本发明提出了一种基于YOLOV5的配电网故障定位方法，包括以下步骤：步骤S1，制作配电网接地故障行波数据集和非行波数据集；步骤S2，对行波数据集和非行波数据集中的数据进行预处理；步骤S3，构建基于YOLOV5的配电网的行波识别及零点查找模型；步骤S4，利用步骤S2中预处理后的数据对行波识别及零点查找模型进行训练和测试；步骤S5，使用训练好的模型计算配电网的接地故障位置。本发明通过深度学习网络提取行波更深层次的特征，找到复杂行波特征与首半波零点之间的非线性关系，从而解决配电网接地故障行波首半波难以识别以及零点查找困难的问题，实现接地故障的高精度定位。
1.一种基于YOLOV5的配电网故障定位方法，其特征在于，包括以下步骤：步骤S1，制作配电网接地故障行波数据集和非行波数据集；
步骤S2，对行波数据集和非行波数据集中的数据进行预处理；
步骤S3，构建基于YOLOV5的配电网的行波识别及零点查找模型；
其中，l为总损失值； 分别为4个损失值l1、l2、l3、l4的权重值；
l1表示预测样本波形属于行波、非行波的概率与实际样本属于行波、非行波概率的交叉熵损失；
l2表示预测首半波的零点所在区间概率与零点实际所在区间概率的交叉熵损失；
l3表示零点实际所在区间偏移比例与模型预测零点所在区间偏移比例的最小绝对值偏差损失；
l4表示实际波速系数与预测波速系数的最小绝对值偏差损失；
步骤S4，利用步骤S2中预处理后的数据对行波识别及零点查找模型进行训练和测试；
所述行波识别及零点查找模型训练和测试分为以下几个阶段进行：第一阶段，设置初始训练参数，利用数据集对模型进行训练和测试，当模型的行波识别准确率达到P1后，停止训练并进入第二阶段；
第二阶段，调整训练参数，降低学习率，利用数据集继续对模型进行训练和测试，当模型的零点区间识别准确率达到P2后，停止训练并进入第三阶段；
第三阶段，调整训练参数，降低学习率，利用数据集继续对模型进行训练和测试，当模型的行波识别准确率和零点区间识别准确率相对稳定后，停止训练；
步骤S5，使用训练好的模型计算配电网的接地故障位置，包括以下步骤：通过双端监测点分别获取配电网的波形数据；
将双端监测点获取的波形数据进行标准化处理，通过训练好的模型判断输入的波形是否为行波，筛选出波形数据中的行波数据；
通过训练好的模型分别获取两个监测点对应的行波零点区间、零点所在区间的偏移比例以及波速修正系数；
设两个监测点获取的波形数据的起始时刻分别为 和 ，监测点A和监测点B之间的距离为S，则接地故障点距A点的距离为：其中， 、 分别为两个监测点对应的波速修正系数； 、 分别为两个监测点对应的行波零点区间； 、 分别为两个监测点对应的零点所在区间的偏移比例；f为电压波形采样设备的采样频率；c为光速。
2.如权利要求1所述的一种基于YOLOV5的配电网故障定位方法，其特征在于，步骤S1中，制作行波数据集和非行波数据集的方法包括：行波数据获取，调整配电线路的运行状态，获取不同运行状态下配电线路接地故障时的电压行波波形数据；
非行波数据获取，在配电线路中施加不同的干扰，获取不同干扰情况下线路正常运行时的电压非行波波形数据；
收集所有行波波形数据构成行波数据集，收集所有非行波波形数据构成非行波数据集，行波数据集和非行波数据集中均包含训练集和测试集。
3.如权利要求1所述的一种基于YOLOV5的配电网故障定位方法，其特征在于，步骤S2中，对数据进行预处理的方法包括：缺失异常处理：对于数据集中每组数据，检查是否存在缺失异常值，当缺失值的数量少于预设值时，采用临近插值的方式进行填补或修正；当缺失值的数量不少于预设值时，剔除整组数据；
数据增强：对于行波数据，随机截取多组包含行波首半波且长度为预设长度的数据，再随机叠加小幅值的振荡干扰信号，生成多组包含小干扰的行波数据作为样本；对于非行波数据，随机截取包含干扰且长度为预设长度的数据作为样本；
