基于深度学习的高压隔离开关分合状态检测算法研究

作     者：杜耀文 谢静 刘志坚 于虹 周帅 林杰 DU Yaowen;XIE Jing;LIU Zhijian;YU Hong;ZHOU Shuai;LIN Jie

作者机构：昆明理工大学电力工程学院云南昆明650500 云南电网有限责任公司电力科学研究院云南昆明650217 云南电网有限责任公司文山供电局云南文山663000 

出 版 物：《电力系统保护与控制》 (Power System Protection and Control)

年 卷 期：2023年第51卷第19期

页      面：114-123页

核心收录：

学科分类：12[管理学] 080801[工学-电机与电器] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0808[工学-电气工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：云南省基础研究计划重点项目资助(202301AS 070055) 

主　　题：神经网络 隔离开关 模型轻量化 目标检测 深度学习 

摘      要：高压隔离开关的正常工作是电力系统稳定运行的前提。为正确识别隔离开关的分合状态,提出一种轻量化改进型YOLOv5s目标检测算法。首先,针对隔离开关数据集,采用二次优化K-means++聚类算法重新获取锚框参数。然后,将模型中的损失函数由CIOU替换为具有更强收敛性能的EIOU,加快模型训练的收敛速度。最后,在模型主干特征提取网络的最后一层添加CBAM注意力模块,加强模型特征提取能力。在此基础上,采用通道稀疏化剪枝的方法对改进后的模型进行轻量化处理,减小模型体积和算力消耗。实验结果表明,改进后的模型识别平均精度均值到达97.4%,轻量化处理后的模型大小为3.92 MB,使得模型更加容易部署到移动端设备完成实时检测。