电力配电系统故障的因果性与可解释性
系统与控制
2025-08-05 v1 机器学习
系统与控制
摘要
因果分析有助于我们理解导致系统故障的变量，从而改进故障检测并提升系统可靠性。本文提出了一种新方法，将因果推断与机器学习结合，用于基于图的模型对电力配电系统（EDS）中的故障进行分类。我们首先使用传递熵（TE）构建因果图。每个故障案例表示为一个图，其中节点是电压和电流等特征，边显示这些特征如何相互影响。随后，使用机器学习和 GraphSAGE 对这些图进行分类，该模型从节点值和图的结构中学习，以预测故障类型。为提高预测的可解释性，我们进一步开发了集成方法，结合 GNNExplainer 和 Captum 的集成梯度，突出显示最终预测最有影响的特征节点。这为我们提供了清晰的见解，说明故障的可能原因。我们的实验显示高准确率：在 EDS 故障数据集上达到 99.44%，优于当前最先进的模型。通过将因果图与机器学习结合，我们的方法不仅准确预测故障，还帮助理解其根本原因。这使其成为改善系统可靠性的强大且实用的工具。
关键词
引用
@article{arxiv.2508.02524,
title = {Causality and Interpretability for Electrical Distribution System faults},
author = {Karthik Peddi and Sai Ram Aditya Parisineni and Hemanth Macharla and Mayukha Pal},
journal= {arXiv preprint arXiv:2508.02524},
year = {2025}
}