2025（第十届）变电智能运检创新发展大会：基于深度学习的高压输电线路故障智能辨识方法

基于深度学习的高压输电线路故障智能辨识方法王建博士/副教授输变电装备技术全国重点实验室2025年8月21日山东·济南2025（第十届）

变电智能运维创新发展论坛1研究背景与意义2输电线路故障特征分析3基于波形图像识别的故障辨识方法4融合多模态信息的辨识效果提升5故障智能辨识软件及其应用6结论与展望汇报提纲OUTLINES2

部分研究背景与意义

国家能源局《关于加快能源数字化智能化发展的若干意见》和《电力安全生产

“十四五”行动计划》指出：推动电力能源装备故障诊断、

智能巡检、

智能运维技术发展是提升新型电力系统安全运行的关键举措

架空输电线路作为电力能源系统

“发、

输、

变、

配、

用、

调”六大环节中的核心骨架

，

其运行安全与故障处置效率直接影响新型电力系统的安全稳定1.1研究背景与意义4

架空输电线路地域分布广泛

，沿线地形复杂

，

运行环境多变

，

尤其在恶劣天气条件、

自然灾害、

人为破坏等影响下

，极易因雷击、

积污、

覆冰、

异物等因素引发故障

线路故障类型与原因的精准识别是电网调度决策、

送电恢复、

事故溯源分析的关键依据

，

同时为绝缘配合设计、

设备风险评估及退役策略研究提供基础数据1.1研究背景与意义5

输电线路故障辨识可归纳为分类归因问题

，传统故障辨识方法在物理机理建模和故障特性分析的基础上

，选取具有代表性的特征量来表征故障特点

，

再利用机器学习算法判别故障

随着新型电力系统规模增大及结构复杂化

，其物理建模面临高维非线性方程组求解困难

，且故障机理呈现源-网-荷交互影响特征

，传统方法难以兼顾精度与快速性电网规模增大数据多样化

采样精度高多影响因素耦合随机性增强非线性增多物理建模困难线性拟合误差大人工设计误差累积运行数据故障数据特征自学习强非线性拟合端到端建模故障识别故障分析数据获取算法应用人工智能技术应用流程参考资料：和敬涵,罗国敏,程梦晓,等.新一代人工智能在电力系统故障分析及定位中的研究综述[J].中国电机工程学报,2020,40(17):5506–5516.信息机理建模1.2研究现状电力系统故障诊断的新特点6

深度学习网络可直接从电气量波形图像数据中自动学习和提取最能表征故障本质的深层次、

高维度特征

，

实现利用变电站内录波文件的暂态波形图像辨识故障原因

针对单一电气量数据

，

无法应对复杂和模糊故障场景的问题。

通过融合气象、

季节等不同维度的数据

，

可形成相互印证、

相互补充的可信证据链

利用AI大模型具备的处理不同来源、

不同结构信息的强大能力

，

完成多源数据特别是文本数据的处理与融合，实现优势互补基于AI大模型的数据处理线路气象因素多参量融合判断故障原因概率季节、过渡电阻、故障位置基于深度学习的输电线路故障辨识模型CNNResNet联邦学习迁移学习1.3主要思路与技术路线录波波形格拉姆角场录波CFG文件判断故障原因集

成

表

决,输电线路故障特征分析部分 架空输电线路故障分布情况

故障类型：

同一地区单相接地故障普遍占比90%以上

，存在类不平衡问题

，不同地区分布情况略有差异

故障原因：

同一地区不同故障原因占比差异显著

，存在类不平衡问题

，不同地区分布也存在显著差异2.1输电线路故障样本分布特征分析*WangJ,

Lin

F,

Nan

D,

etal.Transmissionlinefault

identification

methodbased

on

weighted

federated

learning

and

multimodal

residual

network[J].

IJEPES,

2025,

170:

