一、论文标题 基于电-热耦合仿真与梯度提升树的避雷器故障诊断

《Scientific Reports》：Fault diagnosis of surge arresters via electro-thermal coupled simulation and gradient boosting tree

　　

三、摘要翻译
金属氧化物避雷器（MOA，Metal-Oxide Arrester）是保障电网安全运行的关键设备，但其故障诊断面临实际故障样本稀缺的难题。本研究构建了一个三维电-热耦合仿真模型，用于重建四种运行状态：内部受潮、绝缘套管老化、湿污染以及正常运行。具体而言，通过改变绝缘套管电导率来物理建模老化，通过在瓷套表面映射不同覆盖范围的导电层来模拟湿污染，并通过在阀片上附加几何水带来表征内部受潮。基于该模型获取电流与温度信号，用于分析不同故障下的电-热特性。随后，引入基于CatBoost的故障诊断框架构建诊断模型。通过数据预处理并融合温度统计特征与几何特征，模型识别性能显著提升。与XGBoost、fitcnet和支持向量机（SVM，Support Vector Machine）的对比实验表明，所提方法具有更优性能。最终模型准确率达到99.3%，优于XGBoost（98.6%）、fitcnet（96.5%）和SVM（90.0%）。本研究为样本稀缺条件下的MOA故障诊断提供了有效方案，有助于提升电网智能评估与运维维护能力。

四、论文解读
该研究聚焦220 kV金属氧化物避雷器（MOA）在服役过程中常见的三类典型故障：绝缘套管老化、内部受潮和瓷套湿污染。论文指出，MOA是电力系统中重要的过电压限制装置，但实际故障样本稀缺、现场数据格式不统一，导致传统依赖实测数据的诊断方法难以稳定识别多种故障类型。尤其是不同故障在机理、位置和外在表征上存在差异，单纯依赖泄漏电流幅值或相角往往存在信号重叠，难以实现可靠区分。因此，研究人员开展三维电-热耦合仿真，并结合机器学习建立面向样本稀缺场景的故障识别框架，目标是利用可测、可提取的电流和温度特征实现对多种状态的精准诊断。

研究人员首先构建了220 kV MOA的三维有限元模型，并在电场与热场之间建立耦合关系：电场计算获得的电阻损耗作为热源输入热场方程，从而分析不同工况下的电-热行为。针对三类故障，研究人员通过改变绝缘套管电导率模拟老化，通过在阀片表面设置不同厚度和高度的水带模拟内部受潮，通过改变瓷套表面的覆盖位置、角度、长度和电导率模拟湿污染。随后，提取泄漏电流与瓷套表面温度信息，构建分类样本，并以CatBoost为核心建立多分类故障诊断模型。

从方法上看，论文主要采用了三维有限元仿真（FEM）、电-热耦合分析、特征工程与CatBoost分类器。样本来源于仿真数据，共形成290个训练样本和74个独立测试样本，每个样本包含总电流幅值、相角以及16个温度测点信息。研究人员将温度测点按上下段分组，提取了均值、极值、标准差等统计特征，并进一步构造温度斜率、热点位置和温度质心等几何特征，以增强故障可分性。最终采用5折交叉验证与独立测试集评估模型泛化能力。

在结果部分，论文按“电场分析”和“热场分析”展开。电场分析表明，绝缘套管老化程度升高时，总电流幅值逐渐增大，且相角变化与故障阶段密切相关；受潮故障中，水带高度对电流幅值影响最显著，厚度次之；湿污染工况下，污染覆盖长度、位置、角度及电导率共同影响电流特征。研究同时指出，三类工况在电流幅值与相角上存在明显重叠，例如轻度老化、轻度湿污染和部分受潮状态的信号区间接近，说明单一电参数不足以支撑高可靠诊断。

热场分析进一步揭示了故障的空间温度差异。正常运行时，瓷套温升较低；绝缘套管老化与内部受潮时，故障段温升明显高于健康段，且温度分布呈现显著非对称性；湿污染条件下则表现为另一种热特征，即故障段温升低于健康段，整体升温不如前两类故障显著。研究还发现，老化工况下故障区温度随电导率增加呈先升后降趋势，受潮工况下水带越高、越厚，瓷套平均温度越高，而湿污染工况下污染覆盖长度和位置对平均温度影响更明显。这些结果说明，温度场能够提供比电流更具区分度的故障空间信息。

在诊断模型方面，研究人员将电流原始特征与温度统计/几何特征输入CatBoost模型，并与XGBoost、fitcnet和SVM进行比较。结果表明，CatBoost在5折交叉验证中取得最佳综合性能，最终平均准确率达到99.3%，测试集上达到100%。与其他算法相比，其混淆矩阵对角线特征最清晰，误判最少，说明该模型对相似故障模式具有更强辨识能力。虽然XGBoost对正常状态识别略有优势，但总体性能仍低于CatBoost。由此可见，温度特征增强与CatBoost分类的结合，是该研究实现高精度识别的关键。

讨论部分总结认为，MOA故障诊断的难点不只在于样本不足，更在于不同故障的电气表征具有重叠性。仅依赖泄漏电流难以有效区分轻微故障状态，而电-热耦合仿真能够在缺乏实测故障样本的条件下生成结构化、可测量的数据，为后续诊断建模提供支撑。论文最后指出，该方法可为电网中MOA的智能评估与状态维护提供有效参考，并提出后续可结合环境温度、湿度等实时外部信息进一步提升模型适应性。整体而言，该研究的核心贡献在于：以电-热耦合仿真补足故障样本稀缺问题，以温度空间特征突破单一电流特征的区分瓶颈，并以CatBoost实现对多类MOA状态的高精度识别。