F2GAN：一种用于逆变器主导微电网中可靠AI故障诊断的特征反馈生成框架
系统与控制
2025-11-11 v1 系统与控制
摘要
提高逆变器主导微电网中基于AI的故障诊断的可靠性需要多样且统计平衡的数据集。然而，高保真故障数据（尤其是罕见的逆变器故障和极端的外部线路故障）的稀缺性和不平衡性限制了可靠的模型训练和验证。本文介绍了一个统一框架，该框架对一个详细的逆变器主导微电网进行建模，并系统地生成多种内部和外部故障场景，以缓解数据稀缺和类别不平衡问题。我们开发了一种增强型生成模型，称为F2GAN（特征反馈GAN），用于合成高维表格故障数据，具有更高的真实性和统计对齐性。与传统的GAN不同，F2GAN集成了基于均值方差、相关性和特征匹配损失的多级反馈，使生成器能够将输出分布向真实故障特征空间优化。通过定量和定性分析评估生成的数据集。在合成数据上训练、在真实数据上测试（TSTR）的实验表明，仅使用F2GAN样本训练的机器学习分类器具有很强的泛化能力。该框架在一个集成了实时仿真器和图形界面的硬件在环（HIL）故障诊断平台上进行了验证，在实时测试下实现了100%的诊断准确率。结果证实，F2GAN有效地弥合了模拟与真实世界微电网故障数据集之间的差距。
引用
@article{arxiv.2511.06677,
title = {F2GAN: A Feature-Feedback Generative Framework for Reliable AI-Based Fault Diagnosis in Inverter-Dominated Microgrids},
author = {Swetha Rani Kasimalla and Kuchan Park and Junho Hong and Young-Jin Kim},
journal= {arXiv preprint arXiv:2511.06677},
year = {2025}
}