一种基于行波数据的、无需传感器且可解释的传输线路绝缘子闪络检测方法

《ADVANCED ENGINEERING INFORMATICS》：A Sensor-Free and Explainable Method for Insulator Flashover Detection in Transmission Lines Based on Traveling Wave Data

提出基于电流行波数据的可解释绝缘子闪络检测方法，融合CNN与自注意力机制识别四种典型闪络波形特征，通过SHAP分析可视化模型决策过程，无需现场传感器或无人机即可实现低成本、可扩展的故障诊断，支持差异化运维策略。

　　

刘浩明|舒洪春|唐宇涛|黄文琪|戴月|娜静|苏轩|赵宏芳|孙伟忠|王金龙|娄伟杰|韩一鸣

浙江大学电气工程学院，中国杭州310027

摘要

绝缘子闪络是高压输电线路故障的主要原因之一，尤其是在雷电、湿度和污染等复杂环境条件下。传统的检测策略依赖于无人机或昂贵的基于传感器的系统，这可能导致在低风险区域进行不必要的检查，并在高风险区域延迟干预。本文提出了一种基于变电站端收集的电流行波数据的可解释闪络检测方法。该方法通过使用结合卷积神经网络（CNN）和自注意力机制的混合深度学习模型来分析波形特征，识别四种代表性的绝缘子闪络类型。为了提高可解释性，采用了Shapley Additive exPlanations（SHAP）来可视化决策过程，结果表明与高频瞬态能量、上升沿陡度和早期振荡特性相关的波形特征对闪络识别贡献最大。这些见解提高了所提出模型的透明度和可信度，并提供了支持基于状态维护策略的物理可解释证据。所提出的系统消除了现场部署传感器或无人机的需求，提供了一种低成本且可扩展的解决方案。更重要的是，它通过实现对不同雷电风险区域的绝缘子进行准确的基于状态的评估，支持差异化的维护策略。基于中国云南省一条输电线路的实际数据进行的实验结果验证了该方法的准确性、透明度和在智能输电系统维护中的实际价值。

引言

在高压输电系统中，绝缘子具有双重作用：提供电气绝缘和机械支撑。然而，日益复杂的运行环境——包括雷击、高湿度和污染以及多变的气候条件——显著增加了绝缘子闪络事件的频率[1]和不可预测性[1]。尽管绝缘子在安装成本中所占比例很小，但它们却导致了近70%的输电线路故障和超过50%的维护费用[2]。传统的故障检测和诊断方法往往无法及时检测到闪络[3]，尤其是在雷击等瞬态条件下，闪络可能在几毫秒内演变为工频电弧，对电力系统的安全和连续性构成严重威胁[4]。

目前关于绝缘子监测的研究主要分为两类。第一类涉及泄漏电流测量，通过将测量电流与预定义的阈值进行比较来实现闪络检测。虽然已经开发了各种传感器，如铜环[5]、光电传感器[6]、基于PCB的传感器[7]和采样电阻传感器[8]，但这些系统对环境因素敏感[10]，并且需要独立电源和通信模块的分布式部署，从而增加了整个系统的复杂性和成本[9]。

第二类利用计算机视觉和深度学习的无人机视觉检测。最近的模型，包括对象检测框架[11]、轻量级网络[12]和级联检测器[13]，表现出良好的性能。例如，CSPD-YOLO的准确率达到98.18%[14]，同时也开发了其他轻量级和实时方法[15]-[16]。然而，基于无人机的方法仍然面临实际挑战，如塔架附近的电磁干扰[17]、单无人机检测的效率有限以及多无人机系统所需的复杂协调[18]、电池寿命有限[19]以及高昂的设备和技术成本[21]。

为了解决这些限制，本文提出了一种基于行波数据的可解释闪络检测方法。考虑到现实世界系统中闪络机制的多样性，我们重点关注四种具有不同行波特征的代表性闪络类型。通过分析在变电站端收集的电流行波信号，可以在不部署现场传感器的情况下识别闪络事件，从而显著降低部署成本。此外，所提出的方法有助于针对不同区域的绝缘子进行特定条件的评估，从而根据实际的闪络风险水平制定差异化的维护策略。这种方法使电力公司能够优先在易受雷击的区域进行检查，同时减少低风险区域的不必要维护工作，从而优化资源分配并提高运营效率。

