《Measurement》：A neural network-based partial discharge pattern recognition method integrated with Phasor Particle Swarm Optimization
编辑推荐：
•PPSO可实现复杂噪声环境下相量测量的自适应小波去噪。•多路径网络可提取具有辨识度的多尺度相量测量特征。•LTA能增强相量测量信号中的细粒度局部纹理特征。•LSK可通过自适应融合全局特征来提升系统的鲁棒性。引言由于结构紧凑、绝缘性能优异且运行可靠性高，GIS被广泛应用于高压输电
- •
PPSO可实现复杂噪声环境下相量测量的自适应小波去噪。
- •
多路径网络可提取具有辨识度的多尺度相量测量特征。
- •
LTA能增强相量测量信号中的细粒度局部纹理特征。
- •
LSK可通过自适应融合全局特征来提升系统的鲁棒性。
引言
由于结构紧凑、绝缘性能优异且运行可靠性高，GIS被广泛应用于高压输电和配电系统[1]、[2]。在长期的电学、热学和机械应力作用下，内部绝缘缺陷可能导致相量测量现象出现[3]。作为绝缘劣化的早期迹象，相量测量表现为脉冲短、能量低且易受干扰，持续的相量测量活动会加速绝缘老化。GIS中由缺陷引发的典型相量测量类型包括尖端放电、颗粒放电、空隙放电、悬浮放电和表面放电[4]。这些放电类型会以不同方式改变局部电场分布和能量积累，从而带来不同的运行风险和故障发展特性。此外，运行压力、温度、负载条件、气体成分以及外部环境的变化也会影响相量测量行为和信号特征，进而增加缺陷识别的不确定性[5]、[6]、[7]。因此，开发能够有效表征相量测量特征并准确反映缺陷状况的方法，对于了解绝缘劣化趋势以及确保GIS的安全稳定运行至关重要。
随着深度学习的发展，自动特征提取逐渐取代了传统的手工特征提取方法，大幅提升了模式识别的准确性和鲁棒性。ResNet、MobileNetV2、EfficientNet和Transformer等通用模型在深度特征提取、轻量化部署、平衡准确性与复杂性以及建模长距离依赖关系方面展现出强大能力[8]、[9]、[10]、[11]。此外，基于小波卷积的多尺度特征提取方法、基于注意力机制的时间特征融合模型AMTFNet以及MSFMamba网络等都表明，通过结构优化和改进的特征提取机制，可以提高分类性能和效率[12]、[13]、[14]。然而，这些方法大多最初是为自然图像开发的，而相量测量信号通常存在强噪声且纹理信息较弱，因此通用模型难以直接应用于相量测量模式识别。
在复杂的放电条件和高噪声背景下，网络架构通常需要针对特定任务进行设计。现有研究已经开发出了多种用于相量测量模式识别的深度网络，包括基于RNN的噪声优化模型、轻量级CNN框架、结合定制CNN的递归图方法[15]、[16]、[17]，以及基于迁移学习、领域适应和少样本适应的策略[18]。Wang等人[19]提出了一种新的领域对抗图卷积网络，用于在少样本现场条件下诊断GIS绝缘缺陷，强调了在实际环境中自适应表示学习和迁移机制的重要性。此外，混合CNN-LSTM架构、强噪声CNN框架、将迁移学习与DenseNet结合的少样本方法，以及结合多尺度残差卷积与基于Transformer的全局注意力及分层注意力分配的模型，进一步提升了复杂背景下的相量测量信号的时空特征建模、多尺度信息提取以及分类稳定性[20]、[21]、[22]、[23]。注意力机制和Transformer结构还推动了相量测量模式识别向全局依赖建模、时空信息融合以及多尺度语义表示方向发展，从而提高了在复杂噪声环境中的抗噪声能力、特征稳定性和分类精度[24]、[25]。另外，高质量的相量测量信号对于构建可靠的模型依然十分重要，Yang等人[26]提出了一种带有改进阈值函数的小波变换去噪方法，用以解决传统阈值方法的振荡和偏差问题。