数据标准化：对每组数据，采用如下公式对行波数据的电压幅值进行标准化处理：其中，x为原行波数据的电压幅值， 为标准化处理后的电压幅值； 为整组数据的电压幅值的均值； 为整组数据的电压幅值的标准差；
数据标注：对于行波数据，将整组数据分为若干个区间，标记首半波零点在每个区间出现的概率、首半波零点在每个区间的偏移比例、行波波速的修正系数、实际样本属于行波与非行波的概率；对于非行波数据，标记实际样本属于行波与非行波的概率。
4.如权利要求1所述的一种基于YOLOV5的配电网故障定位方法，其特征在于，步骤S3中，构建行波识别及零点查找模型的方法包括：在原YOLOV5网络的基础上，将二维卷积核全部改为一维卷积核，二维批标准化层全部改为一维批标准化层，二维最大池化层改为一维最大池化层；
行波识别及零点查找模型包括：输入层、一维卷积层、一维批标准化层、激活函数层、拼接层、上采样层、一维最大池化层和输出层；
行波识别及零点查找模型的输入层为1*N的张量，N为一组波形数据的采样点数量；
行波识别及零点查找模型的输出层包含三个维度的输出，第一个维度的输出表示首半波零点出现的可能性及所在区间偏移比例；第二个维度的输出表示行波波速的修正系数；
第三个维度的输出表示预测样本属于行波与非行波的概率。
5.一种基于YOLOV5的配电网故障定位系统，其特征在于，包括：数据采集模块，用于获取配电网在不同工况及不同干扰下的波形数据，并制作配电网接地故障行波数据集和非行波数据集；
预处理模块，用于对行波数据集和非行波数据集中的数据进行预处理；
构建模块，用于构建基于YOLOV5的配电网的行波识别及零点查找模型，并设计行波识别及零点查找模型的损失函数，所述损失函数为：其中，l为总损失值； 分别为4个损失值l1、l2、l3、l4的权重值；
l1表示预测样本波形属于行波、非行波的概率与实际样本属于行波、非行波概率的交叉熵损失；
l2表示预测首半波的零点所在区间概率与零点实际所在区间概率的交叉熵损失；
l3表示零点实际所在区间偏移比例与模型预测零点所在区间偏移比例的最小绝对值偏差损失；
l4表示实际波速系数与预测波速系数的最小绝对值偏差损失；
训练模块，利用预处理后的数据对行波识别及零点查找模型进行训练和测试；所述行波识别及零点查找模型训练和测试分为以下几个阶段进行：第一阶段，设置初始训练参数，利用数据集对模型进行训练和测试，当模型的行波识别准确率达到P1后，停止训练并进入第二阶段；
第二阶段，调整训练参数，降低学习率，利用数据集继续对模型进行训练和测试，当模型的零点区间识别准确率达到P2后，停止训练并进入第三阶段；
第三阶段，调整训练参数，降低学习率，利用数据集继续对模型进行训练和测试，当模型的行波识别准确率和零点区间识别准确率相对稳定后，停止训练；
定位模块，使用训练好的模型计算配电网的接地故障位置，计算方法为：通过双端监测点分别获取配电网的波形数据；
将双端监测点获取的波形数据进行标准化处理，通过训练好的模型判断输入的波形是否为行波，筛选出波形数据中的行波数据；
通过训练好的模型分别获取两个监测点对应的行波零点区间、零点所在区间的偏移比例以及波速修正系数；
设两个监测点获取的波形数据的起始时刻分别为 和 ，监测点A和监测点B之间的距离为S，则接地故障点距A点的距离为：其中， 、 分别为两个监测点对应的波速修正系数； 、 分别为两个监测点对应的行波零点区间； 、 分别为两个监测点对应的零点所在区间的偏移比例；f为电压波形采样设备的采样频率；c为光速。
6.一种计算机终端设备，其特征在于，包括处理器以及与处理器连接的存储器，所述存储器内存储有计算机程序，所述处理器用于执行计算机程序来实现权利要求1至4中任一项所述定位方法的步骤。