110860.9 雷击故障特性分析

由雷电直接击中杆塔、

导线而引起

，均是由于大幅值雷电流引起过电压导致的绝缘子击穿

雷击故障多为低阻性故障

，其过渡电阻多介于2~4Ω

,

服从μ=2.58

，

σ=0.28的对数正态分布

雷击故障的伏安特性为线性

，故障波形呈正弦波

，故障相电流中含有较少的高频谐波分量2.2输电线路故障电气量特征分析典型雷击故障录波波形雷击故障过渡电阻分布典型雷击电流频谱图10 山火故障特性分析

由山林火灾产生的导电烟雾颗粒引发

，持续时间较长导致故障延续时间也较长

故障逐步发展

，存在预放电现象

，

带电粒子具较好的导电能力且容易受环境影响

过渡电阻成高阻性

，

阻值大部分介于60~130Ω

,

服从μ=91.11

，

σ=20.66的正态分布山火故障过渡电阻分布典型山火故障录波波形典型山火电流频谱图2.2输电线路故障电气量特征分析11 覆冰故障特性分析

绝缘子串发生冰凌桥接导致绝缘性能下降

，或融冰时溶解了污秽物

，导电率有所提高

电弧通常会贯穿绝缘子串

，伏安特性为线性

，故障波形呈正弦波

，较少含高频谐波成分

覆冰故障的过渡电阻阻值大多介于2~3Ω

,

服从μ=2.48

，

σ=0.38的正态分布2.2输电线路故障电气量特征分析覆冰故障过渡电阻分布典型覆冰故障录波波形典型覆冰电流频谱图12 风偏故障特性分析

风偏故障一般伴随着强对流大风、

台风等恶劣天气

，导体与塔身或导线之间的间隙不足而放电

故障期间

，通常故障相电压波形有明显毛刺

，故障波形呈正弦波

，波形中较少含直流分量与高频谐波分量

风偏的电弧电阻基本为线性

，其过渡电阻大多介于4~6Ω

,

服从μ=5.33

，

σ=0.97的正态分布2.2输电线路故障电气量特征分析风偏故障过渡电阻分布典型风偏故障录波波形典型风偏电流频谱图13 污闪故障特性分析

大量高导电率的鸟粪或其他污染物附着在绝缘子串表面造成沿面闪络

故障期间

，故障相电压明显减小

，故障相电流明显增大

，

电流波形呈正弦波

，

近似金属性接地故障

污闪故障的过渡电阻阻值大多介于2~3Ω

,

服从μ=2.5,

，

σ=0.48的正态分布2.2输电线路故障电气量特征分析污闪故障过渡电阻分布典型污闪故障录波波形典型污闪故障电流频谱图14 异物外破故障特性分析

第一类为绳索、

薄膜、

防护网等低阻性故障

，

其过渡电阻较小

，

大多介于2~4Ω

,

服从μ=3

，

σ=0.65的正态分布；

伏安特性为线性

，故障波形呈正弦波

，含有较少的高频谐波分量

第二类为树木、

吊车等高阻性故障

，其过渡电阻大多介于28~40Ω

,

服从μ=35.02

，

σ=2.89的正态分布低阻异物过渡电阻分布高阻异物过渡电阻分布典型异物故障录波波形典型异物故障电流频谱图2.2输电线路故障电气量特征分析15

批量仿真扩充样本库是故障分析与故障诊断的常用方法。

难点：

准确波形复现

，样本分布符合实际情况

结合故障统计特征

，

利用MATLAB/Simulink批量生成符合实际故障位置、

初相角、

故障类型、

故障相别、故障原因及其过渡电阻值分布特征的样本集

，

丰富训练模型样本库

，提升辨识效果2.3考虑故障样本类不平衡的仿真样本库扩充方法*王建,吴昊,张博,等.不平衡样本下基于迁移学习-AlexNet的输电线路故障辨识方法[J].电力系统自动化,2022,46(22):182-191.输电线路仿真拓扑图过渡电阻模拟系统16

分析异物、

树闪等故障的机理和过渡电阻特征

，基于控制论电弧模型模拟过渡电阻

，

设定电弧长度以及固定电阻值

，

实现典型波形反演扩充

根据颗粒物触发空气击穿理论的山火故障仿真模型

，

基于奥本诺斯(Ob

saus)

的污秽放电仿真模型

，

能够反演出波形细节

，

实现山火波形反演扩充2.3考虑故障样本类不平衡的仿真样本库扩充方法基于雷击发生器+Cassie电弧模型的雷击故障仿真控制论电弧模型+非周期性电阻的异物故障仿真空气击穿理论+污秽放电模型的山火故障仿真17雷击——雷雨天（75.5%）

、

雨天（24.5%）山火——晴天（89.3%）

、大风（10.7%）污秽——阴天（80.27%）

、

雨天（10.32%）

、雪天（4.893%）

、雾霾（4.48%）风偏——大风（86.15%）

、

雨天（10.53）

、雪天（3.32%）覆冰——雪天（63.81%）

、冻雨（20.69%）

、大风（12.54%）

、

晴天（2.96%）异物——晴天（60.34）

、大风（26.33%）

、阴天（8.13%）

、

雨天（5.2%）

部分故障的形成由特定的天气条件造成

，例如污秽闪络需在潮湿环境下才易发生

，

覆冰绝缘子伞裙桥接则多见于低温高湿的覆冰天气。

这些故障尽管在放电机理上相似、

易被混淆

，但其对应的气象背景存在显著差异。将天气因素作为辅助特征引入故障识别模型

，有助于提升对易混淆故障原因的辨识精度2.3输电线路故障气象特征分析*林丰恺,王建,赵启,等.基于多模态残差网络融合波形与天气信息的输电线路故障原因辨识方法[J].电力系统保护与控制,2025,录用待刊.不同故障原因的天气情况统计图18基于波形图像识别的故障辨识方法部分

