基于深度神经网络的局部放电诊断方法综述

基于深度神经网络的局部放电诊断方法综述摘要：局部放电（PartialDischarge,PD）是电力设备绝缘劣化的核心征兆，也是导致设备绝缘击穿、引发电网故障的关键诱因，其精准诊断对保障电力系统安全稳定运行具有重要意义。随着特高压电网建设提速与智能监测技术的迭代，传统局部放电诊断方法已难以满足复杂工况下的精准化、实时化需求。深度神经网络（DeepNeuralNetwork,DNN）凭借强大的自动特征提取、非线性拟合及复杂数据处理能力，在局部放电信号降噪、特征识别、缺陷定位与状态评估中得到广泛应用，成为近年来该领域的研究热点。本文综述了2020-2026年基于深度神经网络的局部放电诊断相关研究成果，系统梳理了主流深度神经网络模型的原理、应用场景及优化策略，分析了当前技术应用中存在的瓶颈，并结合2026年电力设备智能化发展趋势，展望了未来研究方向，为后续相关研究与工程实践提供参考。关键词：深度神经网络；局部放电；绝缘诊断；特征提取；故障定位1引言电力设备作为电力系统的核心组成部分，其绝缘性能直接决定电网运行的可靠性与安全性。局部放电是指在高压电场作用下，绝缘结构中局部区域的电场强度超过介质击穿场强，导致局部区域发生放电但未形成贯穿性导电通道的电气现象，其本质是绝缘介质局部劣化的外在表现形式[1]。长期存在的局部放电会通过热效应、化学腐蚀及电树枝老化等机制，加速绝缘材料劣化，最终引发设备绝缘击穿，造成非计划停运，带来巨大的经济损失与安全隐患[5]。因此，实现局部放电的精准检测、缺陷识别与定位，是电力设备状态检修（CBM）的核心环节，也是推动电网从“周期性检修”向“预测性检修”转型的关键支撑。传统局部放电诊断方法主要依赖人工提取放电信号的时域、频域特征（如放电量、脉冲频率、相位分布等），结合支持向量机（SVM）、决策树等传统机器学习算法实现缺陷诊断，但存在明显局限性：一是人工特征提取依赖专业经验，主观性强，难以捕捉复杂放电信号的深层特征；二是抗干扰能力弱，在现场强电磁干扰、多缺陷耦合等复杂工况下，诊断精度大幅下降；三是泛化能力不足，难以适配不同设备、不同缺陷类型的诊断需求[2]。随着传感器技术、大数据技术的发展，局部放电监测已进入多源数据（电、声、光、化学等）融合时代，如何高效处理高维度、非线性、强干扰的多模态放电数据，成为提升诊断性能的关键。深度神经网络作为人工智能领域的核心技术，通过构建多层网络结构，可自动完成特征提取、特征融合与模式识别，无需人工干预，有效解决了传统方法的痛点[7]。自2020年以来，卷积神经网络（CNN）、循环神经网络（RNN）、Transformer等深度模型在局部放电诊断中得到快速应用，相关研究在信号降噪、缺陷分类、精准定位等方面取得了突破性进展。2026年，随着特高压直流（HVDC）系统普及、智能电网建设深化，以及多模态感知技术的融合，基于深度神经网络的局部放电诊断技术正朝着“精准化、实时化、智能化、一体化”方向发展。本文结合近年来的研究成果，对该领域的研究现状、主流方法、现存问题及未来趋势进行系统综述，为相关研究与工程应用提供全面参考。2局部放电诊断基础与深度神经网络核心原理2.1局部放电诊断核心流程局部放电诊断的核心流程主要包括信号采集、信号预处理、特征提取、缺陷识别与定位四个环节。信号采集通过特高频（UHF）传感器、超声波（AE）传感器、高频电流互感器（HFCT）等设备，捕获局部放电产生的电脉冲、电磁辐射、机械振动等多源信号[6]；信号预处理主要用于抑制背景噪声、消除干扰，常用方法包括小波变换、经验模态分解（EMD）、自适应滤波等，为后续特征提取奠定基础；特征提取是诊断的核心，需从预处理后的信号中提取能够表征缺陷类型、严重程度的特征参数；缺陷识别与定位则通过算法对提取的特征进行分析，确定缺陷类型（如气隙放电、沿面放电、电晕放电等）、严重程度及具体位置[4]。其中，特征提取与缺陷识别是影响诊断精度的关键环节。