基于SSA-BP补偿的电连接温度监测节点研究.pdf

浙江科技学院学报，第35卷第5期，2 0 2 3年10 月Journal of Zhejiang University of Science and TechnologyVol.35 No.5,Oct.2023doi:10.3969/j.issn.1671-8798.2023.05.009基于SSA-BP补偿的电连接温度监测节点研究谭平la，陈冠帆la，黄楚媛1b，丁（1.浙江科技学院a.自动化与电气工程学院；b.中德工程师学院，杭州310 0 2 3；2.中铁高铁电气装备股份有限公司，陕西宝鸡7 2 10 13）摘要：【目的】为了实时精确地监测接触网中电连接温度，设计了“Sub-GHz十GPRS/4G”无线传输技术温度监测节点。【方法】通过硬件选型、供电电路设计及低功耗休眠策略确保监测节点低功耗性能。将监测中心部署于云平台，汇聚网关数据进行数据的存储与分析，通过移动端或个人电脑实时观测电连接温度状态；然后深人分析热敏电阻的非线性特性，采用麻雀搜索算法（sparrowsearchalgorithm，SSA）优化反向传播（backpropagation，BP)神经网络补偿采集数据，实现温度高精度测量。【结果】采用SSA-BP神经网络进行非线性补偿，其均方根误差和平均绝对误差分别为0.0 2 30 和0.0 19 5；在实际场景下，监测节点具有高精度、低功耗的优点，能稳定可靠地监测电连接温度。【结论】本研究结果对接触网中电连接温度监测工程具有一定的参考价值。关键词：接触网电连接；温度监测；无线传感网络；SSA-BP神经网络中图分类号：U225.4进1,刘娟2文献标志码：A文章编号：16 7 1-8 7 9 8（2 0 2 3)0 5-0 430-0 9Research on temperature monitoring node of electrical connectionbased on SSA-BP compensationTAN Pinga,CHEN Guanfan,HUANG Chuyuanb,DING Jin,LIU Juan?(la.School of Automation and Electrical Engineering;1b.Chinese-German Institute of Engineering,Zhejiang Universityof Science and Technology,Hangzhou 310023,Zhejiang,China;2.China Railway High-Speed ElectrificationEquipment Corporation Limited,Baoji 721013,Shaanxi,China)Abstract:Objective In order to achieve accurate real-time monitoring of electrical connectiontemperature,a temperature monitoring node was designed by virtue of“Sub-GHz+GPRS/4Gwireless transmission technology.Method Through hardware selection,power supply circuitdesign and low-power sleep strategy,the monitoring node ensured the low-power consumptionperformance.Firstly,being deployed on the cloud platform,the monitoring center gatheredaggregation gateway data to store and analyze,and observed the real-time temperature state ofelectrical connection on the client-end or personal computer.Then,an in-depth analysis was收稿日期：2 0 2 2-0 8-2 3基金项目：国家重点研发计划项目（2 0 18 YFB0606000）；国家自然科学基金项目（516 7 7 17 1，5157 7 16 6，518 2 7 8 10）通信作者：谭平（19 7 8 一：），男，江苏省如皋人，教授，博士，主要从事智能安全系统研究。E-mail：1150 11z u s 。