时空频图解耦与Mamba-WKAN知识蒸馏用于配电物联网设备异常预测与早期预警

《Algorithms》：Spatio-Temporal-Frequency Graph Decoupling and Mamba-WKAN Knowledge Distillation for Anomaly Prediction and Early Warning of Power Distribution IoT Devices

　　

电力物联网（Power IoT）作为现代电网的最后前沿，能源供应的可靠性依赖于精确监测。然而，当前系统在边缘处理高频数据时常常存在响应延迟、特征分离不足以及计算瓶颈。研究人员摒弃了传统被动检测思维，提出了STF-MKD（时空频图解耦与Mamba-WKAN知识蒸馏）框架，旨在将运维焦点从响应故障转变为预测故障。系统第一部分是STF-Extractor（时空频提取器），利用动态图注意力（Dynamic Graph Attention）映射节点间连接，并通过掩码博弈从背景噪声中提取结构特征。随后，研究人员采用Mamba-WKAN骨干网络应对设备故障的强非线性特性。通过将墨西哥帽小波（Mexican Hat wavelet）和B样条（B-spline）嵌入Mamba架构，模型在保持效率的同时分工明确：B样条追踪日常周期，小波锁定突发瞬态。为防止模型平滑掉罕见的异常信号，研究人员引入了TGAR（教师引导异常聚焦重构）蒸馏方案。这一“一教师两学生”设置利用具备全局视角的教师模型指导学生预测器，从而在故障完全发展前基于微弱的结构变化触发早期预警。在包括ETTh/m和WADI在内的六个主要数据集上的测试表明，STF-MKD优于主流方法。

**论文解读：STF-MKD框架——面向配电物联网设备异常预测与早期预警的时空频图解耦与Mamba-WKAN知识蒸馏**

**1. 研究背景、存在问题与研究动机**
配电物联网（Power Distribution IoT）作为现代电网的“毛细血管”，通过大量传感器对变压器、开关柜等核心设备进行实时监测。然而，现有监测系统普遍存在响应滞后问题：当报警触发时，硬件往往已遭受不可逆损伤，导致维修成本上升和供电连续性风险。传统异常检测方法大多基于数据采集和通信架构优化，如引入自动编码器（Auto-Encoder）实现云边协同，或采用邻居监测、微服务通信建模等，但底层逻辑仍是被动响应模式。近年来，研究转向主动预警，如基于气电演化的控制策略或利用反馈连接预测与检测，但准确早期预警面临核心障碍：电网数据在时域、空域和频域的特征高度耦合，监测节点受物理结构约束，负荷曲线遵循日周期，高频噪声持续淹没真实故障信号。早期工作如图偏差网络（Graph Deviation Networks）利用图神经网络（Graph Neural Network, GNN）建模空间依赖，但在非平稳条件下负荷变化时表现不佳；动态图方法如Ada-STNet和GLSTGN虽有所改进，但设备退化仍是非线性黑箱，绝缘老化、间歇电弧等事件在完全爆发前产生微弱非线性信号，高性能模型如iTransformer和PatchTST因全局平均效应常平滑掉这些关键前兆。此外，预警任务需处理高维数据并满足边缘实时性要求，基于注意力（Attention）的模型虽准确但计算量大，而选择性状态空间模型（Selective State Space Model, SSM）如Mamba以其高效性和长程建模能力提供了替代方案。近期工作如Fourier-KAN-Mamba尝试结合Mamba与Kolmogorov-Arnold网络（KAN），但仅是通用算子堆叠，未考虑电网物理约束，也无法解决异常样本稀疏导致的预测平滑问题。知识蒸馏（Knowledge Distillation）从模型压缩工具发展为跨任务迁移机制，为感知稀疏信号提供了新思路。基于上述瓶颈，研究人员提出了STF-MKD（Spatio-Temporal-Frequency Graph Decoupling and Mamba-KAN Distillation）框架，核心思想是利用具备全局上下文的教师模型的重构误差构建信息梯度，引导学生模型在初始观测阶段识别潜在异常趋势。该框架将预警逻辑从匹配历史模式转向推断未来状态，通过物理感知先验对电力物联网非平稳异常预测进行深度重构，弥合了纯数学建模与真实电气工程需求之间的差距。论文发表在《Algorithms》。

