数据稀疏性对电力系统防护中机器学习的影响
机器学习
2025-12-18 v1 信号处理
摘要
德国向以可再生能源为基础的电力系统转型正在重塑电网运营，要求先进的监控和控制以管理去中心化的发电。机器学习（ML）作为一种强大的工具，已在电力系统防护中涌现，特别是针对传输网格中的故障检测（FD）和故障线识别（FLI）。然而，ML 模型的可靠性取决于数据质量和可用性。由于传感器故障、通信中断或降低的采样率导致的数据稀疏性是挑战，但其影响尚未在此工作之前得到系统性验证。作为响应，我们提出了一个框架来评估数据稀疏性对 ML-based FD 和 FLI 性能的影响。我们模拟了真实的数据稀疏场景，评估其影响，导出定量见解，并通过应用于现有 ML-based 框架来展示该评估策略的有效性。结果表明，FD 的 ML 模型在 50 倍数据减小时仍保持 F1 分数为 0.999 ± 0.000 的鲁棒性。相比之下，FLI 更敏感，因电压测量缺失导致性能下降 55.61%，因关键网络点处的通信故障导致性能下降 9.73%。这些发现为优化面向实际网格防护的 ML 模型提供了可操作的见解。这使得更高效的 FD 成为可能，并支持针对性改进 FLI。
引用
@article{arxiv.2505.15560,
title = {Impact of Data Sparsity on Machine Learning for Fault Detection in Power System Protection},
author = {Julian Oelhaf and Georg Kordowich and Changhun Kim and Paula Andrea Perez-Toro and Andreas Maier and Johann Jager and Siming Bayer},
journal= {arXiv preprint arXiv:2505.15560},
year = {2025}
}