第5期conducted on nonlinear characteristics of thermistors,and the sparrow search algorithm-bp(SSA-BP)neural network was applied to compensate the collected data to achieve high-precision measure temperature.Result The root mean square error and the mean absoluteerror are 0.023 0 a n d 0.0 19 5 r e s p e c t i v e l y w i t h SSA-BP n e u r a l n e t w o r k f o r n o n-l i n e a rcompensation;in the real scenario,the monitoring node has the advantages of high precisionand low-power consumption,and can monitor the electrical connection temperature stably andreliably.Conclusion The research result has certain reference value for the electricalconnection temperature monitoring project in the catenary.Keywords:catenary electrical connection;temperature monitoring;wireless sensor network;SSA-BP neural network谭平，等：基于SSA-BP补偿的电连接温度监测节点研究431电连接是确保接触悬挂各线索间电流导通、消除接触悬挂之间的电位差而设置的电气连接线，其作用是改善接触悬挂的电流分布，减轻载流型吊弦的电气负荷，减少电能损耗，提高供电质量1，对接触网能否稳定运行有着重要意义。常见的电连接结构可分为C型和S型，由于接触网长时间运行面临着风雨、雷电、霜雪等恶劣环境2，并伴随着受电弓高速冲击和大风产生的振动，容易导致电连接表面出现氧化、锈蚀和接线夹固定螺栓松动等情况，致使电连接线夹处电阻增大，发热量增加，引发接触网设备烧毁。如2 0 18 年9 月，衡柳线某路段接触网承力索断线，其故障原因是电连接处接触面氧化，接触电阻增大，长时间大电流工况下，发热导致烧损。现阶段中国高铁运营维护人员对电连接的检测通常采用人工巡检方式3-41。由于接触网规模大，电连接线夹数量众多，天窗期受线路运营限制只能在夜间进行，致使维护人员作业时间短，容易出现漏检和误操作。因此有必要针对电连接实施在线精准监测，进而有效地预警与做出事故分析，确保接触网安全运行。随着温度实时监测领域的发展，测温技术方面和无线通信技术方面取得了一定成果。在测温技术方面，陈凯等5-7 提出采用光纤测温技术对输电线路测温，光纤测温具有抗电磁干扰和适于燃爆等危险场所等优点，能够实现输电线路加热故障的在线监测和定位。涂冬明等8-10 1提出采用神经网络算法结合红外热测温技术，通过神经网络算法滤除由背景所带来的干扰，提高了红外测温的精度。在无线通信技术方面，张博等11-12 提出采用一种低成本、低功耗的紫蜂(ZigBee)无线通信技术，设计了针对接触线测量的无线监测系统。邓志飞等13-14提出采用高频电磁波供能并利用新兴的窄带物联网通信技术（narrowband internet of things,NB-IoT)将数据上传至服务器，实现了对电缆温度的在线监测。上述方法虽然可以应用于电连接温度监测，但存在成本较高且维修困难、无线通信距离有限和应用条件较苟刻等问题。针对电连接温度的实时精确监测需求，我们设计了“Sub-GHz十GPRS/4G”无线传输技术温度监测节点，通过云平台实现对实时数据的存储，检测数据异常警报和历史数据分析等功能。温度传感器使用负温度系数（negative temperature coefficient，NT C)热敏电阻，通过内嵌麻雀搜索算法-反向传播（sparrow search algorithm-back propagation,SSA-BP)神经网络进行非线性补偿，实现温度高精度测量。1电连接温度监测节点设计1.1系统总体架构无线传感网络是由多个监测节点通过无线信号互相通信联结而成，通常用以收集信息和环境监测15。根据高铁接触网对可靠性的要求，采用远距离、高绕射性能、穿透性强等特点的433MHz通信技术组合GPRS/4G，构建电连接温度监测系统，其总体架构如图1所示。电连接温度监测系统由监测节点、网间连接器（网关）、云平台监测中心组成。监测节点安置于电连接处，采用锂电池供电，以低功耗的先进的RISC处理器（advancedRISCmachine，A R M)处理NTC传感器采集的数据，通过433MHz通信与网关连接。网关起协调器的作用将接收到的数据通过GPRS/4G网络上传到云平台监测中心。