基于时空混合Transformer与图对比学习及贝叶斯不确定性的鲁棒同步相量测量装置输电线路故障诊断

《Engineering Science and Technology, an International Journal》：Robust Phasor Measurement Unit (PMU)-based fault diagnosis in transmission lines using a spatio-temporal hybrid transformer with graph contrastive learning

　　

随着同步相量测量单元(PMU)在电力系统实时监测中的广泛应用，研究人员亟需高精度、低延迟且可靠的故障诊断框架。该研究提出一种新型时空混合Transformer结合图嵌入对比学习与贝叶斯不确定性方法，包含五个优化模块：多尺度时序Transformer(MSTT)通过并行扩张自注意力处理PMU时间序列，捕获多分辨率时序依赖；图信号嵌入单元(GSEU)基于电气距离构建邻接矩阵，利用图卷积网络(GCN)生成拓扑感知的空间特征嵌入；双空间对比学习模块(DSCLM)采用傅里叶变换(FFT)与小波变换生成对比样本，通过对齐损失增强域偏移鲁棒性；贝叶斯决策融合网络(BDFN)融合决策树(DT)、随机森林(RF)与K近邻(KNN)分类器输出，通过后验权重估计提供校准类别概率与不确定性决策；对抗故障模拟器(AFS)基于生成对抗网络(GAN)生成对抗性PMU样本以验证模型鲁棒性。在基准数据集测试中，该方法实现99.3%准确率，较基线集成提升2.2%，故障检测延迟由0.4977秒降至0.3215秒，对抗测试下准确率提升17.4%，显著增强了时空特征学习能力、噪声泛化性能、不确定性量化可靠性及对抗攻击防御能力。

研究背景与意义

现代输电系统依赖同步相量测量单元(PMU)实现高精度实时监测，但现有故障诊断方法存在明显局限：传统时序模型忽略电网空间拓扑，图神经网络难以捕捉多尺度动态特征，常规分类器缺乏不确定性量化，且在噪声、域偏移及对抗扰动下鲁棒性不足。针对这些问题，印度VIT-AP大学研究人员在《Engineering Science and Technology, an International Journal》发表研究，提出集成多尺度时序注意力、显式拓扑嵌入、域不变对比学习、贝叶斯不确定性校准与对抗验证的综合框架，为智能电网提供可靠、可解释的故障诊断方案。

关键技术方法

研究采用IEEE 30节点测试系统生成20,000个标注样本（含10,000个故障事件与10,000个无故障场景），PMU采样频率120 Hz，每样本包含128个时间点的三相电流、电压、频率及相角数据（9维特征）。核心技术包括：①多尺度时序Transformer(MSTT)配置4个扩张注意力头（扩张因子[1,2,4,8]），嵌入维度64；②图信号嵌入单元(GSEU)基于线路阻抗计算邻接矩阵（A_ij=exp(-Z_ij/λ)，λ=0.1）；③双空间对比学习模块(DSCLM)通过FFT幅值谱与Haar小波变换构建正样本对，温度系数τ=0.07；④贝叶斯决策融合网络(BDFN)动态加权决策树（深度10）、随机森林（100棵树）及K近邻（k=5）输出；⑤对抗故障模拟器(AFS)基于GAN生成强度ε=0.05的对抗扰动样本。训练采用Adam优化器（学习率1×10^-4），批量大小128，早停机制（验证损失20轮无改善终止）。

研究结果

5.1 模块消融分析

逐步添加模块显著提升性能：单独MSTT准确率96.2%，单独GSEU为95.8%，二者结合达97.5%，加入DSCLM升至98.4%，整合BDFN后达99.1%，完整模型实现99.3%准确率与0.321秒延迟。各模块分别贡献时序特征提取、空间拓扑感知、域不变性增强、不确定性校准及对抗鲁棒性验证功能。

5.2 验证结果影响分析

在标准测试中，模型准确率99.3%，精确率99.1%，召回率99.2%，F1值99.1%。检测延迟较基准方法降低35%（0.321秒 vs 0.498秒）。抗噪性测试显示，在0.5%高斯噪声下保持97.8%准确率；频率漂移（±0.2 Hz）时准确率达98.6%；相角偏移（0.01–0.05 rad）下召回率98.2%；对抗样本测试中准确率高达99.4%，较基准提升12.3个百分点。复合压力场景（噪声+漂移+对抗）仍维持98.8%准确率，证实其在波动电网环境中的适用性。

5.3 超参数迭代与指标偏差分析

三次独立实验表明模型性能稳定：准确率99.3%±0.12%，延迟0.321±0.009秒。配对t检验证实所有改进均具统计显著性（p<0.01）。与基准方法[2][8][25]相比，各项指标方差更小，证明框架兼具高性能与高可靠性。

5.4 局限性

研究存在五点局限：依赖均衡标注数据，实际电网可能面临类别不平衡；测试限于IEEE标准系统，真实电网泛化性待验证；贝叶斯不确定性需在动态工况下进一步校准；GAN模拟器未涵盖通信故障等现场异常；GPU部署效率尚可，但嵌入式设备适配需优化。

讨论与结论

该研究通过时空特征联合对齐与概率决策融合，解决了传统方法表征割裂、鲁棒性不足的缺陷。实验证明，集成架构在精度、速度、抗干扰性上均超越现有方案，为电网保护系统提供新技术路径。未来研究方向包括在线学习适应动态负载、半监督学习缓解标注依赖、扩展GAN生成真实设备故障样本、模型压缩适配边缘计算，以及引入注意力可视化解释模块提升运维可解释性。