《Energy Reports》：Transmission line fault identification method based on fusion of waveform image recognition and weather information
编辑推荐：
为解决现有图像识别模型难以准确区分波形特征高度相似的故障原因这一挑战，研究人员提出一种融合波形图像识别与天气信息的输电线路故障识别方法。首先，通过分析输电线路故障事件的统计特征，识别出故障原因与天气因素之间的因果关系。其次，开发了一种基于时频网络（Time-F
为解决现有图像识别模型难以准确区分波形特征高度相似的故障原因这一挑战，研究人员提出一种融合波形图像识别与天气信息的输电线路故障识别方法。首先，通过分析输电线路故障事件的统计特征，识别出故障原因与天气因素之间的因果关系。其次，开发了一种基于时频网络（Time-Frequency Network, TFN）的故障波形图像识别模型，该模型能够从故障波形数据中提取时频特征，并对故障原因进行初步分类。第三，利用D-S证据融合理论（Dempster-Shafer evidence fusion theory），将基于贝叶斯公式（Bayesian formula）的天气信息统计模型与TFN模型相结合，实现了电气特征与气象特征的联合利用。最后，利用实际故障数据的案例研究表明，通过将先验天气信息与波形识别结果相结合，整体识别准确率从81.63%提升至96.29%；与仅以波形图像作为输入的端到端深度学习模型以及双模态融合模型相比，平衡准确率和宏F1得分（macro F1 score）均保持在较高水平。所提出的方法增强了故障原因识别模型的可解释性，研究结果对于提高电网故障诊断效率、保障电力系统安全稳定运行具有重要意义。
**论文解读：基于波形图像识别与天气信息融合的输电线路故障识别方法**
**研究背景与问题**
输电线路作为电力系统的重要组成部分，长期暴露于复杂多变的户外环境中，不可避免地受到雷击、强风、冰暴等多种外部因素的威胁。这些故障不仅导致局部线路跳闸，还可能演变为连锁故障，引发大规模停电。传统的故障识别方法主要聚焦于电气特征，往往忽略了气象环境与故障机理之间的内在联系，导致在识别易混淆的故障原因时准确性不足。现有研究存在两方面的局限：其一，当提取的故障特征量较为单一时，识别效果过度依赖于网络结构和参数设置，导致模型鲁棒性不足；其二，尽管深度学习方法能够提取部分电气特征并实现基本分类，但在处理特征高度相似的复杂故障时，现有方法往往只关注算法层面的优化，未能充分挖掘原始故障数据中包含的深层特征信息，限制了模型对相似故障的识别能力提升。此外，将电气量与气象特征相结合进行故障原因识别的研究中，因素如故障多样性和数据异质性仍对现有方法的识别性能和环境适应性构成挑战，需要进一步改进。为此，本研究旨在解决故障识别方法中的两个关键问题：（i）图像识别模型区分波形特征高度相似故障的能力有限；（ii）将季节和气象环境因素纳入输电线路故障识别的研究框架尚不成熟。论文发表在《Energy Reports》。
**开展的研究与结论**
研究人员提出一种基于波形图像识别与天气信息融合的输电线路故障识别方法。首先，通过分析故障原因统计特征及故障期间的气象环境特征，揭示了二者之间的因果关系。其次，构建了基于时频网络（TFN）的故障波形识别模型，该模型能够有效从故障信号中提取时频特征，特别能捕捉关键频率变化信息，从而准确区分不同的故障原因。第三，利用Dempster-Shafer (D-S) 证据融合理论，将基于贝叶斯公式的天气信息统计模型与TFN模型集成，实现了电气特征与气象特征的综合利用，显著提高了故障识别准确率。最后，通过实际故障数据的案例测试，引入气象信息后整体识别准确率从81.63%提升至96.29%。与仅以波形图像作为输入的端到端深度学习模型和双模态融合模型相比，平衡准确率和宏F1得分保持在高水平，分别达到95.56%和95.78%。验证了该方法在识别雷击、风偏、冰闪、山火和污闪等故障原因方面的有效性和实用性。主要贡献包括：提出了基于TFN的暂态波形图像识别模型，融合了时频变换和深度卷积神经网络的优点，能够自适应提取故障暂态信号中具有物理意义的时频特征；提出了基于D-S证据理论的决策级融合策略，将贝叶斯气象统计模型和TFN电气特征模型作为两个证据体，通过冲突证据再分配机制将证据冲突转化为特定故障的敏感判据，引入气象先验知识增强结果可解释性，并采用分层决策架构确保在缺乏气象数据时仍能保持基本识别功能，显著提高了识别准确率和工程鲁棒性。
**主要关键技术方法**
研究人员主要采用了以下关键方法。样本队列来源：基于国家电网公司2021年至2024年提供的输电线路故障数据，包含7687个故障案例，覆盖新疆、华北、华中等多个地区，电压等级110kV至1000kV，经数据清洗后提取5357个具有完整故障标签和录波波形的数据集。关键技术包括：（1）时频网络（TFN）模型：将短时傅里叶变换（STFT）等时频分析方法嵌入卷积层形成TFconv层，以可训练的核函数提取非平稳信号的时频特征，并与骨干CNN集成实现故障初分类；（2）贝叶斯统计模型：通过贝叶斯公式计算不同季节和天气条件下各类故障原因的后验概率，利用历史故障数据构建天气-故障关联数据集；（3）D-S证据融合理论：将TFN模型的分类概率与贝叶斯模型的后验概率作为独立证据，通过Dempster组合规则进行决策级融合，处理证据冲突并输出融合后的故障原因概率分布。
