DAWN：一种基于维度感知的图对比学习方法，用于少样本溶解气体分析

《Expert Systems with Applications》：DAWN: Dimension-Aware Graph Contrastive Learning for Few-Shot Dissolved Gas Analysis

针对溶解气分析（DGA）中少数样本学习挑战，本文提出DAWN框架，集成对比学习模块和知识增强的维度图模型，有效提升稀有故障检测精度，优于传统方法15%以上。

　　

Jiyuan Sun|Huifang Ma|Shuai Yang|Rui Bing|Zhixin Li

中国甘肃省兰州市西北师范大学计算机科学与工程学院，730070

摘要

溶解气体分析（DGA）是一种广泛用于识别表明变压器故障的特征气体信号的技术。然而，传统的DGA方法难以捕捉气体之间的复杂相互依赖关系。尽管深度学习在这一领域显示出潜力，但现有方法在少样本学习场景下面临重大限制，主要是由于严重的类别不平衡和高类别相似性，这导致诊断结果的模糊性。此外，这些方法常常忽略了理解潜在故障机制所必需的关键气体间关系。为了解决这些问题，我们提出了DAWN（维度-对抗图对比学习），这是一个新颖的框架，它整合了两个关键组成部分：（1）一个具有聚类一致性损失的对比式少样本学习模块，通过轻量级微调来增强相似故障类别的区分能力；（2）一个知识增强的维度图，通过结合统计相关性和专家领域知识来明确建模气体特征之间的结构依赖关系。在DGA数据集上的广泛评估表明，DAWN取得了最先进的性能，与传统方法相比，其罕见故障检测准确性提高了15%以上。据我们所知，这项工作是第一个为基于DGA的故障诊断量身定制的对比式少样本学习框架。

引言

电力变压器在当代电力系统中发挥着关键作用，作为连接发电、输电和配电网络的重要纽带。它们的运行稳定性是电网安全、可靠性和效率的基石（Balanta, Rivera, Romero, & Coria, 2023）。然而，长时间暴露在高负荷、电压应力和不利的环境条件下，变压器容易发生一系列故障，包括绕组短路、局部核心过热、绝缘材料退化以及绝缘油中的异常气体生成。这些故障不仅会加速设备老化，还可能引发严重的后果，如电网停电、大规模停电甚至灾难性故障，因此智能故障诊断至关重要。

溶解气体分析（DGA）已成为早期变压器故障检测的主要诊断技术。当内部故障发生时，绝缘材料会分解，产生特征气体（H₂、CH₄、C₂H₆、C₂H₄、C₂H₂）。这些气体的浓度和比例是特定故障类型的指示器。虽然传统的DGA方法（Ali, Abu Bakar, Omar, Abdul Jaafar, Mohamed, 2023, Li）通常依赖于经验阈值和既定的比例规则（例如，IEC 60599），但它们往往无法有效捕捉复杂的气体间关系，从而限制了它们对新故障或复合故障场景的适应性。深度学习方法（Cao, Zhou, Meng, Shen, Xie, 2024, Zemouri, 2025）通过直接从气体浓度数据中提取隐藏模式来解决这些限制（Fanchiang, Huang, & Kuo, 2021）。然而，许多现有方法主要关注单个样本特征，忽略了样本之间的内在结构关系。最近基于图的方法（Shu, Ma, Yang, Zhang, 2024, Zhang, Ma, Zhang, Shu, Li, 2025）通过构建样本图来解决这个问题，其中节点代表油样，边表示特征相似性，并利用图神经网络（GNNs）（Kipf & Welling, 2017），这些方法显示出改进的诊断性能。

尽管这些方法有效，但该领域仍存在两个关键挑战。首先，少样本学习中的类别混淆问题。在极端数据稀缺的情况下，GNNs难以弥合训练阶段类别（常见故障）和测试阶段类别（罕见故障）之间的分布差距。如图1a所示，虽然常见故障（例如，正常、高温）有大量样本，但罕见故障（例如，低温/中温）严重不足。同时，某些故障类别之间存在大量语义重叠（例如，中温/高温；部分/高能量放电），由于气体成分相似，导致类别边界模糊。数据稀缺和类别相似性阻碍了区分性表示学习，影响了模型的泛化能力和少样本诊断准确性，使得预训练-微调策略（Tan, Wang, Ding, Li, & Liu, 2022）和区分性损失函数对于有效的故障检测至关重要。其次，忽视了气体间的关系。现有方法经常忽略气体维度之间的相关性和协同效应（例如，C₂H₂-C₂H₄相互作用），如图1b所示。实际上，不同气体维度之间存在复杂的关系（第3节提供了详细分析），但当前模型未能利用这些信息。明确建模气体维度之间的相互依赖关系可以捕捉潜在的协同效应，从而提高故障表示质量和诊断准确性。

