)報，2024，44（2）：464-476.

LIU Baowen，WAN Zixiong，ZENG Xiangjun，et al.Ground fault tracking and detection of distribution network based on transient attenuation information of active arc-suppression process[J].Proceedings of the CSEE，2024，44（2）：464-476.

[8]李高明，黎皓彬，盧穎，等.基于暫穩(wěn)態(tài)電流幅值比較的諧振接地系統(tǒng)故障選線方法[J].電力系統(tǒng)及其自動化學(xué)報，2022，34（10）：97-103.

LI Gaoming，LI Haobin，LU Ying，et al.Fault line selection method for resonance grounding system based on comparison between transient and steady-state current amplitudes[J].Proceedings of the CSU-EPSA，2022，34（10）：97-103.

[9]喻錕，胥鵬博，曾祥君，等.基于模糊測度融合診斷的配電網(wǎng)接地故障選線[J].電工技術(shù)學(xué)報，2022，37（3）：623-633.

YU Kun，XU Pengbo，ZENG Xiangjun，et al.Grounding fault line selection of distribution networks based on fuzzy measures integrated diagnosis[J].Transactions of China Electrotechnical Society，2022，37（3）：623-633.

[10]朱玉勇，呂飛鵬，廖小君，等.基于路圖GFT譜相似度的小電流接地系統(tǒng)故障選線[J].電力自動化設(shè)備，2023，43（11）：89-94，116.

ZHU Yuyong，L Feipeng，LIAO Xiaojun，et al.Fault line selection of small current grounding system based on GFT spectral similarity of path graph[J].Electric Power Automation Equipment，2023，43（11）：89-94，116.

[11]林志超，劉鑫星，王英民，等.基于零序電流比較的小電阻接地系統(tǒng)接地故障保護[J].電力系統(tǒng)保護與控制，2018，46（22）：15-21.

LIN Zhichao，LIU Xinxing，WANG Yingmin，et al.Grounding fault protection based on zero sequence cu-rrent comparison in low resistance grounding system[J].Power System Protection and Control，2018，46（22）：15-21.

[12]程啟明，高杰，王曉衛(wèi)，等.基于優(yōu)化雙穩(wěn)態(tài)去噪的小電流接地系統(tǒng)故障選線方法[J].高電壓技術(shù)，2018，44（11）：3483-3492.

CHENG Qiming，GAO Jie，WANG Xiaowei，et al.Fault line selection method based on optimized bistable denoising for non-solid-earthed network[J].High Voltage Engineering，2018，44（11）：3483-3492.

[13]姜博，董新洲，施慎行，等.配電網(wǎng)單相接地故障選線典型方法實驗研究[J].電力自動化設(shè)備，2015，35（11）：67-74.

JIANG Bo，DONG Xinzhou，SHI Shenxing，et al.Experimental research on typical single-phase grounding line selection methods of distribution network[J].Electric Power Automation Equipment，2015，35（11）：67-74.

[14]李國藝，潘明，劉毅.小電流接地故障仿真分析及選線方法研究[J].電工技術(shù)，2022（8）：145-148.

LI Guoyi，PAN Ming，LIU Yi.Research on line selection method and analysis of small grounding fault simulation[J].Electric Engineering，2022（8）：145-148.

[15]程文傲，徐明，高金峰.小電流接地系統(tǒng)單相接地故障選線空間域圖像生成及融合方法[J].電力自動化設(shè)備，2021，41（7）：97-103.

CHENG Wenao，XU Ming，GAO Jinfeng.Spatial domain image generationand fusion method of single-phase grounding fault line selection for small current grounding system[J].Electric Power Automation Equipment，2021，41（7）：97-103.

[16]蒲玲玲，楊柳.改進YOLOv5的多車輛目標實時檢測及跟蹤算法[J].科學(xué)技術(shù)與工程，2023，23（28）：12159-12167.

PU Lingling，YANG Liu.Improved real-time detection and tracking algorithm for multi vehicle targets in YOLOv5[J].Science Technology and Engineering，2023，23（28）：12159-12167.

[17]郝帥，張旭，馬瑞澤，等.基于改進GoogLeNet的小電流接地系統(tǒng)故障選線方法[J].電網(wǎng)技術(shù)，2022，46（1）：361-368.

HAO Shuai，ZHANG Xu，MA Ruize，et al.Fault line selection method for small current grounding system based on improved GoogLeNet[J].Power System Technology，2022，46（1）：361-368.

[18]殷浩然，苗世洪，郭舒毓，等.基于S變換相關(guān)度和深度學(xué)習(xí)的配電網(wǎng)單相接地故障選線新方法[J].電力自動化設(shè)備，2021，41（7）：88-96.

YIN Haoran，MIAO Shihong，GUO Shuyu，et al.Novel method for single-phase grounding fault line selection in distribution network based on S-transform correlation and deep learning[J].Electric Power Automation Equipment，2021，41（7）：88-96.

[19]TANG Z，CHEN K，PAN M，et al.An augmentation s-trategy for medical image processing based on statistical shape model and 3d thin plate spline for deep learning[J].IEEE Access，2019，7：133111-133121.