数据输入：

预处理后的图像数据

特征提取：

由卷积＋池化层交替进行

，卷积层应用卷积核生成特征图

，

捕捉空间特征

，池化层通过下采样减少计算量

，保留关键特征

，进而提取出多尺度特征

分类预测：

由全连接层整合特征

，进行分类或回归

，输出层输出分类结果3.1基于卷积神经网络图像识别方法原理*Wu

Hao,WangJian,

etal.Transmissionlinefault

cause

identification

methodbased

on

transient

waveform

image

and

MCNN-LSTM[J].

Measurement,

2023,

220(1)

:

113422.20

基于残差网络的输电线路故障辨识模型

可将故障时电压、

电流波形转换成的格拉姆角场图、

频谱图、

马尔科夫转移场图作为模型的输入

，

能够有效地保留信号完整的信息

，解决原始数据对时间序列的依赖性

，放大数据特征

引入残差模块单元构建深度残差网络

，在增加网络模型深度的同时可提高模型训练的准确率3.2输电线路故障辨识模型的构建*赵启,王建,林丰恺,等.基于格拉姆角场与ResNet的输电线路故障辨识方法[J].电力系统保护与控制,2024,52(10):95-104.21

基于残差网络的输电线路故障辨识模型算例分析

当输入为转换后的格拉姆角场图时

，

利用故障真实数据进行训练和验证

，

该模型对总体故障类型辨识准确率为99.59%

，对总体故障原因辨识准确率为92.39%

，优于其他网络模型网络模型准确率/%I-ResNet92.39AlexNet80.23CNN73.523.2输电线路故障辨识模型的构建*赵启,王建,林丰恺,等.基于格拉姆角场与ResNet的输电线路故障辨识方法[J].电力系统保护与控制,2024,52(10):95-104.不同网络模型原因辨识结果对比22基于时频网络的故障辨识模型

基于时频网络的故障辨识模型

模型中的时频卷积层（

TFconv）

，

能够从故障录波数据中提取时域和频域特性

，

可提取故障发生时的瞬态特征

，有效捕捉非平稳信号中的关键信息

，增强了模型对故障特征的提取能力

TFN模型在总体故障原因上的辨识准确率为81.63%3.2输电线路故障辨识模型的构建23

基于物理启发式神经网络的山火故障识别模型

针对部分地区山火故障极为罕见

，

导致数据驱动方法难以有效建模的问题

，

提出一种融合物理约束与神经网络的电弧放电物理信息神经网络方法。

该方法基于电弧放电机理与观测波形特征

，推理并求解电弧长度

，实现对山火故障的有效识别

，尤其适用于有限样本条件下的场景3.2输电线路故障辨识模型的构建电弧放电物理信息神经网络24

基于物理启发式神经网络的山火故障识别模型算例分析

实验结果表明

，

在400组仿真数据集上

，

该模型在仅使用20%训练数据的情况下依然取得了96.85%的高准确率

，

验证了其在小样本场景下的鲁棒性。

同时

，

该方法具备良好的泛化能力

，

能够实现从仿真环境向真实山火故障场景的有效迁移故障案例线路名称故障时间故障原因辨识结果1LMFeb

20山火山火3LQQFeb

21山火山火2YXFeb

29山火山火4HLFeb

24异物非山火5TDMar

21绝缘子闪络非山火6CNApr

14异物山火7LQAug

20绝缘子闪络非山火SNR27dB30dB35dB40dB山火故障72.90%87.35%87.50%97.50%非山火故障94.20%93.75%99.25%96.20%Total83.55%90.55%93.38%96.85%3.2输电线路故障辨识模型的构建不同测量噪声下山火故障检测准确率迁移测试结果25融合多模态信息的辨识效果提升部分天气情况独热编码表示晴天[1,0,0,0,0,0,0,0]雷雨[0,1,0,0,0,0,0,0]雪天[0,0,1,0,0,0,0,0]雨天[0,0,0,1,0,0,0,0]冻雨[0,0,0,0,1,0,0,0]大风[0,0,0,0,0,1,0,0]阴天[0,0,0,0,0,0,1,0]雾霾[0,0,0,0,0,0,0,1]

