电气火灾早期信号的时域特征与频域特征各有侧重：时域捕捉异常的幅值与突发，频域反映谐波成分的变化。单一特征的判别体系在复杂多变负载下容易误报或漏报，把两类特征融合进统一的识别算法，是提升电气火灾预警准确率的关键路径。本文解析电气故障信号的时频特性，拆解两组特征的提取方法，梳理特征层与决策层的融合算法原理，并说明融合思路如何在电气火灾监控中落地应用。
一、电气故障信号为什么需要时频联合分析
电气故障信号往往既是瞬态又是稳态的混合体。以绝缘劣化引发的局部放电为例，放电脉冲在时域上是持续时间极短、幅值突变的尖峰；但同时会在频谱上产生特定的高频成分。若只看时域，容易被幅值相近的负载波动干扰；若只看频域，又会丢失"故障发生在什么时刻"这一信息。两类视角各有盲区，单独使用的判别能力有限。
正常运行的电气设备也存在持续、稳定的电流电压波形。当设备走向异常时，波形发生的变化并非单一维度的：可能是幅值增大（负载加重、过载）、波形畸变（谐波污染、非线性），也可能是出现间歇性的暂态脉冲（接触不良、局部放电）。这些变化分布在时域和频域的不同位置，只有联合分析才能完整刻画故障形态。
从工程代价看，时频融合并非无谓增加计算量。现代配电监控的采样与边缘计算能力已经能够支撑中低采样率下的时频分析，而融合带来的误报率下降，能减少大量无效报警和现场排查成本。理解"为什么要融合"，本质是认识到电气故障是时频耦合的复杂现象，单一特征无法作为完整判据。
以典型的接触不良隐患为例：接触电阻增大初期，电流时域上可能仍无明显超幅，但会在波形上产生间歇性的微小畸变，同时频域出现增大的高频分量。若只设时域幅值阈值，这类早期隐患被完全掩盖；若只分析稳态谐波，又难以与负载自身的谐波区分。只有把"波形畸变的暂态位置"与"频谱成分的变化"两个信息放在一起，才能识别出异常并给出可信的预警依据。
二、时域特征的提取：从统计参量到暂态捕捉
时域特征是一组对采样波形在时间轴上统计得到的数值，反映信号"多大多乱、何时突变"。幅值类参数包括峰峰值、均方根、平均值，刻画信号的整体强度和范围；波动类参数如方差、标准差反映信号的离散程度；高阶统计量如峭度对冲击性尖峰敏感，偏度则反映分布的不对称，对波形畸变较敏锐。
暂态特征关注信号在短时间内的跳变。通过对相邻采样点的差分或滑动窗口检测，可以捕捉电流电压的突变时刻与幅度，如短路瞬间的电流跃升、接触不良导致的高频毛刺、局部放电的脉冲串。这些暂态信息在时域上定位了故障的发生，是判断故障性质与严重程度的重要依据。
暂态捕捉对采样率和窗口长度有要求。采样率过低会漏失窄脉冲、无法还原波形细节；窗口过短则统计意义不足、易受单点噪声干扰。实际工程常采用"高频采样 + 分档统计"的方式：对异常区段加密采样记录波形，对常规运行以较低频率做统计特征，既满足暂态分析的精度，又控制数据量与存储开销。
时域特征的优点是直观、计算简单、实时性好，适合作为快速筛查的基础手段；缺点是难以区分"同类幅值来自不同成因"，例如电机启动涌流与短路电流在时域上幅值都很高，仅靠时域很难分辨。这正是需要引入频域特征进行二次判别的原因。
三、频域特征的提取：从谐波谱到非平稳时频分析
频域特征把信号从时间轴变换到频率轴，揭示其频率成分构成。最常用的是傅里叶变换（FFT），得到基波与各次谐波的幅值、相位，进而计算总谐波畸变率（THD）和各次谐波占比。谐波特征对非线性负载、整流设备接入导致的波形污染非常敏感，是辨识谐波源与劣化绝缘的重要抓手。
对非平稳的暂态信号，传统 FFT 会丢失时间定位。因此引入短时傅里叶变换（STFT）和小波变换：STFT 在时间窗内滑动做傅里叶，得到时频图；小波变换则用可变尺度的基函数在时频平面上多分辨率分解，能同时刻画信号的粗轮廓与细节突变。小波分解后的各层能量、系数，常被用作描述电气故障模式的有效特征。
频域特征的工程价值在于其物理含义明确、抗噪声能力强、对负载类型有判别力。例如，绝缘局部放电的特征频率与背景噪声不同，电弧故障的频谱能量与正常负载不同。但频域分析依赖采样率和窗函数选择，计算量也较时域大，实际应用需在实时性与精细度之间权衡。