传统方法依赖人工提取时域、频域特征，存在效率低、适应性差等问题，而深度神经网络可通过多层网络的正向传播与反向训练，自动从原始信号或预处理后的信号中提取深层特征，无需人工干预，大幅提升了特征提取的效率与准确性，同时增强了诊断方法的抗干扰能力与泛化能力[2]。2.2深度神经网络核心原理与应用优势深度神经网络是由输入层、隐藏层（多层）、输出层组成的复杂网络结构，其核心优势在于通过多层非线性变换，实现对输入数据的深层特征挖掘与复杂模式识别[7]。与传统机器学习算法相比，深度神经网络无需人工设计特征，可直接以原始信号或预处理后的信号作为输入，通过梯度下降法、反向传播算法等优化网络参数，使网络逐步学习到能够表征数据本质的特征，从而实现更高精度的分类与预测。在局部放电诊断中，深度神经网络的应用优势主要体现在三个方面：一是自动特征提取能力，可有效捕捉局部放电信号的深层非线性特征，避免人工特征提取的主观性与局限性；二是强抗干扰能力，通过多层网络的特征筛选的冗余信息剔除，可有效抑制现场电磁干扰、设备噪声对诊断结果的影响，提升复杂工况下的诊断精度；三是强泛化能力，通过大量样本训练，网络可适配不同设备（变压器、GIS、电缆等）、不同缺陷类型的诊断需求，无需针对特定场景重新设计特征[3]。此外，深度神经网络还可实现多源数据融合诊断，将电、声、光等多模态信号融入同一网络，全面利用各类信号的互补信息，进一步提升诊断性能[6]。3基于深度神经网络的局部放电诊断主流方法近年来，国内外学者围绕深度神经网络在局部放电诊断中的应用展开了大量研究，形成了以卷积神经网络、循环神经网络、Transformer为核心，结合多模型融合、迁移学习等优化策略的诊断方法体系。以下重点梳理2020-2026年主流深度神经网络模型在局部放电诊断中的应用研究，分析各方法的原理、优势及适用场景。3.1卷积神经网络（CNN）及其改进模型的应用卷积神经网络（CNN）是一种基于局部感受野、权值共享的深度模型，擅长处理二维图像类数据，其核心结构包括卷积层、池化层、全连接层，通过卷积操作提取数据的空间特征，通过池化操作降低特征维度、减少冗余信息，最终通过全连接层实现分类或回归[3]。在局部放电诊断中，通常将预处理后的局部放电信号（时域信号、频域信号）转换为二维特征图（如时频图、灰度图），输入CNN模型实现缺陷识别与分类。传统CNN模型在局部放电诊断中已取得较好的应用效果。例如，有学者将局部放电时域信号通过小波变换转换为二维时频图，输入CNN模型实现气隙、沿面、电晕三种典型缺陷的分类，诊断准确率达到96%以上[2]。但传统CNN模型存在局部特征提取能力不足、对微弱信号敏感等问题，难以适应复杂工况下的多缺陷耦合诊断需求。2022-2026年，学者们通过改进CNN模型结构，提出了一系列优化方法，进一步提升了诊断性能。残差网络（ResNet）作为CNN的改进模型，通过引入残差连接，有效解决了深层网络训练过程中的梯度消失、梯度爆炸问题，可构建更深层的网络结构，提升特征提取能力[3]。2024年，有研究基于ResNet构建局部放电诊断模型，将局部放电信号的小波时频图作为输入，通过残差连接增强深层特征的传递，在强干扰环境下，对变压器四种典型缺陷的诊断准确率达到98.79%，同时具备较强的抗干扰能力[3]。此外，该模型还通过量化局部放电特征参数，实现了放电量的精准估算，为绝缘劣化程度评估提供了支撑。卷积神经网络与注意力机制的结合，是近年来的研究热点。注意力机制可使网络重点关注对诊断有用的特征区域，抑制无关信息的干扰，进一步提升诊断精度。2025年，有学者提出基于注意力机制的CNN诊断模型，通过通道注意力模块与空间注意力模块，强化局部放电信号的关键特征，抑制背景噪声干扰，在多缺陷耦合场景下，诊断准确率较传统CNN模型提升了8.3%，同时缩短了模型训练时间[6]。CNN模型的优势在于擅长处理二维特征图，能够有效捕捉局部放电信号的空间特征，适用于局部放电缺陷分类、信号降噪等场景，尤其适用于多源信号融合诊断中的特征提取环节。