面向电力系统保护的故障分类与定位机器学习模型基准测试

分布式能源资源（DERs），特别是可再生能源，的日益增多，对电力系统保护提出了重大挑战，其中故障分类（FC）和故障定位（FL）是最关键的任务之一。基于固定阈值的传统保护方案无法在网格日益复杂、动态条件下可靠识别和定位短路。机器学习（ML）提供了有前景的替代方案；然而，跨模型和设置的系统性基准测试仍有限。本文首次提出了基于 EMT 数据的经典 ML 模型在电力系统保护中用于 FC 和 FL 的比较基准测试。使用电压和电流波形分割为 10ms 到 50ms 的滑动窗口，我们在真实实时约束下评估模型。性能以准确率、窗口大小鲁棒性和运行效率为指标评估。最佳 FC 模型达到 F1 分数为 $0.992\pm0.001$，而顶级 FL 模型达到 R2 为 $0.806\pm0.008$，平均处理时间为 0.563ms。