摘要
气体绝缘开关柜（GIS）是电力系统中的重要组成部分。准确的局部放电（PD）模式识别是识别设备内部绝缘缺陷的关键要求。然而，由不同绝缘缺陷产生的特高频（UHF）局部放电脉冲序列通常包含复杂的非线性时间结构和多尺度周期性变化。这些耦合特性难以通过单一的特征映射策略进行充分描述。因此，本文提出了一种用于GIS局部放电模式识别的时间-频率双分支随机配置网络（TF-SCN），该网络由两个异构隐藏层分支组成。具体而言，在时间分支中，模型使用类似于传统SCN的非周期性、非线性激活函数来捕获非线性时间特征。频率敏感分支引入了共享随机投影参数的成对正弦-余弦谐波节点，以捕获频率敏感特征。两个分支的隐藏层输出被级联为一个联合时间-谐波特征空间，并在残差不等式约束下求解输出权重以实现GIS局部放电分类。为验证所提出模型的优势，在包含从GIS局部放电实验平台收集的四种局部放电模式的数据集上进行了对比实验。选取了多个基线模型，包括1DCNN、BPNN、SVM、KELM、RVFL和SCN，进行性能对比。结果表明，与1DCNN、BPNN、SVM、KELM、RVFL和SCN相比，TF-SCN在时域和频域均能有效提取可区分的特征，从而实现最佳的整体性能。此外，即使在信噪比从50 dB到20 dB的噪声数据上，其识别性能也始终保持一致的优势。通过将高灵敏度UHF传感器与所提出的TF-SCN相结合，本研究展示了一个健壮的人工智能增强型智能感知与故障诊断系统，用于电力设备的连续状态监测。
