Classification of Single and Mixed Partial Discharges under Switching Voltage Using an AWA-CNN Framework

📄 arXiv: 2605.21352v1 📥 PDF

作者: Md Rafid Kaysar Shagor, Zannatul Ferdousy Mouri, Farhina Haque, Anindya Bijoy Das

分类: cs.LG, cs.CE, cs.ET

发布日期: 2026-05-20

💡 一句话要点

提出AWA-CNN框架，用于开关电压下单个和混合局部放电源的分类

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 局部放电 开关电压 AWA模式 卷积神经网络 故障诊断

📋 核心要点

  1. 传统正弦电压下的局部放电分析方法难以有效应对开关电压激励下局部放电活动集中于电压转换的挑战。
  2. 论文提出一种基于幅度-宽度-面积(AWA)的模式表示方法，将时域PD脉冲转化为可区分的视觉模式，便于分类。
  3. 实验结果表明，基于AWA模式和CNN的分类方法能够有效区分六种单一和混合局部放电源，测试精度超过96%。

📝 摘要（中文）

快速开关电力电子设备的日益普及使得开关电压激励下的局部放电(PD)分析变得越来越重要，但也比正弦条件下的分析更具挑战性，因为活动集中在电压转换时。本文提出了一种幅度-宽度-面积(AWA)模式表示方法，用于开关电压激励下的源导向PD分析。在该方法中，时域PD脉冲通过脉冲幅度、宽度和面积来表征，并映射到视觉模式中，其中幅度和面积定义坐标轴，宽度由颜色编码。生成的AWA模式用于区分六种单一和混合PD源条件：电晕、内部、表面、电晕+内部、电晕+表面和内部+表面。为了评估所提出的表示的分类能力，比较了随机森林基线和两个卷积神经网络(CNN)模型InceptionV3和ResNet-18。AWA模式显示出可区分的源依赖分布，并且基于CNN的分类实现了高于96%的测试精度，而随机森林的测试精度为73.33%。结果表明，AWA模式提供了一种PD脉冲的视觉表示，适用于开关电压激励下的多类PD源分类。

🔬 方法详解

问题定义：论文旨在解决开关电压激励下，对单个和混合局部放电源进行准确分类的问题。传统方法在处理此类问题时，由于局部放电活动集中在电压转换期间，导致特征提取和分类的准确性受到限制。现有方法难以有效区分不同类型的局部放电源，尤其是在混合源的情况下。

核心思路：论文的核心思路是将时域局部放电脉冲转换为一种视觉模式，即AWA模式。通过将脉冲的幅度、宽度和面积信息编码到图像中，使得不同类型的局部放电源在视觉上呈现出可区分的分布。这种视觉表示方法能够更好地捕捉局部放电的特征，并利用卷积神经网络进行高效分类。

技术框架：整体框架包括以下几个主要阶段：1) 数据采集：在开关电压激励下采集局部放电脉冲数据。2) 特征提取：计算每个脉冲的幅度、宽度和面积。3) AWA模式生成：将幅度、宽度和面积映射到二维图像中，其中幅度和面积定义坐标轴，宽度用颜色编码。4) 分类：使用卷积神经网络（InceptionV3和ResNet-18）对AWA模式进行分类，识别不同的局部放电源。

关键创新：论文最重要的技术创新点在于提出了AWA模式表示方法。与传统的时域或频域特征相比，AWA模式能够更直观地呈现局部放电脉冲的特征，并且能够有效地捕捉不同类型局部放电源之间的差异。这种视觉表示方法使得卷积神经网络能够更好地学习局部放电的特征，从而提高分类的准确性。

关键设计：AWA模式的生成过程中，幅度和面积被用作二维坐标轴，宽度则通过颜色编码进行表示。这种设计使得AWA模式能够同时包含脉冲的幅度、宽度和面积信息。在分类阶段，论文使用了两种不同的卷积神经网络结构，即InceptionV3和ResNet-18，以验证AWA模式的有效性。损失函数采用交叉熵损失函数，优化器采用Adam优化器。

📊 实验亮点

实验结果表明，基于AWA模式和CNN的分类方法能够有效区分六种单一和混合局部放电源。InceptionV3和ResNet-18模型在测试集上均取得了超过96%的分类精度，显著优于随机森林基线（73.33%）。这表明AWA模式能够有效地表示局部放电脉冲的特征，并且卷积神经网络能够很好地学习这些特征，从而实现高精度的局部放电源分类。

🎯 应用场景

该研究成果可应用于电力设备的在线监测和故障诊断，例如变压器、电缆和绝缘子等。通过准确识别局部放电源的类型，可以及时发现设备的潜在缺陷，避免重大事故的发生，提高电力系统的可靠性和安全性。未来，该方法可以进一步扩展到其他类型的电力设备和更复杂的局部放电场景。

📄 摘要（原文）

The growing use of fast-switching power electronics has made partial discharge (PD) analysis under switching-voltage excitation increasingly important, yet more challenging than under sinusoidal conditions due to activity concentrated at voltage transitions. This work presents an Amplitude-Width-Area (AWA) pattern representation for source-oriented PD analysis under switching-voltage excitation. In the proposed method, time domain PD pulses are characterized using pulse amplitude, width, and area, and mapped into a visual pattern where amplitude and area define the coordinate axes and width is encoded by color. The generated AWA patterns are used to distinguish six single and mixed PD source conditions: corona, internal, surface, corona+internal, corona+surface, and internal+surface. To evaluate the classification capability of the proposed representation, a Random Forest baseline and two Convolutional Neural Network (CNN) models, InceptionV3 and ResNet-18, are compared. The AWA patterns show distinguishable source-dependent distributions, and CNN-based classification achieves testing accuracy above 96%, compared with 73.33% for Random Forest. The results indicate that AWA patterns provide a visual representation of PD pulses suitable for multi-class PD source classification under switching-voltage excitation.