机器学习在电力系统保护与扰动管理应用的范围性综述
机器学习
2025-10-21 v1 人工智能
信号处理
摘要
可再生能源和分布式能源资源的集成重塑了现代电力系统，挑战了传统的保护方案。本范围性综述遵循PRISMA for Scoping Reviews框架，综合了关于机器学习(ML)在电力系统保护和扰动管理应用的最新文献。基于超过100篇论文，本综述针对三个关键目标进行了阐述：(i)评估ML在保护任务中的研究范围；(ii)评估ML在不同运行情景下的性能；(iii)识别适用于演变网格条件的方法。ML模型常常在模拟数据集上表现出高准确率；然而，其在现实条件下的性能仍不足以得到验证。现有文献碎片化，方法严谨性、数据集质量和评估指标之间存在不一致。这一缺乏标准化的局面阻碍了结果的可比性，并限制了发现的可推广性。为应对这些挑战，本综述引入了面向保护任务的ML导向分类学，解决了关键术语的不一致性，倡导标准化的报告实践。进一步提供了关于综合数据集文档、方法透明度和一致评估协议的指南，旨在提高可重复性并增强研究结果的实际相关性。仍存在关键性空白，包括现实验证的稀缺、鲁棒性测试不足以及部署可行性考虑不足。未来的研究应优先考虑公共基准数据集、现实逼真的验证方法以及先进的ML架构。这些步骤对于将ML基于保护的技术从理论承诺推向实践部署至关重要，以适应日益动态和去中心化的电力系统。
引用
@article{arxiv.2509.09053,
title = {A Scoping Review of Machine Learning Applications in Power System Protection and Disturbance Management},
author = {Julian Oelhaf and Georg Kordowich and Mehran Pashaei and Christian Bergler and Andreas Maier and Johann Jäger and Siming Bayer},
journal= {arXiv preprint arXiv:2509.09053},
year = {2025}
}