小波特征的典型做法是把信号按多尺度分解为近似分量与细节分量，各层的能量占比、系数幅值构成了对信号"从整体到细节"的多分辨率描述。故障在某一尺度上会表现出独有的能量聚集，这一规律可被分类器学习。相比单层 FFT，小波同时保留了时间与频率的局部化信息，更适合刻画局部放电、电弧这类短促、非平稳的信号。
四、特征融合算法：特征层与决策层的两条路线
特征融合的核心是把时域与频域信息组织成能支撑最终判别的输入。特征层融合将时域统计量与频域谐波、小波系数等拼接成一个统一的特征向量，再送入分类器（如支持向量机、随机森林、神经网络），由算法学习两类特征与故障类别的映射关系。这种方式信息保留完整，融合程度深，但对特征质量与样本分布较敏感。
决策层融合则对时域子模型与频域子模型分别作出独立判断，再通过加权投票、贝叶斯综合或置信度叠加得到最终结果。其优点是某一子系统失效时整体仍有一定判据，鲁棒性较好；缺点是没有深入利用特征间的关联信息，融合深度有限。工程上常根据算力和可靠性要求，选择单一路线或两者结合。
分类器训练时，样本覆盖越广（不同负载、不同故障类型、不同环境），融合模型的泛化能力越强。实际部署中，往往先用大量正常与故障样本离线训练出模型，再借助少量在线样本不断微调，使算法适应站点特有的负载特征。特征融合的价值在此显现：多维度证据相互印证，比单一维度的阈值判断更能贴近真实故障的多样性。
在数据不充足的现场，也可以采用规则与模型结合的折中方案：先用时域阈值快速排除明显正常时段，仅对疑似区段调用频域分析做深度判别，再把结果送入轻量分类器。这种"多级触发 + 聚焦分析"的结构既降低了持续高频计算的开销，又保证了对真实故障的敏感性，是资源受限边缘设备上落地时频融合的现实做法。
五、融合思路在电气火灾监控中的落地
在电气火灾监控场景中，时频融合主要面向两类目标：抑制误报与捕捉早期隐患。针对电机启动、变频负载等正常扰动，融合算法通过"时域幅值异常 + 频域谐波模式不符"联合判断，把瞬态大电流但频域特征正常的负载启动排除在报警之外，降低误报带来的扰民与误断。
针对接触不良、绝缘劣化等早期隐患，融合算法能在故障尚未发展为短路前捕捉征兆：时域监测到间歇性电弧脉冲与温升趋势，频域检测到局部放电特征与谐波畸变增强，二者叠加的置信度触发早期预警，为检修争取时间。相比单一判据，融合后的预警更早也更可信。
落地部署上，融合算法的计算可放在具备一定算力的边缘终端，或集中到监控平台。边缘侧负责低时延的快速判据（如时域过流、剩余电流），平台侧整合多端数据做更深的时频融合与趋势分析，形成"边缘快判 + 云端精判"的分层预警架构。对运维人员而言，融合算法输出的不只是"报警"二字，而是带有故障类型与置信度的诊断信息，能更高效地指导现场处置，真正把预警转化为火灾风险的提前阻断。
常见问题
为什么电气火灾预警要做时频融合而不是只看一种特征？
因为电气故障信号是瞬态与稳态并存的复杂信号：时域特征能捕捉异常的幅值、突发和波形畸变，但难以区分负载正常变化；频域特征能反映谐波成分的变化，却会丢失故障发生的时间信息。单一特征在复杂负载下容易误报或漏报，融合两类特征能互补彼此的盲区。
时域特征主要提取哪些参数？
主要包括幅值类（峰峰值、均方根、均值）、波动类（方差、标准差、峭度、偏度）以及暂态类（突变点、脉冲个数、波形对称度）。这些参数能反映电流电压异常的程度和突发特性，是判别过载、短路、接触不良等故障的基础。
频域特征通过什么方式提取？
常用傅里叶变换（FFT）求频谱，提取基波与各次谐波的幅值、相位和总畸变率（THD），也会用功率谱密度分析能量分布；对非平稳信号则用小波变换或短时傅里叶变换，得到随时间变化的频域信息，从而保留故障发生的时间定位。
特征融合有哪些算法路线？
主要有特征层融合与决策层融合两类。特征层融合把时域和频域特征拼接成统一特征向量送入分类器（如支持向量机、随机森林、神经网络）；决策层融合对不同子模型分别判断后加权投票或按置信度综合。前者信息更丰富，后者对单一模型失效更鲁棒。
时频融合如何解决电气火灾监控的误报问题？
通过把幅值异常（时域）与谐波畸变模式（频域）结合判断，能区分真实故障与电机启动、调光负载等正常扰动。例如同时出现电流突增与时频能量异常集中才判为故障，既保留时域的灵敏度，又用频域特征压制负载变化带来的误报，整体提升预警的精准度。