云平432台监测中心汇聚网关数据进行数据的分析、存储、可视化处理，实现实时监测电连接温度信息。浙江科技学院学报第35卷基站网关云平台(9)()监测节点监测节点监测节点图1温度监测系统总体架构Fig.1 Overall architecture of temperature monitoring system1.2节点硬件设计监测节点用于实时监测电连接处的温度，判断电连接是否正常运行。监测节点硬件设计如图2 所示，节点硬件主要由ARM控制电路、433MHz通信模组和供电电源组成。由于电连接监测环境的复杂性，监测节点无法从接触网取电，需要独立电源供电。为了监测节点能尽可能长时间稳定地工作，供电电源采用容量12 0 0 mAh，电压3.6 V的锂亚电池供电。为了使主控芯片获得稳定的输人电压，电源电路接人了低压差线性稳压器，它具有低功耗、高精度和高纹波抑制等特点，能够减小噪音的干扰，确保输出稳定的电压给主控芯片。为了延长监测节点实际使用寿命，通过并联电压3.6 V，容量140mAh的超级电容，实现了高功率和高能量密度的结合，并减少了自放电率和电压滞后造成的影响。ARM控制电路由主控芯片和温度传感器组成。主控芯片采用32 位处理器，用以采集温度感应电路的输出电压；同时主控芯片将采集的数据进行滤波、解算，按规定的协议进行组包，并定时控制模组对外发送数据。温度传感器选用包封材料为玻壳，引线材质为杜梅丝线的NTC热敏电阻，经主控芯片16 位AD过采样能精准地检测温度，封装后具有体积小、耐高温耐高电压等优点，适合高铁接触网电连接这种狭小空间的温度检测和控制。温度传感器检测电路原理如图3所示。433MHz通信模组其内部集成了射频收发电路，通过4线串行外设接口（serialperipheral interface，SPI)与主控芯片相接，实现数据的传递。433 MHz通信技术，具有穿透性强、抗干扰能力强和功耗低的特点，并避免了2.4GHz拥挤的频段，在无线传感网络中具有显著的优势与前景16-17。O1.3节点软件设计ARM主控芯片内置控制程序，以控制监测节点正常运行，实现定时唤醒低功耗策略、非线性补偿温度测量、解包并执行云平台修改参数指令。ARM主控芯片控制程序流程如图4所示，首先监测节点对系统进行初始化，包括时钟、SPI接口、个人电脑移动端ARM控制电路调试接口ARM复位接口二嵌入式处理器传感器模块个供电电源图2 监测节点硬件设计Fig.2Hardware design of monitoring nodeNTR2101PT1GVDD91R1R2Temp1_Ctrl图3温度传感器检测电路Fig.3Temperature sensor detection circuit433 MHz通信模组无线射频增益电路V无线收发器低压差稳压器企电源模块（3.6 V锂电池）R3ADCO_CHOC112RTNTC第5期UART接口，并对433MHz通信模组进行初始化等。模式的切换影响着监测节点的寿命，长时间的处于工作状态会导致大量的能量损失，因此采用定时上电的方式，分别设置采样周期和发送周期使监测节点尽可能地减少不必要的浪费，从而延长监测节点的寿命。当初始化完毕开始主循环，若达到采样周期，NTC热敏电阻采集温度信息，主控芯片通过16 位AD过采样读取并存储数据。采用均值滤波判断电连接温度是否超过报警阈值，当电连接温度异常超过报警阈值时主控芯片立即发送数据及报警信息。若达到发射周期，主控芯片正常发送数据，数据经433MHz通信模组发送至网关。网关接收到信息后，返回确认数据包并上传平台。若监测节点发送失败，则指定次数重发。监测节点发送数据包完毕后，还会解析网关信息是否存在云平台下发的指令，若存在则查询指令表，进行对应的操作。NTC采集温度数据，并存储MCU系统初始化温度是否超过阈值？是是否达到采样周期？否是否达到发送周期？是谭平，等：基于SSA-BP补偿的电连接温度监测节点研究开始433是温度报警发送温度数据否是否有云平台指令？是处理云平台指令是否数据是否成功上传进入休眠模式结束图4ARM主控芯片控制程序流程Fig.4ARM main control chip control program flow2基本原理及算法模型2.1#热敏电阻非线性补偿原理NTC热敏电阻具有体积小、灵敏度高、标称电阻值大等优点，被广泛用于工业精密测控系统18 1。NTC热敏电阻特性图如图5所示，由图可知，NTC热敏电阻具有非线性特性，当热敏电阻被置于具有恒定电压的电路中时，将导致电路输出电压与温度呈非线性关系。为了获得测量温度的数字形式，必须提供与温度成比例的电压信号，因此需要进行非线性补偿，确保电连接温度监测节点的监测精度。随着人工智能技术的发展，神经网络算法已经广泛应用于非线性补偿，可以在动态环境中提供比经典电子和数值技术更好的结果。文献19 提出了一种基于人工神经网络的线性化器，用于连接逆变放大器电路中的热敏电阻。