为应对这些挑战，本文介绍了DAWN，一种专为少样本溶解气体分析量身定制的维度-对抗图对比学习方法。为了克服第一个限制，我们开发了一个对比式少样本学习框架。首先，我们利用相似性和差异性样本图来预训练图编码器。然后，我们引入了一种新颖的聚类一致性对比损失，旨在提高区分能力，特别是区分高相似性故障类别。这使得即使在只有少量支持样本的情况下也能进行有效且轻量级的微调。为了解决第二个限制，我们提出了一个知识增强的维度图，从两个方面明确建模气体间关系。一方面，边是基于气体维度之间的统计相关性构建的；另一方面，通过整合领域知识来细化图拓扑，例如通过气体比例来体现。衍生的维度图嵌入通过编码诊断上关键的气体协同效应来增强样本表示。

总结来说，我们工作的主要贡献如下：

•

创新的对比式少样本诊断方法。

我们介绍了一种专为DGA量身定制的对比式少样本诊断方法。该方法结合了聚类一致性对比损失，以提高特别是高相似性故障类别的区分能力。即使支持样本有限，也能实现高效且轻量级的微调。

•

具有数据和领域知识整合的开创性维度图框架。

我们提出了第一个用于故障诊断的维度图框架，无缝地将气体维度之间的数据驱动统计相关性与领域特定物理知识结合起来。这种整合通过两个阶段细化了图拓扑，从而产生了更具信息量的维度图嵌入。

•

在真实世界数据上的竞争性能。

通过在实际的DGA数据集上进行的大量实验，我们验证了我们提出方法的有效性和韧性。我们的结果显示出显著的准确性提升，与传统方法相比，罕见故障检测的准确性提高了15%以上。

本文的结构如下：第2节回顾相关工作；第3节正式定义了这一背景下的少样本学习问题；第4节详细介绍了我们提出的方法；第5节展示了实验设置、结果和分析；最后，第6节总结了本文并概述了潜在的未来研究方向。

章节片段

变压器故障诊断

变压器在现代电力系统中发挥着重要作用，DGA已成为一种广泛使用且有效的故障诊断技术。传统的DGA方法，如Duval三角形、关键气体方法和IEC 60599比例方法（Abbasi, 2022），应用简单，但严重依赖经验规则。这使得它们对复杂或不断变化的故障模式的适应性较差，通常导致在非标准运行条件下的泛化能力差和诊断准确性有限。

为了解决这些问题

初步介绍

在本节中，我们首先介绍相关符号，并在DGA的背景下正式定义了少样本节点分类问题。然后，我们分析了两个公开可用的DGA基准数据集——DGA-2000¹和DGA-200²（详细统计信息总结在第5节）

方法论

本节介绍了DAWN，这是一个从有限标记数据中学习区分性节点表示的框架，以增强DGA的新故障类型识别能力。与单视图方法不同，DAWN同时建模了结构样本关系和气体特征维度之间的潜在依赖关系，形成了一个全面的多视图图表示，结合了预训练和微调以实现泛化。该框架（图4）包括四个模块。首先，（a）图构建

实验

为了全面评估所提出方法在DGA中的有效性，我们围绕以下三个研究问题进行了一系列实验：

RQ1：与现有少样本学习方法相比，所提出方法在数据条件有限的情况下在准确性和稳定性方面的表现如何？

RQ2：模型的关键组成部分——如维度图增强和聚类一致性损失——如何贡献于整体性能？

RQ3：如何

结论

本文通过提出DAWN框架，解决了使用DGA进行变压器故障诊断时少样本学习的挑战。DAWN结合了对比式少样本学习模块和聚类一致性损失，通过轻量级微调提高了高度相似故障类别的区分能力。此外，它还结合了知识增强的维度图，通过结合统计信息明确建模了气体特征之间的复杂结构依赖关系

CRediT作者贡献声明

Jiyuan Sun：概念化、方法论、软件、形式分析、调查、数据管理、撰写——原始草稿、撰写——审阅与编辑、可视化、项目管理。Huifang Ma：概念化、方法论、软件、调查、资源管理、数据管理、撰写——原始草稿、撰写——审阅与编辑、可视化、监督、项目管理、资金获取。Shuai Yang：概念化、软件、调查、监督、撰写——

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。