气体绝缘开关设备在高电场环境下容易发生局部放电（Partial Discharge, PD），其副产物NO₂是评估故障类型与严重程度的重要指标。然而，环境湿度不仅会影响设备的绝缘性能，也会干扰NO₂传感器的检测结果。因此，实现NO₂与湿度信号的同时检测与有效解耦具有重要应用价值。近日，我课题组韩雨彤老师与庄灏喆同学以《A Machine-Learning-Algorithm Enhanced Multi-Functional Gas Sensor for Self-Humidity Compensation and Partial Discharge Detection》为题的论文在国际权威期刊ACS Sensors（中科院工程技术大类一区，影响因子9.1）上发表。

本研究提出了一种新型多功能气体传感器系统，将WS₂/ZnO敏感材料与创新的自湿度补偿算法DF–MT1DCL相结合，实现了动态、实时的湿度自适应校准，并可精准识别局部放电类型。实验结果表明，该传感器在室温下对NO₂（100 ppb–10 ppm）和湿度（10.8%–94.3% RH）均表现出高响应与宽检测范围；基于单个 WS₂/ZnO 传感器的 DF–MT1DCL 模型同时预测湿度和NO₂浓度，R²分别达到 99.02% 和 93.52%。这一成果证明了WS₂/ZnO 多功能气体传感器结合机器学习模型在复杂环境下的高精度检测能力，不仅提升了局部放电诊断的准确性和稳定性，也为电力设备健康监测的智能化发展提供了新的解决方案。