局部放电的故障类型与气体绝缘开关(gas insulated switchgear

GIS)绝缘故障的严重程度紧密相关，精确识别局部放电故障类型对保障供电系统的稳定性至关重要。传统局部放电模式识别方法缺乏自适应去噪和对多尺度故障特征的处理机制，并且过于依赖专家经验，以至于在处理含有大量噪声和固有多尺度特性的复杂局部放电信号时存在显著局限性，从而限制了模型对于局部放电故障识别准确率的进一步提升。为解决这些问题，提出一种多尺度注意力自适应去噪网络(multi-scale attention adaptive denoising network

MAADNet)，该网络集成了多尺度特征学习模块、卷积注意力模块(convolutional block attention module

CBAM)以及软阈值函数，具备强大的自适应去噪和多尺度故障特征学习能力。具体而言，多尺度特征学习模块通过采用不同空洞率的空洞卷积以提取多尺度特征；而CBAM注意力机制和软阈值函数协同工作，依据输入局部放电信号的特性自适应调整去噪阈值，有效实现噪声抑制。此外，为验证所提网络有效性，通过搭建局部放电试验平台，设计并制作4种典型局放故障模型以收集不同故障类型的局部放电数据集。试验结果表明，所提方法在局部放电数据集上取得94.34%的识别准确率，优于其他先进方法，显示出良好的应用前景。