研究背景与问题

随着电力系统对励磁系统安全稳定运行要求的不断提高，励磁系统的故障检测变得尤为关键。传统方法依赖离散时间数据驱动模型，这些模型在处理多桥并列励磁系统的早期故障检测时表现出局限性。这些离散时间模型依赖固定的采样序列，导致难以有效捕捉连续电磁过程中的细微演化规律和多测量点间的空间耦合关系。此外，它们对噪声干扰和数据缺失的敏感性也是限制其性能的重要因素。

研究方法

为克服传统方法的局限，本研究提出了一种基于增强液态神经网络的励磁系统故障检测方法。该方法首先采用液态神经网络（Liquid Neural Networks, LNNs）的高效并行计算能力和强大的非线性建模能力，构建了一种新型数据驱动模型。在此基础上，通过对LNN结构进行增强，引入了自适应调整机制以优化网络性能，同时增强了其对噪声干扰和数据缺失的鲁棒性。此外，结合时域分析和频域分析，该模型能够更全面地刻画励磁系统中的动态变化，实现对故障的精确检测。

核心结果

本研究在仿真实验和实际励磁系统数据集上验证了所提方法的有效性。结果表明，相较于传统离散时间模型，基于增强LNN的方法能够显著提高故障检测的准确性，尤其在早期故障检测方面表现出优异的性能。具体来说，该模型在处理多桥并列励磁系统数据时，检测出早期故障的概率提升了20%以上，并且对噪声干扰的抵抗能力提高了50%。同时，实验也表明，该方法在不同复杂度和不同噪声水平的数据集上均具有良好的一致性。

结论与意义

本文提出的基于增强LNN的励磁系统故障检测方法，通过有效捕捉励磁系统的连续电磁过程和多测量点间的空间耦合关系，实现了对早期故障的高效检测。该研究为励磁系统的安全稳定运行提供了重要的技术支持，具有显著的实际应用价值。此外，该研究提出的增强LNN模型，不仅适用于励磁系统故障检测，其通用的模型设计方法也可推广应用于其他动态系统的故障检测领域。