[20]JINWOO K，DAEHO K，SANGHYUN L，et al.Hybrid DNN training using both synthetic and real construction images to overcome training data shortage[J].Automation in Construction，2023，149：104771-104783.

[21]郝帥，楊晨祿，趙秋林，等.基于雙分支頭部解耦和注意力機制的災(zāi)害環(huán)境人體檢測[J].西安科技大學(xué)學(xué)報，2023，43（4）：797-806.

HAO Shuai，YANG Chenlu，ZHAO Qiulin，et al.Pedestrian detection method in disaster environment based on double branch decoupled head and attention mechanism[J].Journal of Xi’an University of Science and Technology，2023，43（4）：797-806.

[22]JIA L，WANG Y，ZANG Y，et al.Mobilenetv3 with cbam for bamboo stick counting[J].IEEE Access，2022，10：53963-53971.

[23]HU J，SHEN L，ALBANIE S，et al.Squeeze-and-excitation networks[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42（8）：2011-2023.

[24]元宙昊，葉義成，羅斌玉，等.基于小波變換理論的巖石節(jié)理面粗糙度分級表征[J].煤炭學(xué)報，2022，47（7）：2623-2642.

YUAN Zhouhao，YE Yicheng，LUO Binyu，et al.Hierarchical characterization joint surface roughness coefficient of rock joint based on wavelet transform[J].Journal of China Coal Society，2022，47（7）：2623-2642.

[25]WANG D，ZENG J，LIN S.Random sketching for neural networks with relu[J].IEEE Transactions on Neural Networks and Learning Systems，2021，32（2）：748-762.

[26]張有健，陳晨，王再見.深度學(xué)習(xí)算法的激活函數(shù)研究[J].無線電通信技術(shù)，2021，47（1）：115-120.

ZHANG Youjian，CHEN Chen，WANG Zaijian.Research on activation function of deep learnimg algorithm[J].Radio Communications Technology，2021，47（1）：115-120.

[27]JAESEONG L，JUNGSUB R，DUSEOK K，et al.Snas：fast hardware-aware neural architecture search methodo-logy[J].IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems，2022，41（11）：4826-4836.

[28]郝帥，楊磊，馬旭，等.基于注意力機制與跨尺度特征融合的YOLOv5輸電線路故障檢測[J].中國電機工程學(xué)報，2023，43（6）：2319-2331.

HAO Shuai，YANG Lei，MA Xu，et al.YOLOv5 transmission line fault detection based on attention mechanism and cross-scale feature fusion[J].Proceedings of the CSEE，2023，43（6）：2319-2331.

[29]王道累，張世恒，袁斌霞，等.基于改進YOLOv5的輕量化玻璃絕緣子自爆缺陷檢測研究[J].高電壓技術(shù)，2023，49（10）：4382-4390.

WANG Daolei，ZHANG Shiheng，YUAN Binxia，et al.Research on self-explosion defect detection of lightweight glass insulators based on improved YOLOv5[J].High Voltage Engineering，2023，49（10）：4382-4390.

[30]叢帥，楊磊，華征豪，等.基于目標檢測和遷移時間序列的教室人員檢測[J].河北大學(xué)學(xué)報（自然科學(xué)版），2023，43（4）：432-441.

CONG Shuai，YANG Lei，HUA Zhenghao，et al.Classroom personnel detection based on object detection and time series migration[J].Journal of Hebei University（Natural Science Edition），2023，43（4）：432-441.

[31]林剛，王波，彭輝，等.基于改進Faster-RCNN的輸電線巡檢圖像多目標檢測及定位[J].電力自動化設(shè)備，2019，39（5）：213-218.

LIN Gang，WANG Bo，PENG Hui，et al.Multi-target detection and location of transmission line inspection image based on improved Faster-RCNN[J].Electric Power Automation Equipment，2019，39（5）：213-218.

[32]韓雁鵬，侯進，譚光鴻，等.一種改進的SSD算法及其在車輛目標檢測中的應(yīng)用[J].計算機應(yīng)用與軟件，2021，38（11）：191-196，231.

HAN Yanpeng，HOU Jin，TAN Guanghong，et al.An improved SSD algorithm and its application in vehicle object detection[J].Computer Applications and Software，2021，38（11）：191-196，231.

[33]WANG L，LI L，WANG H，et al.Real-time vehicle identification and tracking during agricultural master-slave follow-up operation using improved YOLOv4 and bino-cular positioning[J].Proceedings of the Institution of Mechanical Engineers，Part C：Journal of Mechanical Engineering Science，2023，237（6）：1393-1404.

（責(zé)任編輯：高佳）

收稿日期：2024-03-25

基金項目：國家自然科學(xué)基金項目（51804250）；中國博士后科學(xué)基金項目（2020M683522）；陜西省自然科學(xué)基礎(chǔ)研究計劃項目（2024JC-YBMS-490）

通信作者：郝帥，男，河北任丘人，副教授，碩士生導(dǎo)師，E-mail：haoxust@163.com