7.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述定位方法的步骤。
基于YOLOV5的配电网故障定位方法、系统、终端及存储介质
技术领域
[0001] 本发明涉及配电网故障诊断技术领域，尤其涉及一种基于YOLOV5的配电网故障定位方法、系统、终端及存储介质。
背景技术
[0002] 随着电网能源结构的不断变化，对配电网的稳定运行产生了一定影响。配电网作为城乡的重要基础设施，支撑着分布式能源并网和居民的生产生活，是新型电力系统的主要组成部分。当配电网发生接地故障时，快速准确地对故障进行定位，有助于更快地修复或切除故障，减少停电造成的经济损失，对配电网的安全、稳定、经济运行具有重要意义。
[0003] 配电网本身拓扑结构复杂，存在很多分支线路，线路由架空线和电缆混合组成，线路的阻抗较输电网更大，故障信号复杂。此外，随着新型电力系统的快速发展，配电网接入了很多分布式电源和储能装置，在发生接地故障时，会产生新的干扰，不利于故障点的定位。
[0004] 现有的线路故障定位方法主要有行波法、故障分析法、固有频率法等。其中行波测距方法在工程上应用最为广泛，尤其在输电线路中，但在配电网中，行波的波形受线路阻抗、拓扑结构、干扰信号的影响，波形十分复杂。在中高阻接地情况下，部分干扰和反射叠加产生的噪声在幅值上大于行波本身，导致首半波及其零点的识别无法通过幅值、频率等特性去判断。在配电线路下，现有的行波测距算法无法处理干扰较多的行波，没有挖掘行波深层次特征，很难准确地找到首半波和零点位置，整体测距精度较低，难以实现工程应用。因此，需要一种方法提取更深层次的行波特征来找到行波的首半波和零点，实现高精度的故障定位。
发明内容
[0005] 本发明提出一种基于YOLOV5的配电网故障定位方法、系统、终端及存储介质，解决了现有技术中行波测距算法无法处理干扰较多的行波，没有挖掘行波深层次特征，很难准确地找到首半波和零点位置，整体测距精度较低，难以实现工程应用的技术问题。
[0006] 本发明的技术方案是这样实现的：
[0007] 根据本发明的一方面，提供了一种基于YOLOV5的配电网故障定位方法，包括以下步骤：
[0008] 步骤S1，制作配电网接地故障行波数据集和非行波数据集；
[0009] 步骤S2，对行波数据集和非行波数据集中的数据进行预处理；
[0010] 步骤S3，构建基于YOLOV5的配电网的行波识别及零点查找模型；
[0011] 步骤S4，利用步骤S2中预处理后的数据对行波识别及零点查找模型进行训练和测试；
[0012] 步骤S5，使用训练好的模型计算配电网的接地故障位置。
[0013] 作为本发明优选的方案，步骤S1中，制作行波数据集和非行波数据集的方法包括：
[0014] 行波数据获取，在配电线路真型实验场中，调整线路接地方式、接地电阻阻值、短路接地点位置、架空线路与电缆的混合比例、监测点之间的线路分支数等，进行大量实验，获取不同运行状态下配电线路接地故障时的电压行波波形数据；
[0015] 非行波数据获取，在线路中单独或混合施加干扰（干扰包括局放、纹波、反射、脉冲、锯齿噪声等），生成干扰电压波形，获取不同干扰情况下线路正常运行时的电压非行波波形数据；
[0016] 收集所有行波波形数据构成行波数据集，收集所有非行波波形数据构成非行波数据集，行波数据集和非行波数据集中均包含训练集和测试集，训练集和测试集的比例为8：2。
[0017] 作为本发明优选的方案，步骤S2中，对数据进行预处理的方法包括：
[0018] 缺失异常处理：对于数据集中每组数据，检查是否存在缺失异常值，当缺失值的数量少于预设值（较少）时，采用临近插值的方式进行填补或修正；当缺失值的数量不少于预设值（较多）时，剔除整组数据。