但其局限性在于对时序特征的捕捉能力不足，难以处理局部放电信号的动态变化规律[2]。3.2循环神经网络（RNN）及其改进模型的应用循环神经网络（RNN）是一种具备时序记忆能力的深度模型，其核心特点是网络节点之间存在反馈连接，能够捕捉输入数据的时序特征，适用于处理局部放电这类具有动态时序特性的信号[7]。局部放电信号的产生具有随机性、时序性，不同时刻的放电信号之间存在关联关系，RNN模型可通过时序记忆能力，挖掘这种关联关系，提升诊断精度。传统RNN模型存在梯度消失、长序列依赖等问题，难以处理长时序的局部放电信号。为此，学者们提出了长短期记忆网络（LSTM）、门控循环单元（GRU）等改进模型，有效解决了上述问题，在局部放电诊断中得到广泛应用[2]。LSTM通过引入输入门、遗忘门、输出门，实现对时序信息的选择性记忆与遗忘，能够有效捕捉长时序局部放电信号的关联特征；GRU作为LSTM的简化版本，减少了网络参数，提升了训练效率，同时保持了较好的时序特征捕捉能力。2023年，有学者基于LSTM模型构建局部放电缺陷诊断模型，以局部放电时序信号作为输入，通过LSTM网络挖掘不同时刻放电信号的关联特征，实现对电缆绝缘缺陷的类型识别与严重程度评估，诊断准确率达到97.2%，同时能够有效识别早期微弱放电信号[4]。2025年，另一项研究提出GRU与小波变换结合的诊断方法，先通过小波变换对局部放电信号进行降噪处理，再将处理后的时序信号输入GRU模型，在复杂电磁干扰环境下，对GIS设备局部放电缺陷的诊断准确率达到96.8%，训练效率较LSTM模型提升了30%[6]。此外，RNN与CNN的融合模型，也是近年来的研究热点。CNN负责提取局部放电信号的空间特征，RNN负责捕捉时序特征，两者结合可实现对局部放电信号的全方位特征提取，进一步提升诊断性能[7]。2026年，最新研究提出CNN-LSTM融合模型，将局部放电信号转换为二维时频图，通过CNN提取空间特征，再将特征序列输入LSTM捕捉时序特征，实现对特高压变压器多类型缺陷的精准诊断，诊断准确率达到99.1%，同时具备较好的实时性[5]。RNN及其改进模型的优势在于擅长捕捉局部放电信号的时序特征，适用于局部放电信号的动态监测、缺陷发展趋势预测等场景，但其局限性在于训练过程复杂，对短时序信号的处理效果不如CNN模型，且易受噪声干扰[2]。3.3Transformer模型的应用Transformer模型基于自注意力机制，能够捕捉输入数据的全局关联特征，解决了RNN模型长序列依赖的问题，同时具备更强的特征融合能力，近年来在自然语言处理、计算机视觉等领域得到广泛应用，2023年后逐步应用于局部放电诊断领域[6]。与CNN、RNN模型相比，Transformer模型无需依赖局部感受野或时序反馈，可直接通过自注意力机制挖掘全局特征，尤其适用于多源数据融合、长时序信号处理等场景。2024年，有学者首次将Transformer模型应用于局部放电缺陷诊断，以局部放电时序信号作为输入，通过自注意力机制捕捉不同时刻放电信号的全局关联特征，实现对四种典型缺陷的分类，诊断准确率达到98.5%，较传统CNN、LSTM模型均有提升[7]。2025年，另一项研究提出基于Transformer的多源数据融合诊断模型，将特高频信号、超声波信号的时序特征输入Transformer模型，通过自注意力机制实现多模态特征融合，全面利用各类信号的互补信息，在复杂工况下，对变压器局部放电缺陷的诊断准确率达到99.3%，同时能够有效区分多缺陷耦合场景[6]。2026年，最新研究对Transformer模型进行优化，提出轻量化Transformer诊断模型，通过剪枝、量化等技术，减少网络参数，提升训练与推理效率，使其能够适配现场嵌入式设备的实时监测需求，解决了传统深度模型参数多、计算量大、难以现场部署的问题[5]。该模型在现场测试中，推理时间缩短至50ms以内，诊断准确率保持在98%以上，为深度神经网络在局部放电现场诊断中的工程应用提供了可能。