**2. 主要关键技术与方法（不超过250字）**
STF-MKD框架包含三大核心模块：
（1）**STF-Extractor（时空频提取器）**：通过动态图注意力（Dynamic Graph Attention）构建空间-时间图，利用高斯径向基函数（RBF）核测量节点间非线性相关性；采用双视图动态掩码（Dual-View Dynamic Masking）机制，在时域和频域分别计算波动分数并通过直通估计器（Straight-Through Estimator, STE）生成硬掩码，迫使模型从可见部分重构信号，分离出结构变化特征；最后通过门控融合（Gated Fusion）将时空频特征整合。
（2）**Mamba-WKAN骨干网络**：将Mamba的选择性状态空间模型（SSM）与Wavelet-KAN（WKAN）结合，其中KAN层采用B样条（B-spline）跟踪平滑长期负荷趋势，墨西哥帽小波（Mexican Hat wavelet）捕捉突发瞬态奇异点，实现算子级别的物理可解释分工。
（3）**TGAR（教师引导异常聚焦重构）蒸馏方案**：离线的教师模型在纯净健康数据上预训练，冻结后利用其重构失败生成动态权重，引导学生预测器关注异常前兆；同时通过教师引导重构蒸馏（TGRD）对齐学生评估器与教师的隐层表示。训练完成后，仅轻量级学生网络部署于边缘网关，采用流式峰值超过阈值（Streaming Peaks-Over-Threshold, SPOT）算法自适应调整预警阈值。

**3. 研究结果**

**3.1 消融实验（Ablation Analysis）**
在ETTm1（高频电力数据）和WADI（127维复杂系统）数据集上，对完整STF-MKD框架依次移除核心模块：
- **移除TGAR（教师引导机制）**：F1分数在WADI上下降超过13%，预警提前时间（Warning Lead Time, WLT）从12.4步缩至5.2步，表明教师模型防止了预测器陷入“懒惰拟合”，聚焦于微弱前兆。
- **移除STF-Extractor（时空频解耦）**：ETTm1上F1下降5.2%，WADI上扩大至8.6%，说明高维场景下缺乏图约束会污染整个特征集，掩码策略是过滤噪声的关键。
- **移除WKAN（替换为标准MLP）**：性能下降约3%，墨西哥帽小波对信号奇异性的敏感性为ETTm1带来了近3步的额外预警时间。
- **移除SPOT（固定阈值）**：虽然AUC-ROC不变，但最终决策精度下降，因无法适应电网噪声的日波动。

**3.2 性能对比（Performance Comparison）**
与七种基线模型（包括Fourier-KAN-Mamba、MambaAD、iTransformer、PatchTST、Anomaly Transformer、ModernTCN、TimesNet）在六个数据集上比较，采用严格的不使用点调整策略：
- **ETT系列**：随采样率增高（从小时级ETTh到15分钟级ETTm），STF-MKD的预警提前时间优势扩大，在ETTm1上达到18.5步。Mamba-WKAN的选择性扫描避免了对局部尖峰的全局平均模糊。
- **WADI高维测试**：低异常率（5.99%）和127个变量导致多数模型精度下降，STF-MKD保持精度0.765，AUC-ROC达0.915，归功于图解耦和蒸馏机制提供的噪声缓冲。
- **与Fourier-KAN-Mamba直接对比**：STF-MKD的WLT持续高出约20%，证明仅堆叠强大算子不足以应对电力物联网，需理解电网拓扑并使用非对称训练。
- **统计显著性检验**：与最强基线Fourier-KAN-Mamba进行5次独立运行的Wilcoxon符号秩检验，F1和WLT的p值分别为0.0032和0.0018，均低于0.05，表明性能提升具有统计显著性。

**3.3 计算复杂度分析（Computational Complexity Analysis）**
在统一设置（L=384, T=96, batch size=32 on ETTm1）下测量：
- **参数量**：STF-MKD仅3.8M，得益于共享参数机制。
- **FLOPs和推理延迟**：1.42G FLOPs，12.4ms前向传播，较iTransformer（4.62G, 28.5ms）降低69.2% FLOPs和56.5%延迟，效率源自Mamba的O(L)线性扫描和WKAN的轻量级1D递归。
- **序列长度扩展**：当L从192增至2048，Transformer模型呈二次增长（Anomaly Transformer从22.4ms增至1142.5ms），而STF-MKD保持线性增长（10.5ms至52.1ms），支持长期边缘监测。