[0019] 数据增强：在40MHz采样频率下，10240个采样点长度的行波数据就包含大半个行波，只需要将模型输入控制在10240维度即可；对于行波数据，随机截取多组包含行波首半波且长度为10240采样区间（该长度可根据实际采样频率来调整）的数据，再随机叠加小幅值的振荡干扰信号，生成多组包含小干扰的行波数据作为样本；对于非行波数据，随机截取包含干扰且长度为10240采样区间的数据作为样本。
[0020] 数据标准化：经电压互感器获取的电压行波幅值，在不同线路阻抗条件下整体幅值相差较大，需要对数据进行标准化处理；对每组数据，采用如下公式对行波数据的电压幅值进行标准化处理：
[0021]
[0022] 其中，x为原行波数据的电压幅值， 为标准化处理后的电压幅值；μ为整组数据（即10240个采样点的数据）的电压幅值的均值； 为整组数据的电压幅值的标准差。
[0023] 数据标注：对于行波数据，将整组数据（即10240个采样点的数据）分为320个区间，每个区间32个采样点长度，标记首半波零点在每个区间出现的概率、首半波零点在每个区间的偏移比例、行波波速的修正系数、实际样本属于行波与非行波的概率；对于非行波数据，标记实际样本属于行波与非行波的概率。
[0024] 作为本发明优选的方案，步骤S3中，构建行波识别及零点查找模型的方法包括：
[0025] 在原YOLOV5网络Backbone和Neck部分的基础上，将二维卷积核全部改为一维卷积核，二维批标准化层全部改为一维批标准化层，二维最大池化层改为一维最大池化层。
[0026] 为使最上层输出能有一个合适的感受野，即上层输出特征图每一个长度单位对应原输入32个采样点，将Backbone的前两个一维卷积核的核大小、步长、填充值分别改为（6,4,1）、（4,4,0），这样前两个卷积模块会分别进行两次4倍的下采样，再经过第三个卷积模块的2倍下采样，实现32倍的下采样特征提取；
[0027] 行波识别及零点查找模型包括：输入层、一维卷积层、一维批标准化层、激活函数层、拼接层、上采样层、一维最大池化层和输出层；
[0028] 行波识别及零点查找模型的输入层为1*10240的张量，对应波形数据10240个采样点；
[0029] 在经过上述网络模型后，最后输出三个特征图，它们的通道数*特征长度分别为256*320、512*160、1024*80，为每个特征图添加一维卷积用于最后输出，三个特征图对应的卷积核参数（输入通道数，输出通道数，核大小，步长）分别为（256,2,1,1）、（512,1,160,1）、（1024,2,80,1）；在经过一维卷积后，最后三个输出维度分别为2*320、1*1、2*1，第一个输出中2*320的值表示首半波零点在320个区间内出现的可能性、零点在320个区间的偏移比例；
第二个输出1*1表示行波波速的修正系数；第三个输出2*1的值表示预测样本属于行波与非行波的概率，其中，概率与输出数值大小有关，数值越大，概率越高。
[0030] 作为本发明优选的方案，所述行波识别及零点查找模型的损失函数为：
[0031]
[0032] 其中，l为总损失值；λ1、λ2、λ3、λ4分别为4个损失值l1、l2、l3、l4的权重值；
[0033] l1表示预测样本波形属于行波、非行波的概率与实际样本属于行波、非行波概率的交叉熵损失，可表示为：
[0034]
[0035] 式中， 分别表示样本预测为行波与非行波的可能性， 分别表示样本实际属于行波与非行波的概率；
[0036] l2表示预测首半波的零点所在区间概率与零点实际所在区间概率的交叉熵损失，可表示为：
[0037]
[0038] 式中， 表示样本实际在第i个区间存在零点的概率， 表示样本数据通过模型预测出在第i个区间存在零点的可能性；
[0039] l3表示零点实际所在区间偏移比例与模型预测零点所在区间偏移比例的最小绝对值偏差损失，可表示为：
