《Processes》：Transmission Line Fault Diagnosis Based on Time–Frequency-Domain Recurrence Plots and CNN-BiGRU-Attention
编辑推荐：
快速、准确地识别输电线路发生的各类故障，对恢复线路正常运行至关重要。然而，现有输电线路故障诊断方法在抗噪性和诊断精度方面仍存在挑战。针对上述问题，研究人员提出了一种基于递归图(Recurrence Plot, RP)和卷积神经网络–双向门控循环单元–注意力机制
快速、准确地识别输电线路发生的各类故障，对恢复线路正常运行至关重要。然而，现有输电线路故障诊断方法在抗噪性和诊断精度方面仍存在挑战。针对上述问题，研究人员提出了一种基于递归图(Recurrence Plot, RP)和卷积神经网络–双向门控循环单元–注意力机制(Convolutional Neural Network–Bidirectional Gated Recurrent Unit–Attention, CNN–BiGRU–Attention)模型的深度学习方法。研究人员将输电线路电压与电流信号分别变换为时域和频域的递归图，采用并行卷积神经网络分别从两个域中提取局部特征，并利用双向门控循环单元(BiGRU)捕捉时序依赖关系。此外，引入多头自注意力(Multi-Head Self-Attention, MHSA)与跨注意力(Cross-Attention, CA)机制，以增强各域内关键特征并实现域间特征信息的自适应融合。研究人员在Simulink中建立输电线路模型，采集多种故障条件及影响因素下的数据以验证所提方法的有效性与适应性。实验结果表明，所提方法在NL1、NL2和NL3高斯噪声条件下分别达到99.63%、96.68%和75.38%的故障识别准确率，在混合噪声条件下分别保持99.02%、95.93%和72.43%的准确率。与其他深度学习模型相比，所提方法具有更高的诊断准确率和更强的鲁棒性。
论文解读：Transmission Line Fault Diagnosis Based on Time–Frequency-Domain Recurrence Plots and CNN-BiGRU-Attention
一、研究背景与意义
输电线路作为现代电网长距离输电的关键载体，长期暴露于复杂自然环境中，易发生单相接地(AG/BG/CG)、两相接地(ABG/ACG/BCG)、相间短路(AB/BC/AC)及三相接地(ABCG)等各类故障。快速准确识别故障类型对电力系统安全稳定运行意义重大。传统及现有深度学习方法多直接处理一维信号或整体生成单一大尺寸递归图(Recurrence Plot, RP)，存在难以充分捕获长时依赖、对强噪声敏感、大尺寸RP易掩盖故障初期局部暂态特征并引入冗余信息等不足。单纯卷积神经网络(Convolutional Neural Network, CNN)受限于感受野对时序依赖建模不足，循环神经网络(Recurrent Neural Network, RNN)及其变体存在梯度消失/爆炸问题，已有CNN–长短期记忆网络(Long Short-Term Memory, LSTM)–Attention方法多在单特征空间内施加注意力，对时域暂态演化特征与频域能量分布特征间的自适应交互考虑不充分。为此，研究人员开展本研究，提出基于时频域分段递归图表征与CNN–双向门控循环单元(Bidirectional Gated Recurrent Unit, BiGRU)–Attention(含多头自注意力Multi-Head Self-Attention, MHSA与跨注意力Cross-Attention, CA)的输电线路故障诊断方法，并在Simulink仿真数据集上验证其有效性与抗噪鲁棒性。该论文发表于《Processes》。
二、主要关键技术方法
研究人员在Simulink搭建750 kV、双回300 km输电线路模型，设置不同故障位置、过渡电阻及合闸角，采集三相电压与电流(共6通道)共15080组样本覆盖10类故障，取故障后一个工频周期(约333点)数据。对信号进行分段时域RP与FFT后分段频域RP构建(每段/子带归一化至20点，嵌入维度m=1、延迟τ=1，未二值化保留欧氏距离矩阵)，形成25×6×20×20的时域与频域RP张量。构建双分支网络：各分支以CNN提取每张6通道20×20 RP的空间纹理特征，BiGRU建模25个片段/子带间的双向时序依赖；两分支分别接入MHSA增强域内关键特征，再以时域特征作Query、频域特征作Key/Value通过CA实现跨域自适应交互融合，拼接后经全连接层与Softmax分类。采用Adam优化器(学习率0.0005，Batch Size 32，100 Epoch)，以Accuracy、Precision、Recall、F1-score评估，并通过加性高斯噪声(NL1/NL2/NL3：SNR 25/20/15 dB)及高斯+谐波混合噪声(ML1/ML2/ML3)测试抗噪性，开展消融与对照实验。
三、研究结果
4.1. Simulation of Noisy Environments
研究人员在测试集叠加不同信噪比(Signal-to-Noise Ratio, SNR)高斯噪声及高斯+谐波混合噪声模拟现场干扰，验证模型在复杂电磁环境下的适用性。
4.2. Results of Fault Diagnosis
所提模型在NL1、NL2、NL3下故障识别准确率分别为99.63%、96.68%、75.38%；总单样本诊断耗时约44.55 ms(数据采集16.65 ms＋时域RP构建3.33 ms＋FFT频域处理17.93 ms＋网络推理6.64 ms)，具备在线应用潜力。混淆矩阵显示对角元素占优，误分类主要发生在噪声最强时部分相似故障类型间。
4.3. Ablation Experiments
对比CNN-GRU、CNN-BiGRU、MHSA-CNN-BiGRU、CA-CNN-BiGRU及完整MHSA-CA-CNN-BiGRU模型。BiGRU较单向GRU在NL1/NL2/NL3分别提升1.46%/2.88%/5.74%；加入MHSA后NL2、NL3分别再提升5.13%、5.03%；单独加入CA亦有改善；完整集成MHSA与CA的模型取得最优结果(99.63%/96.68%/75.38%)，证明双向时序建模、域内注意力增强与跨域注意力融合具互补贡献。
4.4. Comparative Experiments
与LSTM、CNN、支持向量机(Support Vector Machine, SVM)、时序卷积网络(Temporal Convolutional Network, TCN)、CNN-LSTM-MHSA、CNN-LSTM-CA、CNN-Transformer及Vision Transformer(ViT)等基线对比，所提方法在高斯噪声(NL1–NL3：99.63%、96.68%、75.38%)与混合噪声(ML1–ML3：99.02%、95.93%、72.43%)下准确率均最高，Precision/Recall/F1-score亦优于对照模型，表明时频域RP表征结合CNN-BiGRU-Attention架构具更优诊断性能与抗噪鲁棒性。
四、讨论与结论翻译
讨论指出：所用数据为Simulink仿真生成，虽涵盖多样故障参数与噪声条件，仍需实测现场数据进一步验证泛化性与工程适用性；当前模型含双分支及注意力融合，虽具在线诊断时间潜力，后续可通过模型压缩、剪枝、知识蒸馏及高效注意力机制轻量化以适应资源受限保护装置。
结论如下：
(1) 所提方法在故障电阻、合闸角、故障位置变化及噪声环境下保持稳定的分类准确率，表现出良好性能。
(2) 时频域递归图数据集构建，结合CNN-BiGRU架构与注意力机制，使模型能从故障信号中学习具有判别性的故障相关表示；消融实验表明多头自注意力(MHSA)与跨注意力(CA)的引入提升了整体网络的分类准确率，证实注意力模块对该故障诊断框架具正向贡献。
(3) 与其他经典方法相比，所提方法在输电线路故障数据集上取得最高分类准确率，证明了基于时频域递归图与CNN-BiGRU-Attention的故障诊断方法的优越性。
