一种改进的变压器早期故障识别方法，整合了CBAM-SV2和GAF 作者：余洋、刘立群、聂晓茵

《Applied Sciences》：An Improved Transformer Early Fault Identification Method Integrating CBAM-SV2 and GAF Yu Yang, Liqun Liu and Xiaoyin Nie

　　摘要 变压器是电力系统中的核心设备，其故障可能导致严重事故。溶解气体分析（DGA）是油浸式变压器故障诊断的主要技术之一。为了实现轻量化设计和高识别效率，本文提出了一种基于卷积块注意力模块增强版ShuffleNetV2（CBAM-SV2）模型和Gramian角场（GAF）融合的变压器早期故障识别方法。首先，使用混合过采样进行数据预处理。然后，将预处理后的一维气体数据通过GAF转换为双通道二维图像，作为分类网络的输入。最后，构建了一个结合深度卷积网络和注意力机制的CBAM-SV2模型，该模型结合了ShuffleNetV2的轻量级优势和卷积块注意力模块（CBAM）的强大特征表示能力。CBAM-SV2模型执行特征提取和分类，以输出识别结果。此外，使用t分布随机邻域嵌入（t-SNE）和混淆矩阵来可视化分类性能，以便直观评估网络的有效性。实验结果表明，与其他主流算法相比，该方法在不平衡数据条件下实现了更高的变压器早期故障识别准确性。

1. 引言
油浸式变压器是现代电力系统中能量转换和传输的核心设备，其运行稳定性直接决定了整个电网的安全性和可靠性。在长期运行过程中，变压器不可避免地会经历绝缘层老化、内部缺陷和机械退化。在电气放电或热过载的情况下，绝缘油会分解出多种特征性溶解气体，如氢气（H2）、一氧化碳（CO）等。因此，溶解气体分析（DGA）已成为评估油浸式变压器状况和进行故障诊断的最广泛使用和有效的技术之一，为基于状态的维护和运营决策提供了关键基础[1]。传统的基于DGA的故障诊断方法主要依赖于物理/化学解释标准，其中IEC三比值方法和Duval三角方法最具代表性[2,3,4,5]。这些方法在工程应用中简单实用，但存在固有的数学和实际限制，限制了其诊断的可靠性。具体来说，IEC三比值方法使用固定的经验阈值来计算三种气体比值（H2/CO/H2O、CH4/CO、CO/O2），并通过编码表将它们映射到故障类型。然而，这种方法有三个关键的数学限制：首先，它忽略了气体浓度的连续变化特性，并将比值视为离散的二进制变量，导致有价值的定量信息丢失；其次，固定阈值设置缺乏对不同变压器类型和运行环境的适应性，当气体比值接近阈值时容易误诊；第三，它没有考虑多种特征气体之间的相关性，因为三种比值是独立计算的，忽略了它们之间的相互影响。同样，Duval三角方法使用H2/CO/H2O、CH4/CO和CO/O2的相对比例来形成三角形坐标系统进行故障分类，也存在固有缺陷：它将多维DGA数据简化为二维三角形空间，导致其他关键气体（如H2O、CH4）的信息丢失；此外，三角形中的分类边界是人为定义的，缺乏严格的数学依据，导致重叠区域的分类结果不明确。这些限制使得传统方法过度依赖于经验阈值和手动判断，导致智能程度低、诊断效率有限，以及对复杂故障场景的适应性差。为了解决这些问题，近年来基于机器学习和深度学习的智能诊断方法越来越多地应用于DGA数据分析，为变压器故障诊断提供了更客观和自动化的解决方案[6]。
作为代表性的深度学习模型，卷积神经网络（CNN）在图像识别方面取得了显著成功。然而，CNN最初是为二维视觉数据设计的，不能直接有效地应用于一维DGA数据，这限制了特征提取并降低了诊断性能。此外，大多数现有的DGA深度学习模型过于简化，未能充分利用其特征表示潜力。在许多实际的DGA数据集中，浅层学习方法甚至优于深度学习模型[7]。为了提高诊断准确性，已经探索了各种先进的学习框架，包括进化聚类[8]、零样本学习[9]和图卷积网络[10]，但它们的准确性和泛化能力仍需进一步提高。