**3.4 参数敏感性（Parameter Sensitivity）**
- **掩码预算ρ**：在0.05至0.25范围内扫描，ρ=0.1时F1达到峰值，过低时模型依赖简单时间邻居，过高（>0.2）导致重构因果逻辑破坏。WADI上峰值更尖锐，因高维特征冗余使掩码收益更明显。
- **预测窗口T**：T从48增至192，WLT近乎线性增长（T=192时达29.8步，约7.4小时），但F1在T>144后加速衰减，归因于长程自回归的累积预测熵。T=96被选为最优工程点，提供18.5步（277分钟）预警窗口且F1=0.864。
- **传感器噪声与缺失数据稳健性**：在ETTm1上施加加性高斯白噪声（SNR从30dB降至10dB）和随机缺失（10%-30%），STF-MKD在SNR=10dB时仍保持F1=0.815和WLT=15.4步，优于对比模型；30%缺失率下保留93%基线性能。
- **预训练数据污染**：在预训练集中注入低幅谐波畸变和电压漂移（污染比例0%-10%），污染≤5%时F1下降≤3%，WLT仍高于250分钟，归功于自适应分位数裁剪和B样条平滑性；10%污染时教师参考流形退化。
- **损失系数敏感性**：提供部署调优指南，例如高噪声环境增大λ_Dis至1.4-1.5，关键资产监测增大λ_Pred至1.2-1.4，高维场景保持λ_M≈0.1。

**3.5 案例研究（Case Studies）**
- **异常分数与原始波形对齐**：在ETTm1过载段，故障实际发生在第160步，约330分钟前（第130步）原始电流出现不稳定漂移，但常规静态阈值未触发。STF-MKD的预测轨迹因严格锚定于健康物理流形而偏离观测值，形成“残差腔”，异常分数在第138步穿透SPOT动态阈值，提前22步（5.5小时）发出预警，为负荷调度和人员部署提供充足时间。
- **掩码生成器特征净化**：在稳态阶段（0-120步），掩码生成器稀疏地隐藏高频噪声尖峰；进入故障孵化期（130-160步），掩码密度急剧增加，重点针对油温（Oil Temp）和低压负荷（L-Load）通道（掩码概率>0.85），这些通道反映变压器退化热力学，而电压相位（V-Phase）通道掩码滞后，表明模型通过隐藏结构不稳定通道迫使骨干网络利用图拓扑重构缺失信息。
- **Mamba-WKAN多尺度解耦**：原始信号包含平滑日周期、高频噪声和局部过载瞬态。B样条分支（绿色曲线）完全免疫瞬态尖峰，作为低通物理滤波器捕捉全局趋势；墨西哥帽小波分支（红色曲线）在稳态时归零，在t=60处产生强烈双极脉冲，精确锁定信号奇异性。这种“样条锁定趋势、小波捕捉瞬态”的分工确保异常分数在正常操作时平坦，在真实结构前兆时立即响应。

**4. 总结讨论与研究结论**
**（结论部分翻译）**
研究人员通过融合状态空间模型与非线性算子，解决了电力物联网异常检测中的滞后和非线性特征捕获问题。通过STF-MKD框架的开发，构建了一个具备真正前瞻能力的系统。理论与实证分析的主要发现可归纳为三点：
第一，确认了使用物理先验分离架构是处理电网噪声最有效的方式。STF-Extractor通过结合图拓扑、时间掩码和频率净化清除特征流，在最早阶段剥离正常负荷波动，为后续模型提供纯净数据流，自然降低误报率。
第二，Mamba与WKAN的协同为长序列任务的速度和精度设立了新标准。数据挑战了“高精度需大规模慢速模型”的普遍认知。由于小波对信号尖峰的敏感性，STF-MKD处理高维监测的速度远快于基于Transformer的设计，且使模型对工程师更透明，可直观看到样条追踪趋势、小波捕捉突发。
第三，师生蒸馏为缺少标签数据的早期预警创造了新方法。通过在全知教师与实时学生之间构建信息差距，TGAR机制将未来风险拉回当前特征空间。预警提前时间的显著提升证明系统真正学习了故障演化过程，而非仅凭运气猜测。当然，电网持续变化，下一步工作将涉及增量学习以处理现场不同类型的硬件。