Page 72 - 《中国电力》2026年第5期
P. 72
2026 年 第 59 卷
优于传统模型。该方法有效解决了配电网异常数据识别 方法。该方法的核心创新与内容包括：通过强度
中样本稀缺与多尺度特征建模难的核心瓶颈，提升了异 可控的扩散异常合成方法对稀缺场景下的异常数
常识别的精准性与模型运行稳定性，为智能配电网的数
据进行处理生成样本充足、特征齐全的训练数据，
字化巡检、实时故障预警及运维决策优化提供了关键技
解 决 异 常 样 本 不 足 问 题 。 借 助 DAM-Transformer
术支撑，具有工程应用前景。
实现多尺度时间特征与多维电气特征的协同感知
关键词：双重注意力机制；改进混沌优化算法；异常数
据检测 及深度融合，提升微弱异常信号辨识灵敏度，克
服背景干扰的解耦难题。利用 实现超参数
DOI：10.11930/j.issn.1004-9649.202510085 ICEO
高效自适应优化，降低人工调参依赖，规避传统
0 引言 优化方法的缺陷，可显著提升模型的泛化性能与
稳健性。
随着智能电网建设的深入推进，配电网作为
电力系统末端环节，其运行数据质量直接关系电 1 基于 ICEO-DAM-Transformer 的异常数
网安全、经济调度与用户服务质量 [1-5] 。受负荷分 据识别方法
布不均、单相接入增多等因素影响，配电网常出
现三相电气量幅值与相位不对称，进而引发电压 本文提出的方法涵盖异常数据生成与识别两
偏差、线损增加甚至设备损坏等隐患。因此，对 大环节。首先，借助强度可控的扩散异常合成方
三相电压、电流异常数据的准确及时识别，对保 法生成部分异常数据，该方法可有效解决实际配
障配电网安全可靠高效运行至关重要。 电网中真实且标注完备的异常样本稀缺、获取成
目前配电网数据异常识别面临多重挑战：1）实 本高昂的问题，为模型训练与评估提供充足且可
际运行中配电网异常数据稀缺，缺乏足够异常数 控的数据支撑。其次，创新提出双重注意力机制
据样本进行训练检测，且异常数据背景下，各相 Transformer，通过融入无注意力转换器增强模型
电气量正常波动与电压越限、电流畸变等异常波 对局部信息的捕捉能力，使其既能精准把握跨长
动在特征空间高度重叠，传统方法在跨尺度特征 时间的宏观趋势与长期依赖关系，又能敏锐捕捉
协同建模上存在明显不足 ；2）依赖手动调参的 邻 近 时 间 点 或 特 征 维 度 间 的 微 观 细 节 与 瞬 时 交
[6]
传统模型优化效率低、泛化能力有限，制约了在 互，进而协同建模不同时间尺度和特征空间中的
复杂场景中的适用性 。虽有学者尝试运用人工 复杂模式，显著提升在配电网异常数据背景下对
[7]
智能方法 ，如基于历史数据与自适应特征融合 隐藏的多尺度耦合异常的辨识效果。最后，采用
[8]
的配变负载三相不平衡判断方法 、基于递归自 ICEO 对 DAM-Transformer 的超参数进行优化，与
[9]
适应增强的配电系统拓扑重构方法 [10] 及基于改进 传统方法相比，该算法能以更少的评估次数找到
多种群遗传算法的家用负荷转移装置 [11] ，但现有 更优或接近最优的超参数配置，大幅提高模型优
研究仍存在局限，难以有效解耦背景干扰与目标 化效率。
异常特征 [12-14] ，导致异常识别灵敏度下降，且在 1.1 强度可控的扩散异常合成
协同建模全局趋势与局部细节特征上能力不足， 强度可控的扩散异常合成方法（strength-controlled
无法充分捕捉长期依赖关系、瞬时异常特征及特 diffusion anomaly synthesis， SDAS） 是 一 种 基 于 扩
征间非线性关联，限制多尺度异常模式辨识；同 散过程的异常样本合成策略，旨在生成接近真实
时，深度模型超参数众多，手动调参繁琐，传统 分布、异常模式多样且异常强度可控制的样本 [15] 。
优化算法易陷局部最优、收敛慢且对数据集适应 其核心是基于去噪扩散概率模型（denoising diffusion
性差，进一步制约模型泛化性能。 probability model，DDPM），通过在反向扩散过程
针对上述问题，提出基于改进的混沌优化算 中引入扰动项，生成位于正常样本低概率密度区
法（improved chaos optimization algorithm，ICEO）-双 域的异常样本。
重注意力机制 Transformer（dual attention mechanism- DDPM 通过正向扩散和反向扩散两个过程建
Transformer， DAM-Transformer） 的 异 常 数 据 检 测 模正常样本分布，具体可参考文献 [16]。
68