此外，现有的基于AI的方法通常作为“黑箱”运行，限制了其在电力系统应用中的接受度[20]。为了提高模型的透明度和可信度，我们引入了一种结合卷积神经网络（CNN）和自注意力机制的混合架构，从行波数据中提取局部和全局特征。进一步采用Shapley Additive exPlanations（SHAP）框架来解释模型的决策并突出特征的重要性[22]。CNN在工业环境中的效率和鲁棒性得到了广泛认可[23]、[24]、[25]。它们特别适合在边缘设备上进行实时部署。此外，它们在捕获行波信号中的高频瞬态（如雷电峰值和波前特性）方面表现出色。自注意力机制增强了模型在复杂条件下的长距离依赖性捕获能力。借助SHAP，所提出的方法提供了关于行波不同部分如何贡献于最终分类的可解释可视化，使其非常适合在噪声大、高维和动态的电力系统环境中部署。

本文的主要贡献总结如下：

1) 提出了一种结合卷积神经网络（CNN）和自注意力机制的混合深度学习模型，用于从电流行波信号中检测与电弧相关的特征，以实现准确的绝缘子闪络识别。该模型使用来自中国云南省一条输电线路的实际数据进行了验证。

2) 引入了SHAP来提高模型的可解释性，提供了关于特征重要性的可视化见解，并增强了人们对基于AI的电力系统诊断决策的信任。

3) 该方法通过利用变电站端的测量数据消除了现场部署传感器或无人机的需求，提供了一种低成本且可扩展的解决方案。它还通过根据区域雷电风险水平进行基于状态的检测调度，支持差异化的维护策略。

本文的其余部分组织如下。第2节介绍了四种绝缘子闪络类型的闪络机制和行波特征。第3节介绍了数据采集系统和预处理程序。第4节描述了所提出的模型和可解释性分析。第5节讨论了使用中国云南省一条输电线路的实际数据的模型结果和案例研究。第6节总结了本文。

部分摘录

四种雷电情景下的闪络和电弧行为

本节介绍了在各种雷电情景下绝缘子闪络的基本机制和波形特征。考虑了四种代表性情况：

(1) 雷击没有导致绝缘子击穿，没有形成电弧；

(2) 雷击导致击穿并产生一个迅速熄灭的瞬态电弧；

(3) 击穿导致稳定的工频电弧；

(4) 在多次雷击下，电弧在不同区域的演变

初步介绍

本节介绍了本研究中使用的数据来源和预处理技术。首先，在现场部署了行波分析和定位设备以收集实际的闪络数据。然后，对收集到的信号进行了预处理，以消除通道级别的损坏和瞬态异常值，确保后续模型训练和评估的高质量输入。

提出的可解释绝缘子闪络监测方法

在本节中，我们提出了一个框架，旨在基于电流行波数据联合识别绝缘子电弧的存在和类型，并估计相应的闪络位置。整合了几个模块以更好地适应我们的工作要求，有效提高了模型的可解释性。

结果与讨论

在本节中，通过一系列实验评估了所提出方法的有效性。在本研究中，所提出的深度学习模型旨在基于行波数据识别和分类绝缘子闪络，而闪络定位则使用传统的基于行波的方法进行。这种面向任务的设计反映了实际的工程考虑，因为定位技术在电力系统中已经成熟且可靠

结论

在本文中，我们提出了一种无需传感器且可解释的方法，用于使用电流行波数据识别输电线路中的绝缘子闪络状态。通过关注与不同电弧行为相关的波形特征，开发了一种结合CNN和自注意力模块的混合深度学习模型，以高精度对闪络事件进行分类。可以总结如下：

1) 使用基于SHAP的分析明确识别关键的早期瞬态

CRediT作者贡献声明

刘浩明：撰写 – 审稿与编辑，撰写 – 原稿，可视化，形式分析，方法论，资源，软件，验证。舒洪春：监督，软件，资源，项目管理，方法论，调查，资金获取，形式分析，数据管理，概念化。唐宇涛：撰写 – 审稿与编辑，撰写 – 原稿。黄文琪：监督，资金获取。戴月：方法论。娜静：验证，监督。苏轩：

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。

致谢

本研究部分得到了中国国家自然科学基金重点项目的支持：高原山区输电线路多雷击识别与保护的基础理论和方法研究（项目编号：52337005），部分得到了中国国家自然科学基金青年科学基金（项目编号：52207109）的支持，部分得到了北京Nova计划（项目编号：20250484850）的支持，以及中国南方的技术项目的支持

刘浩明（1999-），男性，博士，2025年在昆明理工大学获得硕士学位，2025年在浙江大学攻读博士学位。他目前的研究兴趣包括人工智能在可再生能源电力系统中的应用。