面向单点测量约束下的基于反演资源主导微电网的鲁棒故障诊断方法

网络攻击危及基于反演资源的微电网（IBR主导微电网）安全运行。而现有诊断方法要么依赖昂贵的多点仪器，要么基于严格的建模假设，在单点测量约束下难以实现。本文提出了一种基于分数阶记忆增强的防护故障诊断方案（FO-MADS），通过仅使用一个VPQ（电压、有功功率、无功功率）测量点实现及时故障定位和鲁棒故障诊断。FO-MADS首先通过联合应用卡普图导数和格鲁纳德-莱特nikov导数，构建双分数阶特征库，从而放大VPQ信号中的微扰和缓慢漂移。随后，采用两阶段层次分类器定位受影响的反演器并隔离故障的IGBT开关，有效缓解类别不平衡问题。通过渐进式记忆回放对抗训练（PMR-AT）进一步提升鲁棒性，其攻击感知损失通过在线硬例挖掘（OHEM）动态重新加权，以优先处理最具挑战性的样本。实验在由1个正常状态和24个故障类别构成的四反演器IBR主导微电网测试平台上进行，分别在偏置攻击、噪声攻击、数据替换攻击和回放攻击四种攻击场景下实现96.6%、94.0%、92.8%和95.7%的诊断准确率，并在无攻击情况下的稳健运行达96.7%。这些结果表明FO-MADS是一种成本效益高且易于部署的解决方案，显著提升了IBR主导微电网的网络-物理鲁棒性。