可再生能源的高比例接入极大地改变了电力系统的运行特性，导致系统惯性下降，稳定性问题日益严重[1]、[2]、[3]。同步调相机作为提供旋转备用容量和即时无功功率支持的关键设备，在提升电网韧性及接纳可再生能源方面发挥着不可替代的作用。确保其可靠运行已成为智能电力系统管理的重要组成部分。而作为同步调相机控制中心的励磁系统，直接决定了设备的运行性能，因此早期故障检测对于构建智能运维体系至关重要。
现有的异常检测技术主要包括基于模型的方法[4]、[5]、[6]，统计可靠性方法[7]、[8]，以及数据驱动方法[9]、[10]、[11]、[12]。基于模型的方法依赖于精确的微分方程或传递函数，但励磁系统的高非线性、时变参数以及难以测量的干扰因素，给构建精确的在线模型带来了很大挑战。统计方法则需要大量历史故障数据来拟合寿命分布，这一要求对于早期故障检测而言难以满足。近年来，基于正常行为建模的数据驱动方法展现了巨大潜力[10]、[13]、[14]。这类方法的核心思想是利用设备健康状态下的历史数据训练模型，以预测正常运行状态，这类模型常被称为“数字孪生模型”或“健康模型”。通过监测模型预测值与实际输出之间的差异即可检测出异常。这种方法有效避免了对精确物理模型或大量故障样本的依赖。这种基于数字孪生的故障检测方法在能源系统中得到了广泛应用。在这些应用中，数字孪生模型通过持续的物理-虚拟状态映射，建立了可靠的正常行为参考，从而能够在从混合直流微电网[15]到信息物理基础设施[16]等各类系统中实现早期偏差识别。然而，目前这些基于数字孪生的方法大多采用通用的机器学习架构作为预测核心，缺乏针对励磁系统动态特性的多尺度时间特征的专门设计。
不过，将此类方法应用于同步调相机励磁系统时仍存在两个关键瓶颈。首先是数据特性方面的瓶颈。设备状态恶化初期表现出的症状较为隐匿，发展速度也较慢，再加上冗余切换机制以及较短的运行历史，导致故障样本极为稀缺。这就要求预警模型能够仅通过正常数据就准确捕捉到细微的异常模式。其次是模型能力方面的瓶颈。从工程角度而言，励磁系统的无功功率包含两个相互关联的组成部分，形成了多尺度时间特征：长期趋势（由于设备老化以及自动电压调节器/相量测量单元参数变化导致的数小时到数天的无功功率缓慢变化），以及局部波动（由负载调节和电网扰动引起的分钟级随机振荡）。传统的单尺度时间模型在捕捉这类特征时存在固有局限：LSTM网络[17]、[18]、[19]、[20]虽擅长模拟长期依赖关系，但往往会平滑处理短期细节，因而无法捕捉局部波动；而传统的时间卷积网络[21]、[22]虽然能够有效提取局部模式，但其固定的感受野无法覆盖超长周期的趋势。为提升特征表示能力，现有研究[23]、[24]、[25]、[26]尝试将不同的网络模块串联或并联使用。这些研究确实证明了混合架构的潜力，但它们主要针对通用结构，并未针对励磁系统无功功率信号的多尺度特征特点进行专门设计。
此外，并行结构产生的多源异构特征若仅通过简单的拼接或相加方式处理，可能会削弱关键的早期故障信息。注意力机制[27]、[28]虽能提升模型的区分能力，但在样本极度匮乏的情况下，纯数据驱动的注意力机制可能会产生有偏或不确定的权重分布。近期关于基于知识引导的注意力机制的研究表明，将领域先验信息嵌入注意力初始化或权重调整过程中，而非完全依赖数据驱动的估计方法，可以有效提升在样本不足条件下的特征聚焦能力。这一优势已在工业软感知[29]和电力变换器故障诊断[30]领域得到验证。不过，这些设计尚未针对励磁系统无功功率信号的多尺度时间特征进行优化，因为在不同状态退化阶段，长期趋势与短期波动的相对重要性是动态变化的。与此同时，近期出现的基于Transformer或时间注意力的模型，如PatchTST[31]、iTransformer[32]、PRformer[33]和MeaTS[34]，通过自注意力机制捕捉长距离依赖关系，在通用时间序列预测领域取得了优异性能。然而，将其直接应用于励磁系统的早期故障检测时仍面临诸多实际难题。故障样本的稀缺性导致了较高的样本处理复杂性，而且通用架构缺乏整合励磁系统动态特性相关领域知识的机制（例如励磁绕组的惯性效应以及自动电压调节器/相量测量单元的控制延迟等）。尽管迁移学习或预训练可能有助于解决这些问题，但这些方法需要额外的源领域数据以及复杂的微调过程。
