电缆护层环流信号智能监测与故障诊断的双视角Mixup-ResNet方法

《Energies》：A Dual-View Mixup-ResNet Method for Intelligent Monitoring and Fault Diagnosis of Cable Sheath Circulating Current Signals

　　

在可再生能源驱动的配电系统和微电网中，可靠的电缆状态监测对于运行安全与早期故障检测至关重要。护层环流信号为识别接地异常和早期故障提供了有价值的信息，但由于信号表现出强烈的相间耦合，且实际中故障样本有限，其诊断较为困难。本研究提出了一种用于电缆护层环流信号故障诊断的双视角Mixup-ResNet框架。具体而言，研究人员采用物理范围归一化以保留与幅值相关的故障信息和相间比例关系，同时采用逐样本z-score归一化以突出波形形态。这两个互补视角被拼接成一个六通道输入，送入轻量级一维残差网络，并采用Mixup、标签平滑、dropout和余弦退火进行训练。在基于ATP-EMTP生成的八类数据集上，该研究方法在统一的5×5重复分层交叉验证协议下达到了91.50%的平均准确率、91.69%的加权F1分数和91.69%的宏F1分数。在12%相对高斯噪声下的额外测试表明，该研究方法在测试条件下保持了竞争性的高斯噪声容忍度，但更广泛的现场干扰仍需进一步验证。这些发现表明，该研究方法在电缆护层环流信号的小样本故障诊断中具有潜力，并为智能电缆状态监测提供了初步基础。

### 论文解读：电缆护层环流信号智能监测与故障诊断的双视角Mixup-ResNet方法

#### 研究背景与问题

在可再生能源渗透率日益提高的现代电力系统中，配电网和微电网的运行波动性与耦合性显著增强，关键电气设备的状态监测与早期故障预警对于保障供电可靠性和运行韧性至关重要。高压交联聚乙烯（XLPE）电缆作为城市配电网、工业供电及可再生能源并网的重要输电载体，其金属护层接地系统的状态直接影响绝缘完整性、载流能力和长期服役可靠性。护层环流异常通常与绝缘退化、多点接地、局部损伤及早期故障演化相关。然而，护层环流信号本身具有非平稳性、强相间耦合性，且实际工程中高质量故障样本（尤其复合故障和早期异常样本）极为稀缺，构成典型的小样本诊断难题。现有方法中，基于阈值报警或浅层机器学习的方法在复杂环境下难以捕捉深层故障模式；深度学习方法虽能自动提取特征，但单一统计归一化会削弱故障幅值信息，且小样本下易过拟合。因此，亟需一种融合物理先验、数据增强与轻量级架构的协调诊断框架。

#### 研究内容与结论

该论文提出一种双视角Mixup-ResNet方法，专门针对电缆护层环流信号的智能监测与故障诊断。通过构建物理范围归一化主视图（保留故障幅值与相间比例）与逐样本z-score辅助视图（突出波形形态）的双视角输入表示，拼接为六通道张量，输入轻量级一维残差网络（1D-ResNet），并联合Mixup数据增强、标签平滑、dropout和余弦退火策略进行训练。在基于ATP-EMTP生成的八类工况数据集（正常、单相接地A-G/B-G/C-G、复合接地AB-G/AC-G/BC-G/ABC-G，每类5样本，共40样本）上，采用统一的5×5重复分层交叉验证协议，该研究方法达到91.50%的平均准确率、91.69%的加权F1分数和91.69%的宏F1分数。在12%相对高斯噪声测试下仍保持91.0%的准确率，显示出竞争性的噪声容忍度。与支持向量机（SVM）、K近邻（KNN）、随机森林、普通一维卷积神经网络（1D-CNN）和普通一维残差网络（1D-ResNet）相比，该研究方法在诊断精度和计算复杂度（仅0.0617 M参数、10.70 M FLOPs、单样本推理6.65 ms）上均表现最优。该研究发表于《Energies》，为护层环流小样本故障诊断提供了初步可行的仿真验证基础。

#### 主要关键技术方法

该研究的主要关键方法包括：（1）基于ATP-EMTP（电磁暂态程序）的电缆护层环流仿真模型，构建正常与七类接地故障工况的八类数据集，样本来自独立仿真案例，共40个标记样本；（2）双视角输入构建：物理范围归一化（按电流互感器量程的固定物理上限缩放）保留幅值信息，逐样本z-score归一化强调波形形态，两者拼接为六通道时间序列；（3）轻量级1D-ResNet架构，含三个残差阶段（通道数16→32→64），总参数量0.0617 M；（4）联合训练策略：Mixup增强（α=0.4）、标签平滑（因子0.05）、dropout（率0.2）及余弦退火学习率调度；（5）评估采用统一的5×5重复分层交叉验证协议，并引入12%相对高斯噪声测试鲁棒性。

