基于精确分组SHAP归因的一维CNN变压器励磁涌流识别方法

《Energies》：A 1D CNN with Exact Grouped SHAP Attribution for Transformer Magnetizing Inrush Identification

　　

可靠的变压器差动保护要求在存在剩磁、谐波电压、直流偏置（DC bias）、测量噪声和电流互感器（CT）饱和的情况下，快速区分励磁涌流与内部故障。本研究开发了一种紧凑型一维卷积神经网络（1D CNN），该网络直接作用于三相差动电流窗口，并通过精确分组SHAP（Exact Grouped SHAP）对其决策进行解释。研究人员在MATLAB R2023b中实现了一个经过校准的50 kVA、10 kV/400 V、50 Hz三柱变压器模型；为了消除对齐捷径，两类事件的发生时刻在窗口内被随机化处理，数据集采用平衡且独立的分割方式。在默认决策阈值下，该CNN在独立测试集上达到了91.11%的准确率，其中励磁涌流召回率为99.26%，特异性为82.96%（AUC为0.9833）。通过在验证集上选择阈值，准确率提升至94.81%，特异性提升至91.11%，而励磁涌流召回率基本保持不变。该紧凑的直接序列模型与循环LSTM性能相当，而图像CNN则以较低的励磁涌流召回率换取了更高的特异性；两种学习模型均远优于固定的二次谐波和死区角判据，并且该CNN在短至10-20毫秒的窗口上仍保持了有竞争力的性能。基于多记录背景和按起始时间分箱对照，对所有正确分类的记录重新计算的精确分组SHAP，提供了一种审慎的相-时间解释，而非声称具有普适的现场性能。

基于精确分组SHAP归因的一维CNN变压器励磁涌流识别方法解读

研究背景与问题

变压器励磁涌流是电力系统保护中的一个经典难题。当变压器空载合闸时，铁芯中的磁通可能进入饱和区，产生幅值很大且含有丰富谐波的励磁涌流。这股电流会流入差动保护回路，其波形特征在某些情况下与内部故障电流极为相似，容易导致保护装置误判——要么将涌流误认为故障而误跳闸，要么将真正的故障误判为涌流而拒动，威胁电网安全稳定运行。传统的鉴别方法，如利用二次谐波制动比、波形死区角、对称度或磁通约束等，虽然物理意义明确，但在现代低损耗硅钢片材料使二次谐波含量降低、电流互感器（CT）饱和、或者剩磁与畸变电压共同作用重塑首个周波波形时，固定阈值的判据变得非常脆弱。因此，亟需一种能够自动从原始波形中学习判别特征、且具备可解释性的智能识别方法。

研究目的与贡献

为解决上述问题，研究人员开展了一项系统的仿真研究，旨在开发并评估一种直接作用于三相电流波形的紧凑型一维卷积神经网络（1D CNN），并结合精确分组SHAP（Exact Grouped SHAP）方法对模型的决策进行物理层面（相位和时间区间）的解释。研究的核心贡献包括：建立了一个可复现的MATLAB R2023b仿真流程，耦合了经过校准的非线性三柱变压器涌流模型与内部故障及测量通道模型；设计了一个紧凑的1D CNN，并与循环LSTM、格拉姆角求和场（GASF）图像CNN以及固定的二次谐波和死区角规则进行了对比控制实验；通过显式的随机事件起始设计和前缀遮挡控制来暴露并消除对齐数据泄露；提供了与径向基函数支持向量机（RBF SVM）、装袋树（Bagged Tree）和K近邻（KNN）基线的匹配比较，以及分布外压力测试和验证集决策阈值选择；最后，对所有正确分类的记录进行了精确分组Shapley归因分析。

关键技术方法

研究人员采用的主要关键技术方法包括：① 在MATLAB R2023b中构建了一个50 kVA、10 kV/400 V、50 Hz三柱变压器非线性数学模型，用于生成励磁涌流和内部故障（单相接地、相间、两相接地和三相故障）的三相电流波形，并引入了谐波电压、直流偏置（DC bias）、测量噪声和CT饱和等复杂扰动条件；② 设计了一个包含三个卷积块（16/32/64个滤波器，核大小为9/5/3）、批归一化、ReLU激活、全局平均池化和Softmax分类头的紧凑型1D CNN，直接处理8 kHz采样率下的三相320点电流窗口；③ 采用精确分组SHAP（Exact Grouped SHAP）方法，将40毫秒窗口划分为每相4个10毫秒区间（共12组），计算所有212种组合的Shapley值，从而将模型决策归因到具体的相位和时间区间；④ 通过独立的随机种子（20260920-20260924）重复完整实验协议，以量化数据生成、划分和模型初始化带来的随机变异。

研究结果

4.1 CNN性能与比较评估

在独立测试集上，默认阈值下1D CNN达到91.11%准确率、99.26%涌流召回率和82.96%特异性（AUC 0.9833）。前缀遮挡控制验证了模型并非依赖窗口边界对齐信号。与基于人工特征的传统机器学习基线相比，装袋树在名义准确率上更高（95.56%），但CNN保持了最高的涌流召回率。与LSTM和GASF图像CNN的比较表明，对于短三相窗口，图像变换或循环模块并非获得最佳涌流召回率的必要条件。固定二次谐波和死区角判据在该压力测试基准上表现脆弱。

4.2 阈值选择与鲁棒性分析

在验证集上选择决策阈值（0.655）后，测试集准确率提升至94.81%，特异性提升至91.11%，涌流召回率略有下降（98.52%）。在五种独立种子重复实验中，CNN的平均准确率为91.33%±0.97%。在分布外压力测试中，低信噪比（SNR）条件最具挑战性（准确率80.8%，涌流召回率74.2%）。在10-20毫秒的短窗口上，CNN仍保持有竞争力性能。

4.3 架构选择与SHAP解释

架构消融实验表明，移除第三个卷积块或缩小通道数会显著降低准确率，最终设计的准确率-规模权衡最佳。精确分组SHAP分析显示，涌流类别的平均归因为正，集中在较晚的时间组（20-40毫秒）；故障类别的平均归因为负，幅度更大且同样集中于后期。按起始时间分箱分析控制了未配对的起始效应，证实故障信号并非单一边界伪影。

讨论与结论

讨论

本研究是一项基于仿真的方法论论文，存在若干局限性。涌流发生器使用了简化的单值磁化骨干模型，缺乏磁滞、涡流损耗和频率依赖性。故障和CT通道是参数化信号模型而非完整的电磁暂态模型。所有记录来自同一模型族，未涉及不同物理变压器单元间的泛化验证。研究也未实现流式缓冲、现场校准的保护阈值或硬件在环测试。因此，91%的准确率不能直接转化为继电器故障率，事件频率、类别成本和清除策略均不相同。

结论

研究人员开发了一套完整的MATLAB R2023b流程，用于变压器励磁涌流识别，结合了紧凑型1D CNN和精确分组SHAP分析。非线性三柱涌流模型在单次基准电流校准后，以低于0.14%的误差复现了四个参考峰值电流案例。在去除窗口对齐捷径后，CNN在独立测试集上达到91.11%准确率、99.26%涌流召回率和0.9833 AUC；五种子平均结果为91.33%±0.97%准确率和98.96%±0.66%涌流召回率。精确分组SHAP在所有正确分类的记录上提供了可复现、数值精确的相-时间归因。该方法应通过现场录波、跨变压器特征迁移、校准的继电器阈值和硬件在环测试进一步推进，才能支撑保护决策阈值。