基于GADF和SE-MSCNN的GIS局部放电故障诊断

苑超; 陈寿龙; 丁晓森; 朱雷; 陈恒祥; 陈旖旎

doi:10.20033/j.1003-7241.(2026)05-0093-04

自动化技术与应用 ›› 2026, Vol. 45 ›› Issue (5) : 93 -96. DOI: 10.20033/j.1003-7241.(2026)05-0093-04

基于GADF和SE-MSCNN的GIS局部放电故障诊断

苑超, 陈寿龙, 丁晓森, 朱雷, 陈恒祥, 陈旖旎

作者信息 +

Author information +

文章历史 +

摘要

针对气体绝缘组合电器(gas insulated switchgear, GIS)局部放电信号特征提取依赖人工经验、难以全面表征数据分散性与复杂性全貌的问题，提出一种基于格拉姆角差场(gramian angular difference field, GADF)和融合注意力机制的多尺度卷积神经网络(squeeze excitation-multi-scale convol-utional neural network, SE-MSCNN)的故障诊断模型。该方法首先对实验采集的四种典型缺陷特高频(UHF)信号进行归一化与极坐标编码，利用GADF将其转化为二维灰度图像作为模型前置输入；继而构建多尺度卷积神经网络，通过并行采用最大池化与平均池化层从不同尺度提取深层特征，并引入注意力机制对各通道特征进行自适应权重校准，以强化关键信息表征；最后通过全连接层实现多尺度特征融合，并利用Softmax分类器完成故障类型识别。为验证模型有效性，搭建了GIS局部放电故障检测试验平台，采集四种缺陷工况下的UHF信号并构建图像数据集。理论与实验结果表明：基于GADF变换生成的二维图像对不同放电缺陷良好的区分效果；所提SE-MSCNN模型在测试集上的诊断准确率达到98.75%,较传统方法具有更优的特征提取能力与分类性能，实现了对GIS局部放电故障的有效诊断。