Transformer模型的优势在于全局特征捕捉能力强、多源数据融合效果好，适用于复杂工况下的多缺陷诊断、多模态数据融合诊断等场景，但其局限性在于网络结构复杂、参数较多，训练需要大量样本数据，且对硬件计算能力要求较高[7]。3.4其他优化策略的应用除了上述主流模型，近年来学者们还通过迁移学习、多模型融合、数据增强等优化策略，进一步提升深度神经网络在局部放电诊断中的性能，解决样本不足、泛化能力差、计算量大等问题。迁移学习通过将已训练好的模型参数迁移到新的诊断任务中，减少新任务的样本需求，提升模型训练效率与泛化能力[2]。由于局部放电样本采集难度大、成本高，尤其是早期微弱放电样本稀缺，迁移学习成为解决该问题的有效途径。2024年，有研究基于迁移学习，将在实验室标准样本上训练好的ResNet模型，迁移到现场实际样本的诊断任务中，在样本量减少60%的情况下，诊断准确率仍保持在95%以上，大幅降低了样本采集成本[5]。多模型融合通过将不同深度模型的优势结合，弥补单一模型的局限性，提升诊断精度与稳定性[7]。例如，CNN与Transformer的融合模型，既能够通过CNN捕捉局部特征，又能够通过Transformer捕捉全局特征；LSTM与GRU的融合模型，可兼顾时序特征捕捉能力与训练效率。2025年，有研究提出CNN-Transformer-LSTM融合模型，实现对局部放电信号的空间、时序、全局特征的全方位提取，在多缺陷、强干扰场景下，诊断准确率达到99.5%，成为目前诊断精度最高的方法之一[6]。数据增强通过对现有样本进行旋转、平移、加噪、插值等处理，增加样本数量，提升模型的泛化能力与抗干扰能力[3]。2023-2026年，数据增强技术与深度神经网络的结合成为研究热点，学者们提出基于生成对抗网络（GAN）的数据增强方法，通过GAN生成逼真的局部放电样本，补充稀缺样本，有效解决了样本不平衡、样本不足的问题，使模型在早期微弱放电诊断中的性能提升了10%以上[2]。4基于深度神经网络的局部放电诊断应用现状随着深度神经网络技术的不断成熟，基于深度神经网络的局部放电诊断方法已逐步应用于各类电力设备的状态监测中，涵盖变压器、气体绝缘开关设备（GIS）、高压电缆、开关柜等核心电力设备，形成了从实验室研究到工程应用的逐步落地态势，为电力设备状态检修提供了有力支撑[5]。在变压器局部放电诊断中，深度神经网络模型主要用于油浸式变压器、干式变压器的绝缘缺陷诊断与状态评估。例如，某电力公司采用CNN-ResNet融合模型，结合特高频传感器与超声波传感器的多源数据，实现对变压器内部气隙、沿面、电晕等缺陷的精准诊断，诊断准确率达到98%以上，能够提前3-6个月发现绝缘劣化迹象，有效避免了设备故障的发生[6]。2026年，该方法已在全国多个特高压变电站推广应用，显著提升了变压器状态监测的智能化水平。在GIS设备局部放电诊断中，由于GIS设备结构封闭、内部缺陷难以察觉，深度神经网络模型凭借强抗干扰能力与精准识别能力，得到广泛应用[4]。例如，基于Transformer的多模态融合诊断模型，结合特高频信号与暂态地电压（TEV）信号，实现对GIS设备内部导体缺陷、绝缘子缺陷、金属颗粒缺陷的分类与定位，定位精度达到±5cm，诊断准确率达到99%，解决了传统方法定位精度低、抗干扰能力弱的问题[6]。目前，该模型已应用于GIS设备的在线监测系统，实现了缺陷的实时诊断与预警。在高压电缆局部放电诊断中，深度神经网络模型主要用于电缆终端、中间接头等薄弱环节的缺陷诊断与定位[4]。由于电缆敷设环境复杂，信号衰减严重，传统诊断方法难以实现精准定位。基于LSTM-GRU融合模型的诊断方法，通过分析电缆局部放电的时序信号，结合到达时间差（TOA）算法，实现对电缆缺陷的精准定位，定位误差控制在10cm以内，同时能够识别缺陷类型与严重程度，为电缆的运维检修提供了精准指导[6]。2025-2026年，该方法已在城市配电网电缆监测中得到应用，有效降低了电缆故障发生率。