**研究结果**
**4.1 TFN模型的训练与测试**
**4.1.1 识别结果分析**：通过留出法将数据集按70%训练集、30%测试集划分，使用随机梯度下降优化器和交叉熵损失函数训练TFN模型200轮。在测试集上，模型对雷击故障（LSF）、外物故障（FMF）和风偏-冰跳故障（WSF-ISF）的分类准确率分别达到80.53%、84.21%和83.44%；山火故障（MFF）尽管样本有限，仍达到84.93%；污染闪络（PFF）准确率相对较低为77.04%。整体识别准确率为81.63%。
**4.1.2 不同时频变换方法的比较**：通过对比实验，TFN-STFT（使用短时傅里叶变换）模型在收敛速度、稳定性和泛化能力上均优于传统的CNN模型以及使用Chirplet变换和Morlet小波变换的TFN模型。分析表明，STFT方法在时频特征提取方面表现出更强的适应性。进一步研究STFT窗口超参数的影响，发现采用汉宁窗（Hann window）且窗长为16时，模型识别准确率最高，能在时间分辨率和频率分辨率之间取得有效平衡。
**4.2 融合天气信息的结果分析**
**4.2.1 贝叶斯统计结果**：基于5357个故障样本，结合故障原因标签与故障发生时的季节（春、夏、秋、冬）和天气特征（分为11类），利用贝叶斯公式计算各类别在不同季节-天气条件下的后验概率。统计分析揭示了天气因素与故障原因之间的显著相关性，例如雷雨天气下雷击故障概率高达80%。这些后验概率被归一化后作为权重因子，用于细分TFN模型对WSF-ISF和PFF类别的概率输出。
**4.2.2 D-S证据融合结果**：将贝叶斯统计模型的后验概率与TFN模型的分类概率作为两个独立证据，通过Dempster组合规则进行融合。融合后的整体识别准确率达到96.29%，较单独TFN模型提升14.65个百分点。具体地，对天气敏感的故障原因提升显著：雷击故障识别准确率升至98.94%（提升18.41%），风偏故障升至97.84%（提升14.40%），冰跳故障升至95.71%（提升12.27%），其他故障也均有提升。通过调整天气标签的敏感性实验表明，雷击和风偏故障对天气标签变化最敏感，而其他故障鲁棒性较强，验证了天气数据标准化需遵循物理相关性和特征完整性原则。与仅以波形图像作为输入的端到端深度学习模型（ResNet18、CNN-SVM、Swin Transformer）相比，提出的融合模型在整体准确率、平衡准确率和宏F1得分上均显著领先，且95%置信区间窄而高，表明结果稳定可靠。
**4.2.3 不同融合方法的比较**：将所提出的决策级融合方法与基于特征级融合的双模态人工神经网络+残差网络（ANN+ResNet18）混合架构进行对比。实验设计了三个对照组：对照组1（ANN+ResNet18，波形图像输入）、对照组2（ANN+ResNet18，时频图像输入）、对照组3（ANN+TFN）。结果表明，所提出的DS证据理论决策级融合方法整体准确率最高（96.29%），平衡准确率（95.56%）和宏F1得分（95.78%）也领先。性能提升归因于三点：（1）贝叶斯统计方法增强了模型预测的不确定性量化能力；（2）TFN模型相比ResNet18能提取更具判别力的时频特征；（3）结合TFN与贝叶斯推理的DS融合能在模态信息冲突时有效纠正错误倾向，例如在环境噪声导致TFN分类置信度低的情况下，结合气象数据的贝叶斯后验概率可输出正确类别。
**总结讨论与结论**
研究通过统计分析输电线路故障数据的天气条件，厘清了故障原因与天气特征之间的关系，利用贝叶斯公式计算了不同季节和天气条件下各类故障原因的后验概率。在TFN波形识别模型基础上引入天气特征，提出基于D-S证据理论的融合模型。研究得出以下结论：（1）输电线路故障存在类别不平衡，雷击和外物故障占主导；雷击、风偏和冰跳等故障与外部天气条件显著相关，引入季节和天气作为非电气量有利于故障识别。（2）所构建的基于TFN波形图像识别的D-S证据理论融合模型，将整体识别准确率从81.63%提升至96.29%，尤其对与天气紧密相关的雷击、风偏和冰跳故障，识别准确率分别达到98.94%、97.84%和95.71%。与仅以波形图像输入的端到端深度学习模型和双模态融合模型相比，平衡准确率和宏F1得分保持在高水平，分别达到95.56%和95.78%。（3）逐步融合策略兼具灵活性和可扩展性：在缺乏天气数据时仍保持基于TFN的识别能力，而在拥有天气数据时通过Dempster组合规则集成贝叶斯统计得到的先验天气知识，进一步提升性能。尽管本研究取得了初步成果，但面对实际运行的复杂性，未来仍需聚焦算法的优化设计以提高复杂故障的识别能力，并挖掘更多维度的故障信息，持续推动输电线路故障识别智能化水平的进步。