不同天气条件下输电线路发生故障的原因概率不同

，

因此其对不同故障原因存在着隐含的映射效果

，

利用AI大模型对气象文本数据进行标准化处理

，

并基于独热编码构建气象特征数据集

使用全连接神经网络提取故障时的气象特征

，利用通道注意力机制将气象特征与电气量特征进行融合*林丰恺,王建,赵启,等.基于多模态残差网络融合波形与天气信息的输电线路故障原因辨识方法[J].电力系统保护与控制,2025,录用待刊.4.1气象多模态编码不同天气情况的独热码表示形式27

基于贝叶斯公式

，

求解出不同季节和天气情况下各故障的故障概率作为权重分配

采用D-S证据理论对TFN模型的初步辨识结果与气象信息辅助模型的预测信息进行融合

，

并通过Dempster组合规则输出综合故障原因辨识结果4.2DS证据融合←

←

←不同季节和天气下故障原因的后验分布各类故障原因先验分布季节和天气情况条件概率贝叶斯公式故障原因统计推断故障样本及总体信息故

障原因先

验信

息28←

融合多源信息的故障辨识准确率

基于残差网络的输电线路故障辨识模型中

，

融合气象信息后准确率从92.39%提升至94.87%

基于时频网络的故障辨识模型中

，采用D-S证据

，

融合季节和气象信息后准确率从81.63%提升至96.29%网络模型

准确率/%残差网络92.39融合气象信息后的残差网络94.87基于DS证据融合的辨识效果网络模型准确率/%时频网络融合季节和气象信息后的视频网络81.6396.29融合气象后的残差网络模型的混淆矩阵D-S证据融合后各类故障原因准确率提升效果4.3算例分析多模态残差网络的辨识效果29部分

及其应用

故障智能辨识软件

研发了输电线路故障原因辨识软件

，

可单机部署或基于调控云平台部署

，利用故障录波和气象数据生成故障原因概率和详细报告

，包含故障原因及其概率、

故障定位和运维建议

，

可辅助运维人员快速决策

研究成果经中国电力企业联合会鉴定

，

已达到国际领先水平。

“计及多源信息融合的联邦学习输电线路故障原因辨识系统研发及应用

”获得2024年度国网新疆电力公司科技进步一等奖。

输电线路故障智能辨识与故障测距方法等3项专利成果转化

，

已推广应用到国网新疆电力公司和南网贵州电网公司等地区5输电线路故障智能辨识软件及其应用31部分结论与展望

提出了基于波形图像识别的输电线路故障辨识方法。将故障录波的电压、

电流时序信号

，转换成波形图、格拉姆角场图、

时频图等特征图像

，输入到残差网络训练得到的故障辨识模型

，在实际故障数据中

，故障类型的辨识准确率为99.59%

，故障原因的辨识准确率约为85%

提出了考虑多源信息融合提升辨识准确率的方法。利用AI对历史气象文本数据进行标准化处理，采用多模态数据融合、

D-S证据融合理论等方式

，将故障原因的辨识准确率提升到约95%

拓展了早期故障识别与风险预警研究。可利用宽频监测（新型录波器）

提取故障录波启动但未跳闸的扰动信息

，基于AI检测扰动信号中的异常特征

，从而识别潜在故障或早期故障

，开展运行风险预警和降风险调度运行

，可减少山火、覆冰等共因故障造成的多条线路跳闸对电网的影响 全链条主动安全保护：气象灾害预警→早期故障识别→故障原因辨识→

自适应重合闸→运维处置6.1研究结论与展望331.Wu

Hao,WangJian,

Nan

Dongliang,

etal.

Fault

Location

and

Fault

Cause

Identification

Method

for

Transmission

Lines

Based

on

Pose

Normalized

MultioutputConvolutional

Nets[J].

IEEETrans.

Instrumentationand

Measurement,

2025,

74:

3500412.2.WangJian,

Lin

Fengkai,

Nan

Dongliang,

etal.Transmission

line

fault

identification

methodbased

on

weighted

federated

learning

andmultimodalresidualnetwork[J].

InternationalJournalofElectrical

Power

&

Energy

Systems,

2025,

170:

110860.3.WangJian,

Zhang

Bo,Yin

Dong,

etal.

Distribution

networkfault

comprehensive

identification

method

based

on

voltage-ampere

curvesand

deep

ensemblelearning[J].

InternationalJournal

ofElectrical

Power&

Energy

Systems,

2025,

164:

110403.4.WangJian,Zhang

Bo,Yin

Dong,et

al.

Distribution

network

fault

identification

method

based

on

multimodal

ResNet

with

recorded

waveform-dri