摘要：变电站复合故障是影响电力系统稳定性的重要因素。为了自动化地识别变电站典型故障，提出一种基于模拟量-开关量融合特征（ASFF）的双通道一维卷积神经网络（DC1D-CNN）模型。该模型由两个独立的特征处理模块和一个共享的决策模块组成，可以充分利用不同类型数据特征的互补性。在传统的一维卷积神经网络（1D-CNN）模型上加入批量归一化（BN）和注意力机制（AM）结构。通过使用双通道结构，录波信号的模拟特征和开关信号的数字特征可以被高效地融合，从而提高模型的特征提取能力和学习能力。以典型的220kV智能变电站为例，进行建模和仿真，并且将仿真得到的数据对模型进行训练和测试，结果显示该模型对典型故障的识别准确率达98.33%。相比于传统的单通道CNN、反向传播神经网络（BPNN）、循环神经网络（RNN），本模型的训练效率更高，具有更强的泛化能力和鲁棒性，在面对复杂数据时表现更好。

        关键词：变电站；复合故障识别；模拟量-开关量融合特征；卷积神经网络

        中图分类号：TP391     文献标识码：A 

      格式引文：王存超，戴威，徐滔,等. 基于ASFF⁃DC1D⁃CNN的变电站典型复合故障 自动化辨识[J].电气传动,2026,56(08):79-87. WANG Cunchao，DAI Wei，XU Tao,et al. Automatic identification of typical compound faults in substation based on ASFF-DC1D-CNN [J].Electric Drive, 2026,56(08): 79-87