更广泛地说，将物理约束与深度学习架构相结合的混合物理-数据模型，已成为提升小样本泛化能力和可解释性的重要研究方向[35]。例如，用于轴承状态预测的物理信息递归网络[36]，以及用于疲劳寿命预测的知识-神经网络融合模型[37]。然而，目前尚未出现一种能够整合物理信息先验、知识引导的注意力机制以及基于数字孪生的正常行为建模方法的统一框架，尤其是那种专为同步调相机励磁系统的多尺度时间动态特性设计的框架。正是这一缺口推动了本文的研究工作。
为解决上述问题，本文提出了一种结合预设时间注意力与多尺度时间网络（MSTN-PTA）的早期故障预警方法。其主要贡献如下：
(1) 一种并行的多尺度时间特征提取架构。该架构中的LSTM分支用于捕捉无功功率的长期趋势，而新型的多分支时间卷积网络则通过具有指数级递增扩张因子的并行残差块，提取局部的短期波动和周期性特征。层间全局残差连接机制则有助于保障深度网络训练的稳定性。
(2) 一种基于先验知识引导的预设时间注意力融合机制。这种双维度策略克服了并行网络中简单拼接方式的局限性：在时间维度上，衰减函数融入了专家先验知识，即认为近期数据更有利于确定注意力权重，随后这些权重再通过数据驱动的统计特征进行调整；同时在特征维度上则采用自适应权重分配策略。这一策略实现了深度特征的精准融合，从而在样本匮乏的情况下提升预测精度及对早期细微故障的识别能力。
章节节选
具有预设时间注意力的多尺度时间网络
本文提出了一种具有预设时间注意力的多尺度时间网络（MSTN-PTA），其框架如图1所示。该模型由四个部分组成：输入层、并行特征提取模块、深度特征融合模块以及全连接输出层。并行提取与融合模块共同完成多尺度时间特征的提取，并进行自适应融合，从而提升无功功率预测精度及故障预警的可靠性。
(1) 输入
基于MSTN-PTA模型的故障早期预警方法
基于MSTN-PTA模型的励磁系统故障早期预警方法主要包含两个阶段：离线训练和在线监测。具体工作流程如图4所示。
在离线训练阶段，需要对正常运行条件下的历史SCADA数据进行处理，包括去除异常值、均值滤波以及数据标准化。处理后的数据随后按照7:1:2的比例划分为训练集、验证集和测试集。
结论
本文提出了一种基于MSTN-PTA的故障预警方法，用于从多尺度无功功率信号中检测励磁系统的早期故障。本文得出以下结论：
(1) 并行的LSTM-MBTCN架构能够有效捕捉无功功率的长期趋势和短期波动，从而提升特征的区分度。结合预设权重与动态统计特征的双维度融合机制，使得模型能够始终聚焦于关键特征
CRediT作者贡献说明
傅星河：写作——审稿与编辑，写作——初稿撰写，软件工具，资源获取，项目管理，方法设计，资金申请，数据整理。胡学春：写作——审稿与编辑，可视化分析，实验研究。王涵：写作——审稿与编辑，写作——初稿撰写，可视化分析，软件工具，方法设计。郭定宇：写作——初稿撰写，结果验证，软件工具，数据整理，概念构思。
利益冲突声明
作者们声明存在以下可能被视为潜在利益冲突的财务利益/个人关系：傅星河表示曾获得东南大学的资金支持，且与东南大学存在包括资金资助在内的合作关系。其他作者则声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
Xinghe Fu|Xuechun Hu|Han Wang|Dingyu Guo
中国南京210096，东南大学电气工程学院
