一种轻量级的多模态融合网络，用于具有高功率脉冲负载的电力系统的故障诊断

《Engineering Applications of Artificial Intelligence》：A lightweight multimodal fusion network for fault diagnosis of power systems with high-power pulsed loads

　　新雨江|荣杰王|一春王
集美大学海洋工程学院，中国福建省厦门市，361021

摘要
对于在高压脉冲负载（HPPLs）下运行的电力系统而言，快速、准确且具有抗干扰能力的故障诊断对于系统的稳定运行至关重要。为了验证模型的可行性，研究人员在包含6328个样本的8类数据集上对其进行了评估，该数据集涵盖了不同的HPPL场景，具有不同的占空比（D = 0.3和0.4）。本文提出了一种轻量级的双分支多模态融合模型，该模型利用小波变换（WT）生成时频图像，并通过傅里叶变换（FT）获取频率谱。基于WT的图像由带有卷积块注意力模块（CBAM）的卷积神经网络（CNN）进行处理，而基于FT的频谱则由CNN、CBAM和双向门控循环单元（BiGRU）进行处理。所提出的模型设计简洁，参数数量少，推理效率高，仅依赖于总线电压信号作为输入。在两种典型的脉冲负载场景下，该模型的准确率超过了95%，并且在严重噪声条件下仍能保持84%以上的准确率，展示了强大的鲁棒性和效率。

引言
随着可再生能源和分布式发电的快速发展，微电网作为实现灵活能源整合和确保高可靠性电力供应的重要手段，引起了广泛关注。由于其结构简单、传输效率高以及易于集成可再生能源和储能设备（Wan等人，2023年），直流微电网已成为未来电力系统的发展方向（Sarangi等人，2025年）。在实际应用中，许多直流微电网需要为高压脉冲负载（HPPLs）供电，例如电磁发射系统、雷达、脉冲激光器或大型工业设备（Maqsood等人，2020年；He等人，2025年；Liu等人，2023年）。本研究提出的多源混合电力系统并不是全新的拓扑结构，而是对局部直流微电网架构的针对性改进。它保留了微电网典型的多源互联特性，同时专门进行了定制，以确保在极端功率波动下的电力供应稳定性。这种精确的结构调整对于优化系统可靠性和减轻严重运行压力下的风险至关重要（Kim等人，2023年）。然而，直流微电网通常存在电压稳定性差、短路故障电流上升快以及保护和故障检测方面的挑战（Bhalla等人，2025年）。如果故障不能及时准确诊断和隔离，可能会导致设备损坏甚至引发大规模停电（Srivastava和Tripathy，2021年）。高压脉冲负载在运行过程中通常表现出大电流和快速动态变化的特点（Xiao等人，2022年）。因此，这些行为会导致总线电压和电流的显著波动（Luo等人，2023年；Salama等人，2022年；Jishkariani，2024年）。这不仅增加了系统动态响应的复杂性（Mi等人，2025年），也给故障检测和诊断带来了更大的挑战。脉冲负载引起的电流浪涌往往类似于短路故障的特征，使得误判断或漏检的可能性增加。特别是在国防或重工业等实际场景中，将鲁棒性验证与极端电磁干扰（EMI）等现实世界挑战相结合，已成为确保系统韧性的关键工程共识（Albahri等人，2023年）。因此，开发快速、准确且对干扰具有鲁棒性的故障诊断方法对于在高功率脉冲负载条件下运行的直流微电网具有重要的理论和实践意义。