此外，深度神经网络模型还在开关柜、互感器等设备的局部放电诊断中得到应用，逐步形成了覆盖各类电力设备的智能化诊断体系[5]。但总体而言，目前基于深度神经网络的局部放电诊断技术仍处于工程应用的初级阶段，大部分研究仍停留在实验室层面，现场应用中还存在硬件适配性差、模型泛化能力不足、运维成本较高等问题，需要进一步优化完善。5现存问题与挑战尽管基于深度神经网络的局部放电诊断方法在近年来取得了显著进展，在实验室研究与部分工程应用中展现出良好的性能，但结合2026年电力设备智能化发展需求，该领域仍存在诸多问题与挑战，主要集中在样本、模型、工程应用三个方面。一是样本不足与样本不平衡问题突出。局部放电样本的采集需要专业的设备与技术，采集过程复杂、成本高，尤其是早期微弱放电样本、多缺陷耦合样本、特殊工况（高海拔、低温、强干扰）下的样本更为稀缺[7]。同时，不同缺陷类型的样本数量存在显著差异，导致模型训练出现偏向性，泛化能力不足，难以适应现场复杂多样的缺陷场景。虽然数据增强、迁移学习等方法在一定程度上缓解了该问题，但仍无法从根本上解决样本稀缺的痛点。二是模型泛化能力与抗干扰能力有待提升。实验室研究中，局部放电信号通常经过严格的降噪处理，干扰较少，模型诊断精度较高，但现场环境复杂，存在强电磁干扰、设备噪声、信号衰减等问题，导致模型在现场应用中的诊断精度大幅下降[3]。此外，不同设备、不同厂家的局部放电信号存在差异，模型在一种设备上训练后，应用于另一种设备时，泛化能力不足，需要重新训练模型，增加了工程应用的成本与难度。三是模型轻量化与硬件适配性不足。传统深度神经网络模型参数多、计算量大，需要高性能的计算设备支持，难以适配现场嵌入式设备、便携式监测设备的实时监测需求[6]。虽然近年来轻量化模型的研究取得了一定进展，但如何在保证诊断精度的前提下，进一步减少模型参数、降低计算量，实现模型与现场硬件设备的高效适配，仍是目前需要解决的关键问题。四是工程应用成本高、运维难度大。基于深度神经网络的局部放电诊断系统需要配备高精度的传感器、高性能的计算设备，同时需要专业的技术人员进行模型训练、系统维护与数据分析，导致系统建设与运维成本较高，难以在中小电力企业广泛推广应用[5]。此外，模型的可解释性较差，难以解释诊断结果的生成过程，给现场运维人员的决策带来不便。五是多源数据融合诊断的协同性不足。目前，多源数据融合诊断主要集中在电信号与声信号的融合，对光信号、化学信号等其他模态信号的利用不足[1]。同时，不同模态信号的时序对齐、特征融合难度较大，难以充分发挥多源数据的互补优势，导致诊断性能的提升受到限制。6未来研究趋势（2026-2030）结合2026年电力设备智能化、特高压电网建设、数字孪生技术发展的趋势，针对当前基于深度神经网络的局部放电诊断技术存在的问题，未来研究将重点围绕样本优化、模型创新、工程适配、多技术融合四个方向展开，推动该技术从实验室研究向工程化、规模化应用转型。一是样本生成与样本优化技术的深化研究。依托生成对抗网络（GAN）、变分自编码器（VAE）等生成模型，进一步提升合成样本的逼真度，生成更多高质量的早期微弱放电样本、多缺陷耦合样本，解决样本不足与样本不平衡问题[2]。同时，结合联邦学习技术，实现多单位、多场景的样本共享，无需共享原始样本数据，即可实现模型的联合训练，提升模型的泛化能力，降低样本采集成本。二是轻量化、高鲁棒性深度模型的创新研发。针对现场硬件设备的性能限制，进一步优化模型结构，通过剪枝、量化、蒸馏等技术，研发轻量化深度神经网络模型，在保证诊断精度的前提下，减少模型参数、降低计算量，实现模型与嵌入式设备、便携式监测设备的高效适配[6]。同时，加强抗干扰模型的研究，引入自适应降噪、干扰识别等技术，提升模型在复杂现场环境中的抗干扰能力，确保诊断结果的稳定性与可靠性。三是工程化应用的优化与推广。加强深度神经网络诊断系统与现场监测设备的集成，研发一体化的局部放电智能诊断设备，降低系统建设与运维成本[5]。同时，提升模型的可解释性，通过可视化技术、注意力机制解析等方法，解释诊断结果的生成过