[0040]
[0041] 式中， 表示样本通过模型预测零点所在区间的索引值， 表示样本中零点实际所在区间的索引值， 表示样本通过模型预测零点在第 个区间内的偏移比例，表示样本实际零点在第 个区间内的偏移比例；
[0042] l4表示实际波速系数与预测波速系数的最小绝对值偏差损失，可表示为：
[0043]
[0044] 式中， 表示样本通过模型预测的波速修正系数， 表示样本实际的波速修正系数。
[0045] 作为本发明优选的方案，步骤S4中，选择使用SGD优化器，适当设置每次训练的数据批量batch_szie，每5轮训练保存一次模型并在测试集中测试行波识别准确率、行波零点区间查找准确率；为更快使模式收敛，模型训练和测试分为以下几个阶段进行：
[0046] 第一阶段，设置初始训练参数，初始训练时，l1损失很小，但行波判断的准确率直接影响其它损失函数的值，因此需要将λ1权重增大，λ2、λ3、λ4保持默认，学习率learning_rate设置相对较大的值；利用数据集对模型进行训练和测试，当模型的行波识别准确率达到P1后，停止训练并进入第二阶段；
[0047] 第二阶段，调整训练参数，将λ1设置默认，由于行波区间准确率直接影响l3损失，将λ2增大，将学习率learning_rate适当减小，利用数据集继续对模型进行训练和测试，当模型的零点区间识别准确率达到P2后，停止训练并进入第三阶段；
[0048] 第三阶段，调整训练参数，降低学习率，利用数据集继续对模型进行训练和测试，当模型的行波识别准确率、零点区间识别准确率、零点偏移比例和波速修正系数的绝对值误差相对稳定，无较大波动时，停止训练。
[0049] 作为本发明优选的方案，步骤S5中，本发明采用双端测距的方式进行故障位置计算，电压波形采样设备的频率为f（40MHz），当发生接地故障时，双端监测点分别获取采样长度为10240个点的行波波形和波形的起始时刻，故障定位计算方法如下：
[0050] 通过双端监测点分别获取配电网的波形数据，监测点可能获取多组数据，其中包含非行波波形；
[0051] 将双端监测点获取的波形数据进行标准化处理，通过训练好的模型判断输入的波形是否为行波，筛选出波形数据中的行波数据；
[0052] 通过训练好的模型分别获取两个监测点对应的行波零点区间、零点所在区间的偏移比例以及波速修正系数；
[0053] 设两个监测点获取的波形数据的起始时刻分别为 和 ，监测点A和监测点B之间的距离为S，则接地故障点距A点的距离为：
[0054]
[0055] 其中， 、 分别为两个监测点对应的波速修正系数； 、 分别为两个监测点对应的行波零点区间， ； 、 分别为两个监测点对应的零点所在区间的偏移比例；f为电压波形采样设备的采样频率；c为光速；
[0056] 根据本发明的另一方面，提供了一种基于YOLOV5的配电网故障定位系统，包括：
[0057] 数据采集模块，用于获取配电网在不同工况及不同干扰下的波形数据，并制作配电网接地故障行波数据集和非行波数据集；
[0058] 预处理模块，用于对行波数据集和非行波数据集中的数据进行预处理；
[0059] 构建模块，用于构建基于YOLOV5的配电网的行波识别及零点查找模型，并设计行波识别及零点查找模型的损失函数；
[0060] 训练模块，利用预处理后的数据对行波识别及零点查找模型进行训练和测试；
[0061] 定位模块，使用训练好的模型计算配电网的接地故障位置。
[0062] 根据本发明的又一方面，提供了一种计算机终端设备，包括处理器以及与处理器连接的存储器，所述存储器内存储有计算机程序，所述处理器用于执行计算机程序来实现上述定位方法的步骤。
[0063] 根据本发明的又一方面，提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述定位方法的步骤。