目前关于直流微电网故障检测的研究主要分为两类：数学方法和机器学习方法（Anjaiah等人，2025年）。数学方法包括基于阻抗的方法（Yadav和Tummuru，2020年；Rao和Jena，2021年）、基于过电流的方法（Noman等人，2024年）、基于导数的方法（Shamsoddini等人，2020年）以及基于通信的方法（Mohanty和Pradhan，2018年）。Han等人提出了一种快速故障诊断方案，该方案使用较少的传感器来检测极间故障和极对地故障，并在低带宽分布式通信系统中定位故障线路（Han等人，2024年）。为了检测PP、NPG和PPG故障，Li等人引入了一种双阈值方案，仅使用局部故障电流（如总线侧电容电压和正线电流）即可实现准确的故障分类（Li等人，2025年）。为了准确检测直流环型微电网中的故障，Anjaiah等人采用了二阶导数电流（SODC）进行故障隔离，并使用加权广泛学习系统（WBLS）进行故障分类，以最小的计算成本实现了不平衡直流故障的诊断（Anjaiah等人，2023年）。然而，传统的数学方法通常依赖于精确的系统参数或固定阈值。在高功率脉冲负载引起的严重瞬态波动下，这些方法难以区分正常负载瞬态和实际短路故障，容易产生误判。这一限制凸显了对自适应和鲁棒诊断框架的迫切需求。与传统的数学方法不同，机器学习方法不需要通信链路、直流电抗器或阈值设置，并且越来越多地应用于故障诊断（Almutairy和Alluhaidan，2017年；Pandey和Mohanty，2023年）。Wang等人提出了一种不依赖于先前故障数据的故障诊断方案，解决了数据驱动方法中缺乏标记故障样本的问题（Wang等人，2023年）。为了应对实际工程中初始训练阶段故障样本不平衡的问题，Liu等人开发了一种结合噪声辅助多变量经验模态分解（NA-MEMD）和多层迭代LightGBM（MI-LightGBM）的方法，克服了训练过程缓慢的局限性（Liu等人，2021年）。Ded等人利用局部电压和电流测量值，采用了一种结合装袋集成学习器和余弦k最近邻（C-KNN）的混合机器学习方法，在低压独立直流微电网中进行故障检测和分类（Deb和Jain，2024年）。

现有的微电网故障诊断方法通常依赖于单一模态（Wu和Lu，2024年）。然而，单一模态信息往往无法捕捉到关键的故障特征，也难以捕获各种系统状态之间的耦合关系。Lim等人使用离散小波变换（DWT）将电压和电流信号转换为2D数据，然后利用BiLSTM对四种不同类型的故障进行位置和类型分类（Lim等人，2025年）。Radmanesh等人使用快速傅里叶变换（FFT）将时域电流信号转换为频域，随后采用改进的变分模态分解（MVMD）进行信号处理，最后应用混合机器学习算法（LVS）实现准确故障检测（Radmanesh和Hadadi，2025年）。Bhaumik等人使用DWT分解电流信号，采用主成分分析（PCA）进行降维，并利用支持向量机进行故障分类，从而提高了算法的速度（Bhaumik等人，2025年）。对于大规模和复杂的电力系统，Liu等人设计了一种跨模态注意力融合机制，为三种类型的模态特征分配不同的权重，同时捕获时间、图像和结构特征（Liu等人，2024年）。目前，大多数多模态融合在故障诊断中的应用集中在机械部件上，如滚动轴承（Zhang等人，2024a）。例如，Qiu等人在一个分支中使用格拉姆角和场（GASF）将振动信号转换为图像，在另一个分支中通过小波散射网络提取波形特征，然后合并两个分支的特征进行故障分类（Qiu等人，2025年）。Sun等人采用基于物理的多模态融合卷积神经网络（PMFN），结合循环谱相干图自适应融合一维信号，用于诊断旋转机械中的故障（Sun等人，2024年）。然而，现有的深度学习模型往往计算负担沉重（例如，Alam等人（2025年）中的融合网络需要4798万个参数）和较高的推理开销（Keshun等人，2025年），这阻碍了资源受限的边缘设备部署。最近，从最少感测数据中提取丰富的诊断洞察已成为各种先进工程领域中一种高效且鲁棒的范式（Nayyef等人，2024年）。

基于以上分析，现有的直流微电网故障诊断方法在实现高诊断准确性和低计算成本之间难以取得有效平衡。迫切需要一种轻量级的故障诊断框架，该框架能够仅使用单一传感器信号进行多模态融合，以满足边缘设备的部署要求。正如近期研究所强调的，解决资源效率和诊断鲁棒性之间的方法论差距对于提高系统在严重干扰下的韧性至关重要（Rosli等人，2025年）。