Gramian角场（GAF）提供了一种有效的方法，可以将一维时间序列映射到二维图像，同时保留时间相关性和全局数据特征。当与CNN结合使用时，基于GAF的图像变换可以显著提高工业应用中故障诊断的准确性[11,12,13,14]。然而，当前的GAF-CNN框架仍然面临几个挑战：模型体积大、推理速度慢、特征增强不足以及在不平衡数据上的性能不满意。基于GAF-CNN的现有DGA故障诊断研究要么使用复杂的深度学习主干网络（如残差网络（ResNet）、视觉几何组（VGG），导致计算成本高且难以在现场设备中部署，要么缺乏有效的特征增强机制，从而无法从GAF图像中完全提取关键气体特征信息。同时，将注意力机制与DGA故障诊断结合的研究大多采用单一注意力模块（如Squeeze-and-Excitation Network (SE-Net)），未能将其与轻量级主干网络结合，导致模型性能和计算效率之间的权衡。此外，很少有研究系统地解决了DGA数据集中的数据不平衡问题，同时优化了GAF-CNN框架，这进一步限制了这些方法的实际应用效果。为了解决这些限制，本文提出了一种基于合成少数采样技术编辑最近邻（SMOTEENN）、GAF和卷积块注意力模块增强版ShuffleNetV2（CBAM-SV2）模型融合的轻量化和高精度变压器故障识别方法。与之前的GAF-CNN或基于注意力机制的DGA故障诊断研究相比，本研究有三个核心创新：首先，它将SMOTEENN混合采样与GAF图像变换结合，解决了实际DGA数据集中的数据不平衡问题，同时保留了气体数据的时间和全局特征，弥补了现有GAF-CNN方法中数据不平衡的忽视；其次，它通过将轻量级ShuffleNetV2主干网络与CBAM注意力模块结合构建了CBAM-SV2模型，实现了轻量化设计和特征增强之间的平衡——与使用重型主干网络或单一注意力模块的现有方法不同，它增强了从GAF图像中提取关键气体特征的能力，同时保持了高计算效率，适合现场部署；第三，它采用了双通道GAF输入模式，充分利用了气体间的相关性，克服了传统GAF-CNN方法使用单通道图像和无法利用多气体特征信息的限制。
具体实现过程如下：首先，采用SMOTEENN混合采样策略来缓解数据不平衡。然后，使用GAF将预处理后的一维气体数据转换为双通道二维图像，作为分类网络的输入。最后，通过结合轻量级ShuffleNetV2主干网络和卷积块注意力模块（CBAM）构建CBAM-SV2模型，增强了特征表达能力，同时保持了高计算效率。在IEC技术委员会10（IEC TC 10）数据集和实际DGA数据上的实验结果表明，所提出的方法在识别准确性、宏观平均F1分数（Macro-F1）和几何平均值（G-mean）方面优于几种主流分类模型。这种方法为电力变压器的早期和智能故障诊断提供了一种有前途且实用的解决方案。

2. 提出的GAF-CBAM-SV2分类方法
2.1. 总体流程
所提出的变压器故障分类方法的总体框架如图1所示。首先，原始的油中溶解气体数据经过预处理，并使用GAF编码转换为224 × 224像素的双通道图像。然后，这些图像被输入到所提出的CBAM-SV2模型中，该模型包括一个主干块、三个集成CBAM的ShuffleUnit的下采样阶段和一个分类头。模型通过Softmax层输出六种变压器状态（N、PD、D1、D2、T1/2、T3）的概率。最后，使用混淆矩阵和t-SNE特征可视化在测试集上评估模型，确认其强大的分类能力和区分性特征学习能力。
除了选择油中的溶解气体（H2、CH4、H2O、CH4/O2、CO和CO2）含量作为故障识别的原始特征外，本文还考虑了几种气体比值作为特征。三种基本气体比值（H2/CO/H2O、CH4/CO/H2O、CO/O2）是IEC 599中用于识别特征性故障的核心标准。此外，IEC 60599[15]还引入了H2O/CO比值和H2O/CO比值，分别用于检测负荷分接开关室可能的污染和异常加热/氧化。H2O/CO比值低于某个阈值时表明纸类物质可能参与故障的界限已经更加精确。因此，通过特征工程，H2/O2/H2O、CH4/O2/CO2、CO/O2和CO比值被添加为故障特征向量，连同H2O、CH4、H2O、CO2、CO和CO2气体数据一起使用。
2.2. GAF