尽管现有研究在相量测量去噪、特征提取和注意力机制方面已取得一定进展，但仍存在一些局限性。大多数方法将去噪、特征提取和模型构建视为独立过程，缺乏协同优化，因此在预处理过程中容易丢失脉冲细节。一些深度模型在同时表现局部纹理、多尺度模式和能量分布方面存在局限，难以在强噪声条件下兼顾细节保留和整体稳定性。此外，多路径或多尺度融合往往通过简单的特征组合策略实现，这限制了特征的互补性，使得相似的放电类型容易混淆。因此，在复杂噪声环境中进行相量测量识别仍面临细节保留、特征表示以及区分相似类别等方面的挑战。
为解决上述问题，本文提出了一种结合PPSO与MPFE-Net的相量测量模式识别方法。考虑到相量测量信号细节保留不足、图像纹理信息稀疏，以及在复杂噪声条件下难以区分相似放电类型的问题，该方法整合了自适应小波参数优化、局部纹理增强以及多尺度特征融合技术，实现了信号质量提升与辨识性表示学习的协同优化，进而提升了GIS相量测量模式识别的能力。本文的主要贡献如下：
1. 提出了MPFE-Net，该网络采用多阶段特征提取模块，实现对基础特征的逐步编码和多尺度表征。通过结合主路径建模与多分支强化机制，该网络能够协同呈现多尺度纹理和形态特征。
2. 针对模拟现场噪声条件下的相量测量信号，构建了结合PPSO的小波阈值去噪框架，用于共同优化母小波、分解层级和阈值因子。同时，采用基于均方误差的适应度函数来约束参数搜索过程中的波形偏差。这一策略提升了小波去噪的适应性及波形保留能力，能够在抑制背景噪声的同时保留相量测量脉冲的细节，进而提高输入信号的质量。
3. 为应对稀疏且高度相似的相量测量特征，本文提出了LTA模块，并引入了LSK模块。LTA通过动态窗口和基于能量的加权方式突出局部脉冲纹理，而LSK则通过可调节的深度可分离卷积来增强全局感知。这两种机制共同提升了特征辨识能力，降低了类别判别的模糊性。
章节要点
问题描述
本研究使用的数据集来自***和***联合开发的110千伏GIS故障仿真平台。该平台在遵循实际运行条件所确定的参考标准的同时，保证了实验的可控性。基于长期的现场监测，***提供了GIS的参考运行条件，包括额定电压、柜内电场分布、典型放电类型以及现场干扰谱。这些参考数据被用于
结合PPSO的小波去噪
当相量测量信号受到现场噪声干扰时，噪声会与放电脉冲的细节混杂在一起，掩盖不同放电类型之间的特征差异。传统的基于小波阈值的去噪方法需要手动指定母小波、分解层级数量以及阈值参数。由于缺乏自适应调整能力，这类固定配置往往会导致脉冲细节丢失或高频成分残留
数据采集
原始的相量测量数据是从同一个110千伏GIS仿真平台采集的。在五种典型的绝缘缺陷条件下，通过安装在GIS柜内的UHF相量测量传感器（型号：MB-2501N）以及配套的在线监测智能电子设备，获取了瞬态相量测量信号。这些缺陷类型包括尖端放电（T）、颗粒放电（P）、空隙放电（V）、悬浮放电（F）和表面放电（S）[29]、[30]。该系统的UHF检测范围为
结论
为解决强噪声干扰下GIS相量测量信号特征稀疏且类间相似度高的问题，本文提出了一种结合PPSO与MPFE-Net的相量测量模式识别方法。通过结合基于PPSO的自适应去噪、多路径特征增强以及双注意力建模技术，该方法实现了噪声抑制、纹理增强以及多尺度特征融合。在模拟现场条件下采集的数据进行的实验结果表明，所提出的方法
CRediT作者贡献说明
高天娇：写作——审稿与编辑、写作——初稿撰写、可视化、验证、方法论。隋美艺：资源准备、项目管理。杨军庆：软件使用、资源准备、项目管理、调研工作。杨振华：资源准备、项目管理。姚立成：方法论研究、调研工作。郭琪琪：数据整理、概念构建。孔德欣：调研工作、形式化分析。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。
致谢
作者感谢匿名审稿人和编辑提出的宝贵意见与建议，这些意见和建议有助于提升本稿的质量。
高天娇|隋美艺|杨军庆|杨振华|姚立成|郭琪琪|孔德欣