文献2 0 开发了353025201510500图5NTC热敏电阻特性图Fig.5 NTC thermistor characteristic diagram2040温度/6080100120434RBF网络模型，设计用于插值NTC热敏电阻的逆转换函数。热敏电阻非线性补偿原理如图6 所示，热敏电阻的静态输人一输出特性为V。=f(T)非线性关系。在主控芯片中嵌入SSA-BP神经网络，便可以得到热敏电阻的逆模型T=f-1（V。）。对于任意V,都有其对应的T;，从而实现线性化。2.2麻雀搜索算法麻雀搜索算法2 1将种群个体划分为发现者和跟随者，并按一定比例随机选取个体成为警戒者。其中发现者具有较优适应度值,按式(1)更新位置。(1)(Xi.;+Q L,R,Vsto式（1)中：t为已迭代的次数；X特 表示维度为i行i列的位置，j=1,2，d;Q 为随机数并服从于正态分布;L为元素全为1的1Xd矩阵；从（0,1中随机取值；tmax为迭代的最大次数；RE0,1，为预警值；VstE0.5,1,为安全值。跟随者适应度值较低，通过跟随发现者提升适应度值，按式(2)更新位置。式（2)中：X+1是选代达到t十1次时发现者最优位置；Xworst是选代达到t十1次时发现者最差位置；A为随机赋值为1或一1的1Xd的矩阵，且A+=A(AA）-1。在麻雀搜索算法中并按一定比例随机选取个体成为警戒者，负责预警且进行反捕食行为，其位置更新公式如下：(3)式（3)中：Xbest是t次迭代下最优位置；K是一1,1中的随机数值，e为非零极小值;是系统步长；f为位置i的适应度，f，和fw分别为最优、最差适应度值。SSA-BP实现步骤如图7 所示：1）首先输人原始数据，为减小误差对其归一化处理，确定参考指标。2）构造BP神经网络模型，分析并确认输人神经元个数及层数等基本参数，其中BP神经网络的权、阅值待优化。3）初始化麻雀搜索算法中的参数，包括最大迭代次数tmax、种群大小n、安全值Vst、预警值R2。4）计算最优位置和最佳适应度值。5）根据式(1)一（3)更新发现者、追随者和警戒者的位置。6）再次计算更新历史最优适应度值和位置。7）送代执行步骤5至步骤6，若送代至最大次数或适应度值小于误差要求时则结束循环，获取全局最优位置作为BP神经网络的权、阈值进行优化。利用训练好的模型对监测节点温度进行补偿。3非线性补偿模型建立与分析3.1数据来源为了使SSA-BP神经网络对热敏电阻进行非线性补偿，需要足够的被测温度与输入电压数据对网络浙江科技学院学报被测对象Fig.6Thermistor nonlinear compensationXi;exp,R2n2;X.=Xi.,+IXi.j-X+11 A+.L,iXbest+lXi.j-Xbest l,fifg;X51=第35卷SSA-BP神经网络NTC热敏ARM嵌入式电阻处理器图6 热敏电阻非线性补偿补偿后的温度(2）第5期谭平，等：基于SSA-BP补偿的电连接温度监测节点研究输入数据并归一化始化SSA主要参数435开始构造并初始化BP神经网络模型获得BP最优输出权值和阅值计算麻雀最优位置及最佳适应度值进行选代训练通过公式(1)一(3)更新麻雀位置权值与阅值更新更新历史最优适应度值和最优位置否是是否满足精度条件？是否满足精度条件？是SSA-BP非线性补偿结束图7 SSA-BP算法流程图Fig.7SSA-BP algorithm flow chart进行训练。利用恒温槽将介质温度保持在恒定温度作为被测对象，根据测量温度不同，采用不同的介质，如水、油、酒精，其工作区域温差不大于0.1。采用DMM6500数字万用表作为测量仪器，连接标准铂电阻测量温度，所测温度作为标准被测温度，标准铂电阻精度在土0.0 0 1。网络的输人值是热敏电阻采集的电压值。采集过程，将热敏电阻与标准铂电阻插人同一恒温槽，使标准铂电阻插人的深度与热敏电阻的深度相同，以免外部温度干扰。当恒温槽温度稳定后，通过上位机读取热敏电阻的电压值，并记录铂电阻所测温度。为了减小误差，在设定的温度点连续采样30 次数据，利用均值的方法计算结果。部分样本数据见表1。3.2结果与分析由试验平台总采集到的数据集10 0 组，随机以7：3形式选取训练集及测试集。采用单隐含层神经网络模型，其各层个数分别为1、5、1。隐含层函数采用 tansig(a)=11+-1.最大90训练次数50 0 次，学习速率0.1，训练最小误差10-5。麻雀种群100数2 0，最大迭代次数50 次，发现者占比0.2,预警值0.6。为了验证SSA-BP的可靠性及可行性，通过利用遗传算法优化BP神经网络（geneticalgorithm-bp，G A-BP）模型和BP神经网络模型非线性补偿数据进行对比分析。测试仿真对比与误差对比如图8 图9 所示。图8 显示了SSA-BP、G A-BP、BP神经网络模型的非线性补偿值的变化，各模型补偿值结果趋势与真实值方向几乎一致，均能对热敏电阻进行有效的非线性补偿。