GAF是一种可以将时间序列转换为图像的表示方法[16,17]。然而，本文中的原始DGA数据每个样本只有12维特征向量（七个气体浓度和五个气体比值）。为了生成与ShuffleNetV2兼容的高分辨率图像（预期输入大小为512×512），我们提出了一种专门的GAF编码和放大程序。
2.2.1. 规范化和极坐标编码
设为包含七个气体浓度和五个气体比值的一维DGA特征向量。首先使用以下转换将元素规范化到区间[0,1]：
(1) 每个规范化值然后使用反正弦函数编码为极坐标：
(2) 其中r是半径坐标（仅用于保持顺序；具体值不影响Gramian矩阵）。
时间戳被索引i替换，常数因子N设置为1。
2.2.2. 构建Gramian矩阵
GAF有两种编码模式：Gramian角和场（GASF）和Gramian角差场（GADF）。它们的矩阵定义如下：
(3) (4)
这两个矩阵的大小都是256×256，每个元素都在[0,1]范围内。在本文中，我们同时使用GASF和GADF来捕捉DGA序列中的互补相关信息。
2.2.3. 通过双线性插值放大到512×512像素
ShuffleNetV2期望输入的空间分辨率为512像素。为了从原始的512×512 Gramian矩阵中获得这个大小，我们分别使用双线性插值放大和。对于目标整数坐标(x, y)，原始矩阵中对应的源坐标为(x, y)。
(5) 计算插值后的像素值z如下：
(6) 其中M表示(x, y)或(y, x)。
相同的操作会产生两个灰度图像。
2.2.4. 双通道堆叠和最终输出
两个放大的图像沿着通道维度堆叠形成双通道图像。然后每个通道从[0,1]线性映射到[0,1]，以匹配ShuffleNetV2的输入规范化：
(7) 图3展示了由GASF和GADF变换的不同变压器故障类别的最终二维图像示例。由Gramian角和场（GASF）和Gramian角差场（GADF）变换的不同变压器故障状态（D1：低能量放电，D2：高能量放电，N：正常状态，PD：局部放电）的二维图像。颜色尺度对应于Gramian矩阵值的大小，从低相关性（蓝色）到高相关性（黄色/红色），反映了原始DGA数据序列的相似性和时间相关性。
2.3. CBAM-SV2模型
为了平衡轻量级和效率，本文设计了CBAM-SV2模型方法，该方法结合了CBAM来改进ShuffleNet。CBAM-SV2的结构框架如表1所示。
2.3.1. ShuffleNet V2
ShuffleNet V2在[18]中被提出，改进了ShuffleNet V1[19]中的两个基本模块，以优化内存访问成本（MAC）和网络并行性，如图4所示。
(a) 基本的ShuffleNet V1单元；
(b) 用于空间下采样的ShuffleNet V1单元（2×）；
(c) 基本的ShuffleNet V2单元；
(d) 用于空间下采样的ShuffleNet V2单元（2×）。
DWConv：深度卷积。GConv：组卷积。在每个单元的开始，特征通道的输入被分成两个分支。其中一个分支保持不变。另一个分支由三个具有相同输入和输出通道的卷积层组成。与ShuffleNet V1不同，这两个1×卷积层不再是分组进行的。最后，左右两个分支被连接起来，然后使用与ShuffleNet V1中相同的“通道交错”操作来实现两个分支之间的信息交流。ShuffleNet V2更注重卷积层的乘法运算。ShuffleNet V2的结构实现了较高的模型容量和效率。2.3.2. 注意机制卷积神经网络（CNN）凭借其强大的表示能力极大地提高了视觉任务的性能。通过使用注意机制，我们可以增强表示能力：关注重要的特征并抑制不必要的特征。注意机制的含义在之前的文献中得到了广泛研究[20,21]。Hu等人[22]引入了挤压和激发（SE）模块，利用全局平均池化特征来计算通道级注意。在参考文献[23]中，研究人员提出了高效通道注意（ECA）模块，这也是一个通道注意机制。ECA可以被视为SE的改进版本。该模块避免了降维，并有效捕获了跨通道交互。SE和ECA作为通道注意模块，都忽略了空间注意。CBAM的整体流程图如图5[24]所示。CBAM是一个轻量级的卷积注意模块，可以顺序（串行）或同时（并行）生成通道注意权和空间注意权。