电力变压器是电力传输和电压转换的核心设备，其运行可靠性直接影响电网稳定性[1]。在常见的变压器缺陷中，绕组变形约占所有故障事件的三分之一，对电力网络的安全性构成重大风险[2]、[3]。因此，全面的绕组故障诊断至关重要，主要涉及识别故障的类型、范围和位置。
频率响应分析（FRA）、短路阻抗（SCI）方法和溶解气体分析（DGA）被认为是电力变压器绕组故障的主要诊断方法[3]、[4]、[5]。在所有上述技术中，FRA因其卓越的灵敏度和非侵入性而被实验证明是最可靠的工具，可用于评估机械和绝缘完整性[6]。根据IEEE Std C57.149-2024的定义，在外部高频激励下，电力变压器绕组可以建模为包含电阻性、电容性和电感性组件的分布式两端网络[7]，如图1所示。特定的绕组缺陷会引发网络拓扑和分布参数的特征变化，从而产生可测量的频率响应变化。因此，FRA信号的偏差成为绕组状态的有效指标。标准化的FRA测试方法包括向绕组的一个端子施加扫频激励信号，同时同步测量另一个端子的响应信号。激励信号和响应信号用于绘制幅频特性曲线（以dB表示为Vout / Vin）。每种绕组缺陷都表现出独特的频率响应特征。通过巧妙地提取每种故障的独特频率响应信息，可以诊断故障的存在、类型、程度和位置。
FRA已由中国电力行业和国际电工委员会（IEC）标准化，并在现场测试中得到广泛应用[7]、[8]。然而，现有标准中使用的相关系数具有单一的信息特征，这使得难以全面描述绕组故障。此外，诊断过程高度依赖于专家经验。为了解决这些限制，研究人员在两个关键领域进行了深入研究：故障特征提取和智能诊断方法。
在特征提取领域，早期研究主要提倡使用数学统计指标来描述一维FRA曲线。Akhmetov等人采用多种统计指标（如相关系数、标准差）从FRA数据中提取特征，从而实现对故障类型和严重程度的定量评估[6]。Tarimoradi等人提出了基于窗口计算的指数，提高了绕组缺陷类型、程度和定位的诊断准确性[9]。然而，这些数值参数被认为不足以量化和识别FRA特征模式[10]，需要丰富的特征表示。最近的进展集中在基于二维图像变换的FRA特征提取方法上。Yousof等人通过奈奎斯特图构建分析了绕组变形程度[11]。Zhao等人利用二值化频率响应图像的质心偏移特征诊断绕组故障[12]。此外，多模态FRA图像特征也受到了研究人员的关注。Aljohani等人将FRA特征编码为极坐标图像，利用幅频和相频曲线，随后提取数字图像特征以精确识别故障程度和位置[13]、[14]。Zhou等人通过灰度共生矩阵（GLCM）分析对极坐标图像的纹理进行量化，实现故障类型诊断[15]。
现有研究表明，具有多模态整合的二维FRA表示比传统的单维曲线提供了更丰富的诊断特征。然而，现有方法在图像编码过程中未能充分考虑频率点之间的局部-全局上下文关系，可能导致潜在特征信息的丢失。此外，现有方法仍然依赖于专家特征工程，导致区分能力有限。
在诊断方法方面，早期的绕组诊断主要依赖于经验知识[16]，诊断结果容易受到操作者偏见的影响。为了解决这一限制，已将基于人工智能的机器学习方法应用于绕组故障诊断。其中，人工神经网络（ANNs）和支持向量机（SVMs）是众所周知且广泛使用的方法，它们大多使用设计的特征指标作为输入。Zhou等人使用SVM检测绕组故障并量化其严重程度[15]。Bigdeli等人采用包括概率神经网络、k最近邻、决策树和SVMs在内的机器学习技术来识别变压器绕组故障类型[17]。此外，聚类方法也被用于诊断变压器绕组的故障类型和范围[18]。尽管这些智能诊断方法取得了成功，但它们必须与特定的特征指标结合使用，这导致了对特征选择的依赖性较强。深度学习方法能够有效捕捉图像的深层特征，并自动完成故障特征建模和分类，显著提高了故障诊断的准确性，为高效准确的绕组故障自动检测提供了新的范式[19]、[20]。Moradzadeh等人实现了基于二维卷积神经网络（CNN）的架构，用于精确定位和分类短路故障[21]。Duan等人通过ShuffleNet框架实现了故障类型识别并获取了故障位置信息[22]。此外，MobileNet-V2架构进一步实现了故障分类和几何定位任务的最先进精度[20]、[23]。
尽管深度学习在绕组故障诊断方面取得了显著成功，但大多数现有方法依赖于单一模型架构，这在特征提取能力上引入了固有偏差。CNN在捕捉局部特征方面表现出色，但在建模长距离依赖性和全局上下文方面往往有限。相反，变压器架构在捕捉全局交互方面有效，但可能忽略了对于准确故障诊断至关重要的细粒度局部特征。这种不平衡限制了FRA数据中复杂高维特征的全面利用和平衡。在处理多样化的诊断任务和场景时，这种特征提取的不平衡可能成为进一步发展的关键瓶颈。
考虑到以往研究的不足和局限性，本文提供了以下主要创新和贡献：
•提出了基于频率接近性的格拉姆角场（GAFf），在保持一维FRA特征的关键诊断信息的同时，提高了表示保真度和特征间的相关性。
•首次实现了任务定制的适配器混合（TC-MoA），用于GASFf和GADFf图像特征的融合，动态平衡了互补的跨模态特征。这一新颖的应用实现了二维FRA表示的多模态增强，同时消除了手动特征工程的需要。
•提出了深度学习框架SwinLCGnet。该模型通过局部特征提取与全局上下文建模的协同融合，解决了单一架构模型的固有限制，在三个关键任务上实现了更高的准确性：故障类型、程度和位置。
本文的其余部分组织如下。第2节介绍了TC-MoA和GAFf方法，用于提高FRA特征的二维图像质量。第3节提出了一种新的SwinLCGnet架构，以实现准确的绕组故障识别。第4节建立了实验平台并分析了结果。第5节通过案例研究验证了所提方法的有效性。最后，第6节总结了本文。
