Page 74 - 《中国电力》2026年第5期

2026 年 第 59 卷

式中： α为融合后的注意力输出； α 1 为多头注意 20
10
电流/A 0
力机制； α 2 为 AFT 注意力机制； η为动态权重系 −10
数，取值范围为 [0, 1]。 −20 0 0.01 0.02 0.03 0.04 0.05 0.06
时间/s
对数异常的概率 (y) 通过前馈子层和后续归一 a) A相电流（局部畸变）
化层获得。采用二元交叉熵损失函数，损失函数 20
具体可以参考文献 [24]。 电流/A 10 0

−10
−20
0 0.01 0.02 0.03 0.04 0.05 0.06
2 稀缺数据增强 时间/s
b) B相电流（局部畸变）

20
2.1 配电网异常数据特征 电流/A 10 0
为精准识别配电网异常数据、保障配电网用 −10
−20
电质量和安全运行 [25] ，本论文主要针对配电网中 0 0.01 0.02 0.03 0.04 0.05 0.06
时间/s
三相电压越限 [26] 与电流畸变 [27] 核心异常数据展开 c) C相电流（局部畸变）
检测研究。上述两类异常在数据波形上的特征表 图 2 电流畸变
现分别如图 1~2 所示。图 1 中，虚线标注位置三 Fig. 2 current distortion
相电压异常状态，其特征为电压越限。图 2 中，
两条虚线所围区间为三相电流异常状态，其特征 为 20 s 的三相电压和三相电流的数据集。由于采
为电流畸变。 集的数据集中电压和电流异常数据相对稀缺，为
了有效提高异常数据的识别准确率，利用 SDAS

400 方法对数据集中的异常信号进行扩展增强，如图 3
200
电压/V −200 0 所示。对增强后的数据集将前 18 s 三相电压和电
−400
0 0.01 0.02 0.03 0.04 0.05 0.06 流中的异常数据划分为训练集，18 s—20 s 作为
时间/s
a) A相电压（电压越限） 测试集进行异常检测识别。增强后三相电压中每
一 相 分 别 包 含 个 时 刻 的 电 压 异 常 数 据 ， 共
400 13
200
电压/V −200 0 39 个电压越限异常数据；三相电流中每一相分别
−400 包含 17 个时刻的电流异常数据，共 51 个电流异
0 0.01 0.02 0.03 0.04 0.05 0.06
时间/s 常数据。
b) B相电压（电压越限）
SDAS 在通过扩散扰动生成异常样本以缓解
400
电压/V −200 0 数据稀缺问题时，存在两类核心潜在误差及假阳
200
−400 性风险。1）异常强度参数 s 的取值直接影响生成
0 0.01 0.02 0.03 0.04 0.05 0.06
时间/s 数据的真实性：若 s 过大，额外扰动会使生成样
c) C相电压（电压越限） 本的特征超出配电网实际运行的物理约束（如电
图 1 电压越限 压 越 限 幅 值 、 电 流 谐 波 分 布 偏 离 设 备 故 障 机
Fig. 1 Voltage out of limit
理），形成 “伪异常” 特征，导致模型学习错
电 压 越 限 与 电 流 畸 变 不 仅 导 致 供 电 质 量 下 误规律，在测试阶段将正常数据误判为异常；若
降，还可能引发设备故障，严重情况会导致线路 s 过小，生成样本的异常特征与正常数据波动差
跳闸 [28-29] 。因此，对这两类异常数据进行精准识 异微弱，无法有效补充训练信息，还可能因特征
别，是有效排查配电网潜在故障，降低事故发生 模糊降低模型对真实异常的辨识灵敏度。2）异
概率，保障配电网持续安全稳定运行的关键环节。 常掩码 M 的区域划分、异常权重 δ 的配比，以及

2.2 SDAS 数据增强 扩散过程中高斯噪声与真实电网噪声的适配性，
对广东某地区的配电网三相电压和三相电流 均可能导致局部合成特征失真 [30] 。如掩码未精准
进行采集。生成采样频率为 10 kHz，总采样时间 匹配真实异常的时序位置、δ 失衡导致异常特征

70