近日，爱科特科技（广州）有限公司自主研发的 Aiict-iPD 系列 AI 局放监测系统，在国家电网四川电力 110kV 智慧变电站 GIS 局放检测中心完成了全流程实测验证。测试采用基于 DeepFuseNet 深度学习网络的局放识别模型，对真实运行环境下的 GIS 局部放电信号进行分类识别与评估。经 5 折交叉验证法严格评估，模型 F1 分数达到 98.3%，精确率（Precision）达 0.980，召回率（Recall）达 0.984，各项指标均接近理想值。
图：110kV 智慧变电站 GIS 局放检测中心 — 现场部署、PRPD/PRPS 谱图分析及模型评估指标
项目背景
气体绝缘开关设备（GIS）是现代电网中的关键设备之一，其内部若产生局部放电（Partial Discharge），将逐步导致绝缘劣化，严重时可能引发设备故障甚至停电事故。传统局放检测方法依赖人工判读，效率低且主观性强。爱科特针对这一行业痛点，研发了基于深度学习的 AI 局放自动识别系统，并在国网四川电力的 110kV 智慧变电站 GIS 检测平台上开展了系统性实测验证。
技术方案
本次实测采用爱科特自研的 DeepFuseNet 深度学习网络作为核心识别模型，技术路线涵盖以下环节：
- 信号采集：通过高频电流传感器（HFCT）和超高频（UHF）传感器同步采集 GIS 设备的局放脉冲信号
- 特征提取：从原始信号中提取 PRPD（相位-幅值-次数密度）谱图、PRPS（相位-幅值-时间序列）三维谱图等多维特征
- 模型训练：基于 DeepFuseNet 融合网络结构，结合大量标注样本进行训练，并通过损失函数优化持续提升模型收敛效果
- 真实比对：将模型预测结果与人工专家标注结果逐一比对，计算分类准确率、精确率、召回率等核心指标
- 交叉验证：采用 5 折交叉验证法（5-Fold Cross Validation）评估模型泛化能力，确保评估结果的可靠性与稳定性
模型评估结果
经严格的 5 折交叉验证评估，DeepFuseNet 模型在国网四川电力 110kV 变电站 GIS 数据集上的表现如下：
| 评估指标 | 数值 | 说明 |
|---|---|---|
| F1 分数 (F1-score) | 0.983 | 综合评价指标，越接近 1 表示模型性能越好 |
| 精确率 (Precision) | 0.980 | 模型判定为正类的样本中真正为正类的比例 |
| 召回率 (Recall) | 0.984 | 所有真正的正类样本被模型正确识别的比例 |
三项核心指标均超过 0.98，表明 DeepFuseNet 模型在实际工程场景下具备较高的识别精度和较低的误报漏报水平。
实测场景
本次实测在国家电网四川省电力公司 110kV 智能变电站 GIS 局部放电带电检测中心完成，该平台配备了完整的 GIS 试验回路、多通道同步采集系统以及标准化的局放信号源，能够模拟多种典型局放类型（如金属颗粒放电、悬浮电位放电、绝缘子表面放电等）。爱科特系统在该环境下完成了从信号接入、实时分析到结果输出的全链路验证。
意义与展望
本次实测验证是爱科特 AI 局放监测技术在国家级电网平台上的重要应用实践。结果表明，DeepFuseNet 深度学习模型在真实变电站复杂电磁环境下依然保持稳定的高精度识别能力，为后续规模化推广奠定了坚实的数据基础。
爱科特表示，将持续优化模型架构与算法策略，进一步扩大在不同电压等级、不同设备类型上的实测覆盖范围，推动 AI 局放监测技术在更多电力场景中的落地应用，为建设安全、可靠、智能的现代化电网提供技术支撑。