[0064] 有益效果
[0065] 与现有技术相比较，本发明的有益效果在于，本发明通过在原YOLOV5目标检测网络上进行改造，根据行波为一维数据的特性，将原YOLOV5网络的二维层改为一维层来适应数据输入，对部分卷积核参数进行了调整，获取需要的输出结果，同时使不同输出层有更合适的感受野；本发明通过深度学习网络提取行波更深层次的特征，找到复杂行波特征与首半波零点之间的非线性关系，从而解决配电网接地故障行波首半波难以识别以及零点查找困难的问题，实现接地故障的高精度定位。
附图说明
[0066] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；
[0067] 图1为本发明一种基于YOLOV5的配电网故障定位方法的流程示意图；
[0068] 图2为本发明实施例中数据标记格式示意图；
[0069] 图3为本发明实施例中改进的YOLOV5网络结构示意图；
[0070] 图4为本发明实施例中模型训练过程中测试集中损失值变化曲线图；
[0071] 图5为本发明实施例中模型训练过程中测试集行波区间查找准确率变化曲线图；
[0072] 图6为本发明实施例中两个检测点的输入波形和经过模型标出零点的波形图。
具体实施方式
[0073] 下面将结合本发明实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0074] 参照图1所示，本实施例提供了一种基于YOLOV5的配电网故障定位方法，包括以下步骤：
[0075] 步骤S1，制作配电网接地故障行波数据集和非行波数据集。
[0076] 行波数据获取：
[0077] 实验环境为3km的10kV架空、电缆混合线路，每隔100m可设置短路接地。调整线路接地方式、接地电阻阻值、短路接地点位置、架空线路与电缆的混合比例、监测点之间的线路分支数来获取不同工况下的波形数据，具体的可变实验选项如下表1所示：
[0078] 表1 实验可变要素表
[0079]实验可变要素 选项
中性点接地方式 不接地、经小电阻接地、经消弧线圈接地
接地电阻 50Ω、500Ω、2500Ω
短路接地位置 分别距离首端100m、200m、…、3000m
架空、电缆混合比例 1:2、1:1、2:1
线路分支数 1,2,3
[0080] 根据表中实验可变要素，进行2430（3×3×30×3×3）种实验，每种实验记录10条行波数据，获取24300组行波数据；
[0081] 非行波数据获取：
[0082] 将不同幅值、频率下的局放、纹波、反射、脉冲、锯齿噪声进行组合叠加，形成20000组非行波数据。
[0083] 步骤S2，对数据集进行预处理；
[0084] 缺失异常处理：在示波器采样获得的波形中，剔除掉波形出现缺失的数据，对出现各别采样点缺失的数据，缺失值补全为与该采样点最相近且幅值未缺失点的值。
[0085] 数据增强：在步骤S1中获取的24300组行波数据中，其中每10组为一种实验方案，首先，每10组数据随机截取2组包含行波首半波的零点且长度为10240采样点的波形数据，共计生成48600组数据。然后再在原数据基础上随机截取包含行波首半波的零点且长度为10240采样点的波形数据，同时随机叠加小幅值振荡锯齿波、正弦波、方波，生成共计24300组数据。加上非行波数据，数据集大小为92900组数据，存储为csv格式。
[0086] 数据标准化，采用如下公式对行波数据的电压幅值进行标准化处理：
[0087]
[0088] 其中，x为原行波数据的电压幅值， 为标准化处理后的电压幅值；μ为整组数据（即10240个采样点的数据）的电压幅值的均值； 为整组数据的电压幅值的标准差；