此外，几种不同的排列方法都优于仅使用通道注意的方法，这表明同时利用这两种注意机制至关重要，而最佳的排列策略可以进一步提高性能。图5. CBAM的整体流程图。2.3.3. CBAM-SV2模型集成为了在轻量特性和高精度特征提取之间取得良好的平衡，通过将卷积块注意模块（CBAM）集成到ShuffleNetV2的骨干结构中构建了CBAM-SV2模型。具体来说，CBAM被嵌入到ShuffleNetV2的第二阶段和第三阶段的每个基本ShuffleUnit之后，这些阶段提取了与变压器故障特征相关的高层语义特征。这种安排确保了注意机制关注判别性更高的层次特征，而不是低层纹理，从而在不引入过多计算开销的情况下提高了表示能力。CBAM以串行方式工作：首先，通道注意模块（CAM）增强与特征气体比率和故障模式相关的重要特征通道；然后，空间注意模块（SAM）加强GAF图像中的代表性空间区域并抑制无关噪声。这种设计特别适合于GAF转换图像，因为它可以同时突出显示与故障特征相关的关键气体通道和空间结构。同时，集成完全保留了ShuffleNetV2的有效组件，包括通道分割、深度卷积和通道交错。通过在中间和高层阶段插入轻量级注意模块，模型保持了低复杂度和小的参数规模，使其适合在线状态监测和边缘部署。3. 测试与分析 3.1. DGA数据集介绍本研究使用的DGA数据集来自两个独立的来源，以确保标准化和实用性：公共的IEC TC 10标准数据集和中国山西省一个州级电网变电站的现场监测数据。具体来说，总有效样本量为546个，其中138个样本（25.3%）来自IEC TC 10数据库，而408个样本（74.7%）来自实际变电站。这种组合保证了模型在标准化故障定义上进行训练，同时针对实际运行条件进行验证。在模型训练之前，对两个数据集应用了统一的数据质量控制（QC）程序：(1) 直接移除缺少气体值或浓度为负的样本；(2) 使用3个标准检测并消除异常传感器读数造成的干扰；(3) 双重检查故障标签，以确保其与气体组成特征的一致性。对于实际变电站数据，进行了额外的校准，以使测量精度符合IEC TC 10标准，并使用现场维护记录进一步验证标签。这两个数据集在分布和复杂性上存在明显差异。IEC TC 10数据是在标准化实验室条件下生成的，具有稳定的故障严重程度、清晰的标签边界和极低的噪声。相比之下，实际变电站数据是在可变负载、温度波动和长期设备老化条件下收集的，包含更多早期故障、弱特征信号和轻微的环境噪声，这能更好地反映真实的工业场景。经过整理后，数据集涵盖了六种典型的变压器故障类型，包括PD（部分放电）、D1（低能量放电）、D2（高能量放电）、T1/T2（温度低于700°C的热故障）和T3（温度高于700°C的热故障）。各种故障类别的样本数量及其相应比例见表2。从表中可以看出，DGA数据集存在严重的类别不平衡：PD故障样本的比例大约是D2故障样本的1:7。这种不平衡对模型训练构成了重大挑战，因为它可能导致分类器偏向多数类别并降低对少数类别的泛化性能。表2. 故障数据及其比例。为了解决这个问题，引入了重采样技术来平衡类别分布，同时保持DGA数据的物理可解释性。一种广泛采用的重采样策略是合成少数类过采样技术（SMOTE）[25]，它根据少数类的k最近邻的局部信息在现有少数类样本之间插值构造合成样本。然而，SMOTE有一个已知的局限性：它生成的合成样本可能会与邻近的多数类样本重叠，导致难以分类的模糊实例。为了缓解这个问题，SMOTE与数据清洗技术结合使用，形成两阶段流程，首先是过采样，然后是样本清洗。具体而言，本工作采用了SMOTEENN [26,27]，它首先通过SMOTE生成合成少数类样本，然后使用编辑最近邻（ENN）算法清洗数据集。ENN移除了被其k最近邻中的大多数错误分类的样本，有效消除了重叠和噪声实例。值得注意的是，由于DGA数据集中的气体比例特征具有明确的物理意义，因此SMOTEENN直接应用于特征空间（而不是图像域），确保在平衡过程中保持了气体浓度之间的物理关系。为了全面评估不同重采样策略在解决数据集不平衡问题上的有效性，本文使用了几种常用的重采样方法，包括SMOTE、BorderlineSMOTE [28]、自适应合成采样（ADASYN）[29]和SMOTEENN，用于输入数据处理。