由图9 可知，SSA-BP神经网络在相同条件下，相比其他两种模型，其相对误差更小，更贴近实际值。表1部分样本数据Table 1 Partial sample data温度/电阻值/k2031.7701019.6812012.465308.064405.327503.592602.471701.735280输出电压/V2.80572.69832.54992.35702.12311.86041.58721.32281.2421.08270.9080.87660.6740.703843612011010090807060504030201000Fig.8Test simulation comparison为进一步证明SSA-BP在热敏电阻非线性补偿的优势，采用平均绝对误差（mean absolute error，MAE)yMAE、平均绝对百分比误差（mean absolute percentage error，M A PE）y M A Pe 和均方根误差（rootmean square error,RMSE)yRMse作为评价指标2 2,指标公式分别如下：I yactual(t)-Yforecast(t)|;nt-1浙江科技学院学报0.3一标准值SSA-BPBP-GA-BP510测试样本图8 测试仿真对比yMAR第35卷BP+SSA-BP0.2*-GA-BP0.10-0.1-0.2-0.31520251113005图9测试误差对比Fig.9Test error comparison10测试样本15202530(4)YMAPEJRMSE式（4)（6)中：Yactual（t)和yYrorcas（t)（t=1,2,3，n)分别为t时测试的真实值和补偿值；n为总样本数。不同补偿模型评价指标对比见表2，由表可知，SSA-BP神经网络性能最优，yMAE为0.0 19 5，yMAPE为0.0 48 7，RMse为0.023。SSA-BP相比 GA-BP,yMAE下降了12.6%,yMAPE下降了53%,YRMSE下降了16.4%。SSA-BP相比BP,yMAE下降了78.9%,yMAPE 下降了 8 9%,yRMsE 下降了 8 0.8%。训练所得的SSA-BP模型参数见表3，另测量4组数据验证其通用性。不同数据组结果对比见表4，yMAE，YM A PE和yRMSE各组结果之间相差较小，且稳定在一定的范围内,因此可看出 SSA-BP非线性补偿对于数据的选取并不具有挑剔性。整体看来,基于 SSA-BP神经网络的非线性补偿具有较高的精度，在0 10 0 内最大误差不大于0.0 5，弥补了NTC热敏电阻的非线性问题。表3SSA-BP模型参数Table 3SSA-BP model parameters参数值Wl0.472.7W12-3.904.5W13-1.184 0W140.731 6W151.545 0W211.1036W222.574 2W230.8597W242.3777W250.24161nt1nI acta(t)-yforeas(t)2t-1模型yMAE/yMAPE/%yRMSE/BP0.0926SSA-BP0.0195GA-BP0.0223参数值bll0.839 16125.6545b131.451 7b141.3691b151.236 2b2-0.6255Yactua(t)-yforecast(t)yactual(t)nTable 4Comparison of results of different data groups分组YMAE/第一组0.0167第二组0.017 1第三组0.0198第四组0.0184X100%;表2 不同补偿模型评价指标对比Table 2Comparison of evaluation indicators ofdifferent compensation models表4不同数据组结果对比yMAPE/%0.05660.03400.04860.0430(5)(6)0.441 30.119 60.04870.02300.10360.0275YRMSE/0.021 60.02050.02410.0229第5期谭平，等：基于SSA-BP补偿的电连接温度监测节点研究4374电连接温度监测节点测试4.1功耗测试为了验证监测节点功耗，对监测节点进行了测试。采用电池容量为12 0 0 mAh的锂电池，测试时间为1h，期间监测节点每5min进行一次数据传输，并且每2 0 s进行一次数据采集，当采集与传输数据完毕时切换状态至休眠。监测节点功耗测试结果如图10 所示，从图中可以看出，平均电流约为55.6 A，电池使用效率为9 5%，预计监测节点工作时长1 200X0.95T二0.055 6X365X24计算得到监测节点工作时长约为2.34年。监测节点能耗最大的环节是无线传输，若将上传时间延迟，则可大幅降低功耗，可满足5年以上的低功耗要求，从而避免频繁更换电池的操作。4.2温度采集测试对监测节点进行温度采集测试，测试环境如图11所示。