[0089] 数据标记：对所有行波数据，标记格式如图2所示，以32个采样点为一个区间，一组数据分为320个区间，第1‑320维度表示行波首半波零点在每个区间的概率，第321‑640维度表示零点在每个区间的偏移比例，第641维度表示行波的波速修正系数，第642、643维度表示样本属于行波、非行波的概率。对于所有非行波数据，只标记第642、643维度维度表示属于行波、非行波的概率。
[0090] 步骤S3，构建基于YOLOV5的配网的行波识别及零点查找模型；
[0091] 本实施例中模型的具体结构如图3所示，采用开发环境为PyCharm，基于PyTorch框架搭建网络模型，构建CONV、C3、SPPF模块和整体网络的基础神经网络层均在torch.nn下；在原YOLOV5网络Backbone和Neck部分的基础上，将二维卷积核全部改为一维卷积核，二维批标准化层全部改为一维批标准化层，二维最大池化层改为一维最大池化层；模型包括一维卷积层（Conv1d）、一维批标准化层（BatchNorm1d）、激活函数（SiLU）、拼接层（Cat）、上采样层（Upsample）、一维最大池化层（MaxPool1d），添加。按图3输入到输出顺序，依次搭建自定义模型类；
[0092] 为使最上层输出能有一个合适的感受野，即上层输出特征图每一个长度单位对应原输入32个采样点，将Backbone的前两个一维卷积核的核大小、步长、填充值分别改为（6,4,1）、（4,4,0），这样前两个卷积模块会分别进行两次4倍的下采样，再经过第三个卷积模块的2倍下采样，实现32倍的下采样特征提取；
[0093] 行波识别及零点查找模型的输入层为1*10240的张量，对应波形数据10240个采样点；
[0094] 在经过上述网络模型后，最后输出三个特征图，它们的通道数*特征长度分别为256*320、512*160、1024*80，为每个特征图添加一维卷积用于最后输出，三个特征图对应的卷积核参数（输入通道数，输出通道数，核大小，步长）分别为（256,2,1,1）、（512,1,160,1）、（1024,2,80,1）；在经过一维卷积后，最后三个输出维度分别为2*320、1*1、2*1，第一个输出中2*320的值表示首半波零点在320个区间内出现的可能性、零点在320个区间的偏移比例；
第二个输出1*1表示行波波速的修正系数；第三个输出2*1的值表示预测样本属于行波与非行波的概率，其中，概率与输出数值大小有关，数值越大，概率越高。
[0095] 本实施例中，采用的基础损失计算函数均在torch.nn模块中实现，包括交叉熵损失计算（CrossEntropyLoss）、最大绝对值误差损失计算（L1Loss）；
[0096] 所述行波识别及零点查找模型的损失函数为：
[0097]
[0098] 其中，l为总损失值；λ1、λ2、λ3、λ4分别为4个损失值l1、l2、l3、l4的权重值；
[0099] l1表示预测样本波形属于行波、非行波的概率与实际样本属于行波、非行波概率的交叉熵损失，可表示为：
[0100]
[0101] 式中， 分别表示样本预测为行波与非行波的可能性， 分别表示样本实际属于行波与非行波的概率；
[0102] l2表示预测首半波的零点所在区间概率与零点实际所在区间概率的交叉熵损失，可表示为：
[0103]
[0104] 式中， 表示样本实际在第i个区间存在零点的概率， 表示样本数据通过模型预测出在第i个区间存在零点的可能性；
[0105] l3表示零点实际所在区间偏移比例与模型预测零点所在区间偏移比例的最小绝对值偏差损失，可表示为：
[0106]
[0107] 式中， 表示样本通过模型预测零点所在区间的索引值， 表示样本中零点实际所在区间的索引值， 表示样本通过模型预测零点在第 个区间内的偏移比例，表示样本实际零点在第 个区间内的偏移比例；