为了避免数据泄露——这可能导致的模型性能高估问题——使用分层采样方法将数据集首先分为训练集（80%）和验证集（20%），以确保分割集的类别分布与原始数据集一致。重要的是，所有重采样策略仅应用于训练集，而验证集保持不变，以便客观评估训练模型的泛化能力。这些重采样方法的实验结果见表3，从中可以清楚地观察到SMOTEENN的表现优于其他方法，并在所有六种故障类别中实现了最高的分类准确率。表3. 几种采样方法的实验结果。3.2. 实验设置和评估指标 3.2.1. 实验设置图像数据被分为训练集和验证集，比例为8:2作为模型的输入，其他网络参数设置如表4所示。表4. 测试参数设置。3.2.2. 评估指标由于样本不平衡，仅通过总体准确率来衡量分类器的性能会忽略少数类别的分类性能。我们选择了Macro-F1和G-mean作为性能指标。Macro-F1定义为所有类别F1分数的算术平均值（或平均精度和平均召回率的平均值）。G-mean表示所有类别召回率的几何平均值（对于二元分类，是正面和负面类别的召回率）。这两个指标对每个类别赋予相同的权重，因此表现出良好的性能，并且不受数据不平衡的影响。计算公式如下：(8) (9) (10) (11) 其中表示正确识别的正面样本数量，表示错误地识别为正面的负面样本数量，表示未被检测到的正面样本数量。是类别i的召回率，是类别i的精度，n是总类别数量。3.3. 结果与分析 3.3.1. 输入2D图像的选择为了验证不同GAF编码方法对故障识别的效果，使用了由GADF、GASF和GADF-GASF双通道编码的二维图像作为模型的输入，并使用CBAM-SV2模型进行验证。选择了Adam优化器；初始学习率为1 × 10^-4，结合LearningRateScheduler回调函数；学习率在训练过程中动态调整；迭代次数为100次；验证了六种主要类型的平均正确率。结果显示在表5中。表5. 三种图像转换方法的实验结果。表5显示，GADF-GASF双通道的编码精度高于GADF和GASF单独使用的精度。基于三种图像编码模式的算法的混淆矩阵结果如图6所示。从混淆矩阵可以看出，使用GADF-GASF双通道图像作为输入可以实现更好的故障识别效果，每个类别的识别准确率达到了峰值。图6. 三种图像转换方法的混淆矩阵结果。3.3.2. 不同模型的比较分析为了验证本文提出的模型在变压器故障识别方面的优越性，将本文提出的改进模型与文献中研究的其他优秀分类算法的结果进行了比较，如Mobile Network Version 2（MobileNetV2）[30]、Inception Version 1（GoogLeNet, InceptionV1）[31]和Residual Network 18（ResNet18）[32]。为了减少随机因素对实验结果的影响，每个模型都使用了表4中的实验设置。由于(GASF+GADF)图像是2通道的，而标准预训练模型通常接受3通道输入，我们需要进行适应。对于ResNet18、MobileNetV2和InceptionV1（GoogleNet），我们进行了以下操作：a. 修改它们的第一个卷积层以接受2通道输入（通过设置‘input_shape’并调整第一个核）。b. 从头开始训练，不加载预训练权重（因为输入通道数量不同，且我们的数据与ImageNet有很大不同）。几种模型的实验结果如表6所示。从结果中可以看出，本文提出的CBAM-SV2模型在整体准确率、Macro-F1和G-mean评估指标方面优于其他三个模型。比较结果显示，CBAM-SV2的模型规模最小，这充分反映了ShuffleNetV2的轻量级优势。ResNet18也表现出了高性能，但其模型参数几乎是Improved-ShuffleNet的5倍，因此在这种应用场景中，Improved-ShuffleNet架构更有优势。此外，还使用了t-SNE技术来可视化故障分类，结果显示在图7中。从t-SNE可视化结果可以看出，本文使用的方法能够准确地提取不同类别的特征，并且与其他三种在分类实验中广泛验证和使用的模型相比，能够更准确地识别变压器故障。表6. 几种模型的实验结果。图7. t-SNE分类结果的可视化。