#### 研究结果

**3.1 实现细节**：采用Adam优化器，初始学习率5×10^-4，权重衰减1×10^-4，批次大小16，训练轮次200。Mixup参数α=0.4，标签平滑因子0.05，dropout率0.2。在Python 3.10.19、PyTorch 2.9.1环境下，NVIDIA GeForce RTX 5060 Laptop GPU加速。

**3.2 收敛分析与整体诊断性能**：训练损失快速下降并稳定，验证准确率保持高水平。统一5×5重复分层交叉验证下，平均准确率91.50%（标准差1.37%，95%置信区间90.30–92.70%），加权F1分数91.69%，宏F1分数91.69%，表明小样本下稳定优化。

**3.3 混淆矩阵与逐类性能分析**：Normal、A-G、AB-G、AC-G、BC-G、ABC-G六类召回率均达100%；B-G和C-G召回率为80%，主要混淆发生在B-G与C-G之间，归因于弱单相接地故障下电流幅值重叠、相间耦合及局部波形相似性。少量B-G被误判为Normal，C-G被误判为ABC-G。

**3.4 与参考方法比较**：经典特征模型（SVM、KNN、随机森林）准确率最高83.4%（随机森林），普通1D-CNN 84.0%，普通1D-ResNet 85.0%。该研究方法以91.5%准确率超越所有对比方法，且参数仅0.0617 M，FLOPs 10.70 M，推理时间6.65 ms，证明性能提升源于双视角表示与联合训练策略的协同作用。

**3.5 消融与鲁棒性分析**：消融实验表明，物理范围归一化单独带来最大提升（准确率90.0%），加入Mixup提升至91.0%，完整双视角Mixup-ResNet达91.5%。12%高斯噪声下，该研究方法噪声测试准确率91.0%（清洁测试91.5%），优于其他变体，但作者强调该鲁棒性仅针对测试噪声条件，需进一步考察现场扰动。

**3.6 Mixup系数敏感性分析**：α在0–1.0范围内性能波动较小，α=0.4时效果最佳（平均准确率91.50%，加权F1 91.69%），α过大（1.0）性能下降，表明适度插值可正则化而不过度平滑。

#### 讨论与结论

**讨论部分**指出：双视角表示通过保留幅值与波形信息提升判别能力，消融结果证实其协同贡献；鲁棒训练策略（Mixup、标签平滑、dropout、余弦退火）联合作用比单一技术更有效；该方法轻量级且可解释，适合在线监测部署；但当前验证仍局限于仿真数据（ATP-EMTP生成，40样本），B-G与C-G误分类、仅考虑高斯噪声等局限需通过实测数据、更多工况与多种干扰（传感器偏差、谐波、逆变器开关噪声等）进一步验证。未来工作可引入迁移学习、半监督学习与无监督域适应以减少对标注故障样本的依赖。

**结论部分**翻译如下（原文5. Conclusions）：本文提出了一种用于电缆护层环流信号故障诊断的双视角Mixup-ResNet方法，特别关注可再生能源驱动电力系统中关键电缆资产的智能监测。通过整合物理归一化主视图与逐样本辅助z-score视图，该研究方法构建了六通道输入表示，同时保留故障强度信息与波形形态特征。在此基础上，将轻量级一维残差网络与Mixup增强及鲁棒训练策略（包括标签平滑、dropout和余弦退火）相结合，在小样本条件下实现可靠的故障识别。基于ATP-EMTP的八类数据集实验证明了该研究方法的初步有效性。在统一的5×5重复分层交叉验证协议下，该研究方法模型达到91.50%的平均诊断准确率、91.69%的加权F1分数和91.69%的宏F1分数。这些结果提供了在当前小样本仿真设置下该研究方法更保守且内部一致的估计。消融结果进一步表明，性能提升主要源于双视角输入表示、残差特征提取与基于Mixup的正则化策略的组合贡献。在12%相对高斯噪声下，该研究方法达到91.0%的平均准确率。该结果提示模型在测试高斯噪声条件下保持竞争性噪声容忍度，但不应解读为在所有实际干扰下具有优越鲁棒性。更全面的鲁棒性评估（包括类现场噪声、负荷波动、传感器偏差等运行干扰）仍需进行。总体而言，当前工作应视为针对电缆护层环流信号小样本故障诊断的仿真可行性研究。尽管结果提示该研究框架的潜力，但当前验证仍局限于ATP-EMTP生成数据与有限样本规模。实际部署前需进一步使用实验室测量和现场监测数据进行验证。未来工作将聚焦于实测数据验证、数据集扩充以及更真实运行干扰下的评估。此外，将探索迁移学习、半监督学习和无监督域适应，以减少对大规模标记故障样本的依赖。