[0108] l4表示实际波速系数与预测波速系数的最小绝对值偏差损失，可表示为：
[0109]
[0110] 式中， 表示样本通过模型预测的波速修正系数， 表示样本实际的波速修正系数。
[0111] 步骤S4，模型的训练和测试；
[0112] 采用带动量的随机梯度下降算法（SGD）进行模型训练，一个批次训练的数量batch_size设为128，训练使用的设备为Nvdia 3090 24GB显卡；训练时刻调整的超参数如下表2所示：
[0113] 表2 模型训练的可调超参数表
[0114]
[0115] 整个训练分为3个阶段，每5轮训练保存模型，输出模型在测试集中的准确率和损失（权重均为1）。
[0116] 第1阶段参数如下表3所示：
[0117] 表3 模型训练第1阶段参数设置表
[0118]
[0119] 开始第一阶段训练，当训练轮数为5时，行波识别的准确率已到达98.96%，零点区间准确率为45.39%，停止训练，调整参数，第2阶段参数如下表4所示：
[0120] 表4 模型训练第2阶段参数设置表
[0121]
[0122] 开始第2阶段训练，当训练轮数为85时，行波识别准确率100%，零点区间准确率为80.03%，停止训练，调整参数，第3阶段参数如下表5所示：
[0123] 表5 模型训练第3阶段参数设置表
[0124]
[0125] 开始第3阶段训练，当训练轮数为360时，行波识别准确率100%，零点区间准确率为95.31%，当继续训练时，在测试集损失值基本不生变动，准确率出现一定下降，因此取360轮保存的模型作为最终模型；模型训练过程中，测试集中损失值变化曲线如图4所示，测试集行波区间查找准确率变化曲线如图5所示。
[0126] 步骤S5，使用模型计算接地故障位置；
[0127] 记录一次线路接地故障行波波形，线路长6km，接地故障点距离监测点A和B的距离均为3km，将两个监测点获取的行波波形分别带入训练好的模型，波形的输入输出示意图如图6所示。第一个行波输出结果 =0.8813, =123, =0.2629，第二个行波输出结果 =0.8619， =106， =0.9479，监测点A与监测点B的波形起始时刻差 ‑ =‑10.5us；按下式计算断路故障点距离检测点A的距离为：
[0128]
[0129] 其中， 、 分别为两个监测点对应的波速修正系数； 、 分别为两个监测点对应的行波零点区间； 、 分别为两个监测点对应的零点所在区间的偏移比例；f为电压波形采样设备的采样频率（本实施例中为40MHz）；c为光速；
[0130] 经计算，L为2.923km，与实际误差仅为77m，具有较高的测距精度。
[0131] 相应地，本实施例还提供了一种基于YOLOV5的配电网故障定位系统，包括：
[0132] 数据采集模块，用于获取配电网在不同工况及不同干扰下的波形数据，并制作配电网接地故障行波数据集和非行波数据集；
[0133] 预处理模块，用于对行波数据集和非行波数据集中的数据进行预处理；
[0134] 构建模块，用于构建基于YOLOV5的配电网的行波识别及零点查找模型，并设计行波识别及零点查找模型的损失函数；
[0135] 训练模块，利用预处理后的数据对行波识别及零点查找模型进行训练和测试；
[0136] 定位模块，使用训练好的模型计算配电网的接地故障位置。
[0137] 相应地，本实施例还提供了一种计算机终端设备，包括处理器以及与处理器连接的存储器，所述存储器内存储有计算机程序，所述处理器用于执行计算机程序来实现上述定位方法的步骤。
[0138] 相应地，本实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述定位方法的步骤。
[0139] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