为了解决这些挑战，本文提出了一种基于多模态融合的轻量级双分支故障诊断网络，旨在实现对多源混合电力系统中多种类型瞬态故障的有效识别和鲁棒感知。该方法仅使用总线电压信号作为输入。与多传感器融合方案相比，依赖单一总线电压信号可以降低硬件部署成本，同时有效避免因传感器不同步导致的误诊风险。该方法采用并行架构分别提取频谱和时间频率特征。在两个分支中引入卷积块注意力模块（CBAM），以增强网络对关键特征区域的关注，同时在频谱分支中嵌入双向门控循环单元（BiGRU），以加强故障演变的时间建模。随后，采用模态融合模块促进不同特征空间之间的交互，生成统一的分类输出。所提出的方法结构紧凑，参数复杂度低，计算效率高，非常适合带有HPPLs的微电网系统。在两种典型运行条件下的多次实验验证了该方法在识别准确性、噪声鲁棒性和工程可行性方面的综合优势。

本文的主要贡献总结如下：
● 提出了一种轻量级的多模态诊断网络，结合了CBAM和BiGRU以提高对关键区域和动态特征的感知能力。
● 引入了一种自适应加权交叉熵损失，动态调整类别权重，提高易混淆类别的识别能力，并增强边界表示。
● 采用了仅依赖于总线电压的高效轻量级网络，实现准确的故障识别，减少硬件依赖和计算开销。
● 在两个典型的脉冲负载数据集上的广泛测试全面验证了该方法在故障识别方面的优异噪声免疫能力和准确性。

本文的其余部分组织如下：第2节介绍了构建的多源混合电力系统仿真模型，并分析了脉冲负载集成引起的故障特征和类型。第3节详细介绍了所提出的双分支并行故障诊断网络的结构设计和关键模块。第4节通过在不同占空比下的两种脉冲负载场景下进行多次测试，系统评估了所提出方法的性能。最后，第5节总结了工作并讨论了未来的研究方向。

多源混合电力系统模型
本研究调查的多源混合电力系统采用了包括燃料电池、磷酸铁锂电池和超级电容器在内的多源协调供电架构。这种配置旨在有效满足传统直流负载和HPPLs的动态功率需求，从而提高能源传输和转换过程的总体效率和稳定性。多源混合电力系统的结构如图3所示。

网络结构
如图3所示，所提出的轻量级框架仅依赖于单一总线电压信号——显著降低了传感器硬件成本——以实现端到端的故障诊断。它采用双分支架构进行互补特征提取：一个分支使用小波变换（WT）和CNN及CBAM来捕获联合时频特征，另一个分支结合CNN、CBAM和BiGRU来建模局部频谱特征和序列特征。

实验设置
所有实验都在配备了Intel Core i7-10700F CPU @ 2.90 GHz、NVIDIA GeForce RTX 3060 GPU和16 GB RAM的硬件工作站上进行，操作系统为64位Windows 11。软件环境基于Python 3.12，所有神经网络模型均使用PyTorch深度学习框架实现和评估。

关于数据配置，每个故障场景的模拟持续时间为8秒。为了构建数据集，连续的总线电压被用于模拟。

结论与展望
本文解决了脉冲负载干扰下多源混合电力系统的复杂故障诊断问题。作为主要创新点，提出了一种轻量级的双分支多模态融合模型，该模型结合了CBAM注意力机制和BiGRU序列建模。通过将该双分支网络输入由WT生成的时间-频率图像和由FT生成的幅度谱，该框架有效增强了关键特征的提取和动态模式的表示能力。此外，AnCRediT作者贡献声明如下：

江新宇：负责撰写原文初稿、方法论部分及形式化分析。
王荣杰：负责审稿与编辑工作，并提供监督指导。
王一春：负责监督工作及概念框架的构建。

利益冲突声明：
作者声明不存在任何可能影响本文研究工作的已知财务利益冲突或个人关系。