监测节点固定于电连接线表面，使其温度传感器与线夹紧贴以保证测试效果。监测节点每5min向网关发送一次数据，网关随即转发数据至云平台。系统2 0 2 2 年3月13日至3月14日部分云平台数据如图12 所示。云平台数据表明监测节点功能正常运行，对电连接温度实时监测稳定可靠。超势数据南昌局2022-03-1300:00:292022-03-1400:00:31查询27.525.022.520.017.515.012.55结语针对电连接温度的实时精确监测需求，本研究设计了“Sub-GHz十GPRS/4G”无线传输技术温度监测节点，该节点能准确地实时监测电连接温度，运行稳定可靠。通过实际测试表明：合理的硬件选型、供电电路设计及低功耗休眠的策略,降低了监测节点的功耗，确保了监测节点生命周期；通过内嵌SSA-BP神经网络进行非线性补偿，提高了温度测量精度；采用“Sub-GHz十GPRS/4G”无线传输技术，有效避免LocalDCCURRENT:Front000.0020 mARange100mASTATISTICSPeaktoPeak:+73.36854mAAverage:+55.59931AStandardDev:1.015128mAMaximum:+073.3698mAMinimum:+000.0013mA2.34(年）。(7)福州段福州工区12022-03-13.02:002022-03-13 04:00defbuffer1a图10 监测节点功耗测试结果Fig.10Power consumption test results ofmonitoring node图11上监测节点测试环境Fig.11Test environment of monitoring node1003温度2022-03-13.06:002022-03-1308:00图12 云平台数据Fig.12Cloud platform dataNoScriptSpan;146785 rdgsClearActive Buffer110411003T01*通道CH-2数值：2 4.17 3.52022-03-13 10:002022-03-13 12:00CONTAAZERO2022-03-1314:002022-03-13 16:00438了通信短、穿透性弱、频段拥挤等问题，结合云平台实现了数据可视化。本研究结果对接触网中电连接温度监测工程具有一定的参考价值。结果表明SSA-BP神经网络非线性补偿NTC热敏电阻测量温度在010 0 内最大误差不大于0.0 5，具有较高的精度；监测节点实现了低功耗性能，在实际场景下能实时稳定监测电连接温度。浙江科技学院学报第35卷参考文献：1王大洋.高速铁路接触网横向电连接故障机理研究D.成都：西南交通大学，2 0 2 0.2CHEN Y,SONG B,ZENG Y,et al.Fault diagnosis based on deep learning for current-carrying ring of catenarysystem in sustainable railway transportationJJ.Applied Soft Computing,2021,100:106907.3ALKAM F,LAHMER T.A robust method of the status monitoring of catenary poles installed along high-speedelectrified train tracksJJ.Results in Engineering,2021,12:100289.4李武云.接触网线夹温度的远程监测设计与实现D.绵阳：西南科技大学，2 0 19.5CHEN K,YUE Y,TANG Y.Research on temperature monitoring method of cable on 1o kV railway powertransmission lines based on distributed temperature sensorJ.Energies,2021,14(12):3705.6CHEN Y,WANG S,HAO Y,et al.The 5oo kV oil-filled submarine cable temperature monitoring system based onBOTDA distributed optical fiber sensing technologyLCJ/2020 International Conference on Sensing,Measurement&.Data Analytics in the era of Artificial Intelligence(ICSMD).Xian:IEEE,2020:180.7DU C,DUTTA S,KURUP P,et al.A review of railway infrastructure monitoring using fiber optic sensorsJJ.Sensors and Actuators A:Physical,2020,303:111728.8涂冬明，谭平，李旭峰，等.