（每种颜色代表不同的故障类别，相同颜色的点属于同一类别。颜色簇的清晰分离表明了良好的特征区分能力。）3.3.3. 先进方法的再现和比较除了与上述标准通用网络进行比较外，本文还结合了近期文献中的最先进方法，并对基于图卷积网络（GCN）[10]和改进的极端梯度提升（XGBoost）[33]的油色谱诊断方法进行了再现和比较实验，比较结果见表7。本文复现了参考文献[10]的内容，并成功实现了基于GCN的变压器故障诊断的核心流程。所取得的准确率为73.72%，比原始论文报道的79.3%低约5.6个百分点，而Macro-F1分数则相差约6.1个百分点。这些差异主要源于数据来源和样本量的不同、数据预处理细节的差异、邻接矩阵稀疏化策略的差异以及超参数优化范围的不同。实验结果验证了GCN在此故障诊断任务中的有效性。GCN将样本相似性融入图结构中，在样本量小和类别分布不平衡的情况下，实现了准确性、效率和可解释性之间的最佳平衡。同时，参考文献[33]明确指出仅使用了五种气体，没有使用CO和CO2。本文复现的数据集是7维的。虽然增加更多气体组分可能会引入额外的特征信息，但也可能带来噪声干扰。因此，本文的复现准确率（85.45%）与原始文献中的准确率（89.5%）较为接近，但仍存在差异，这部分可能归因于上述因素。

表7. 基于GCN和改进型XGBoost的方法复现与比较。根据对比分析，GCN和改进型XGBoost的诊断准确率均低于本文提出的方法，这证明了所提出方法在基于DGA的变压器故障诊断中的优越性和有效性。

3.3.4. 消融研究和鲁棒性分析
为了验证基于GAF的2D变换的有效性和所提方法的噪声鲁棒性，进行了消融研究和传感器噪声模拟测试，具体内容如本节所述。所提出的Improved-ShuffleNet（CBAM-SV2）模型与典型的单层卷积神经网络（1D-CNN）模型进行了比较，两者都在相同的SMOTEENN平衡数据集上进行了训练和测试。实验结果见表8。

表8. 所提方法与1D-CNN的消融和鲁棒性测试结果。在干净（无噪声）条件下，所提模型的测试准确率为0.973，损失为0.013。相比之下，直接处理原始1D DGA数据的1D-CNN模型的准确率为0.864，损失为0.371。这一显著的性能差距表明，基于GAF的2D编码能够有效增强特征表示，并通过捕捉隐藏的空间相关性来提高诊断性能。为了模拟实际传感器测量误差，在溶解气体浓度数据中注入了5%的高斯噪声。在这种噪声条件下，所提出的Improved-ShuffleNet的测试准确率仍保持在0.832，而1D-CNN的准确率降至0.706。结果证实，所提模型在测量噪声下具有更高的稳定性和更强的抗干扰能力，这对于实际在线监控至关重要。

4. 结论
本文提出了一种基于SMOTEENN、GAF和CBAM-SV2模型融合的变压器故障识别方法。主要结论如下：
(1) SMOTEENN混合重采样有效地缓解了数据不平衡问题，在实验数据集上实现了最高的分类准确率。
(2) 基于GAF的双通道（GADF-GASF）图像编码比单通道输入保留了更全面的故障相关特征，显著提升了分类性能。
(3) 所提出的CBAM-SV2结构结合了ShuffleNetV2和CBAM注意力模块，降低了模型复杂性，同时增强了特征提取和诊断准确性。
所提出的方法使用DGA数据实现了高精度的变压器故障识别。然而，未来研究仍需要通过更广泛的现场数据进行进一步验证。此外，还需解决一些限制。首先，该方法建立在完全监督的范式下，依赖于足够的高质量标记故障数据，而在实际工业场景中这类数据既稀缺又昂贵。自监督和半监督策略，如时间-上下文对比学习[34]、伪标记和FixMatch，提供了减少对标记依赖性和优化所提模型的可行方法。其次，数据集的规模和多样性仍然有限，对某些故障类型的表示仍不充分。第三，虽然类别不平衡问题得到了一定程度的缓解，但尚未完全解决，合成样本的质量也需要进一步提高。最后，模型是在干净稳定的数据上训练的，而实际现场环境存在传感器漂移、电磁干扰和负荷波动等问题。因此，为了在智能变电站中的实际部署，还需要增强模型的鲁棒性、环境适应性和在不同电压等级和工作条件下的泛化能力。