红外热成像在电连接温度监测中的应用J.浙江科技学院学报，2 0 18，30（6）：47 4.9刘云鹏，董王英，许自强，等.基于卷积神经网络的变压器套管故障红外图像识别方法J.高压电器，2 0 2 1，57(10）：134.10LIU T,LI G,GAO Y.Fault diagnosis method of substation equipment based on You Only Look Once algorithmand infrared imagingJJ.Energy Reports,2022,8(supplement I):171.11张友鹏，赵少翔，赵珊鹏，等.兰新高铁大风区接触网正馈线舞动在线监测系统设计J.铁道学报，2 0 2 1，43（7)：57.12陈天宇，王思华，王宇，等.接触网感应式有电示警无线监测装置研究J.仪表技术与传感器，2 0 2 1（4）：34.13邓志飞，鲍光海.基于超高频RFID技术的电缆接头温度在线监测系统JJ.仪表技术与传感器，2 0 2 1（7)：7 1.14FEI X,TIAN G Z.Optimization of communication network fault identification based on NB-IoT JJ.Microprocessors and Microsystems,2021,80:103531.15ABDULKAREM M,SAMSUDIN K,ROKHANI F Z,et al.Wireless sensor network for structural healthmonitoring:a contemporary review of technologies,challenges,and future direction J.Structural HealthMonitoring,2020,19(3):693.16SUHERMAN S,FAHMI F,HERRY Z,et al.Sensor based versus server based image detection sensor using the433 MHz radio link CJ/2020 4rd International Conference on Electrical,Telecommunication and ComputerEngineering(ELTICOM).Medan:IEEE,2020:7.17ABDUL B,MUHAMMAD Z,HYOUNGSUK Y.Compact and flexible wideband antenna for intraoral tongue-drivesystem for people with disabilitiesJJ.IEEE Transactions on Antennas and Propagation,2020,68(3):2405.18SCHWEIGER H G,MULTERER M,GORES H J.Fast multichannel precision thermometer EJJ.IEEETransactions on Instrumentation and Measurement,2007,56(5):2002.19NAVEEN K V,LAKSHMI N K V.Development of thermistor signal conditioning circuit using artificial neuralnetworksJJ.IET Science,Measurement&.Technology,2015,9(8):955.20FEDIN S,ZUBRETSKA I,POLIKARPOV O.Accuracy assurence of calibrated characteristics definition for NTC-Thermistors based on neural networks with radial basis functionsJJ.Metrology and Instruments,2017(1):37.21XUE J,SHEN B.A novel swarm intelligence optimization approach:sparrow search algorithmJJ.Systems Science&Control Engineering,2020,8(1):22.2 2 刘栋，魏霞，王维庆，等.基于SSA-ELM的短期风电功率预测LJ.智慧电力，2 0 2 1，49（6）：53.