机器学习模型在电力系统保护中故障分类与定位的鲁棒性评估
机器学习
2025-12-18 v1 信号处理
摘要
可再生能源和分布式发电的广泛渗透正在转变电力系统，并对依赖固定设置和本地测量的传统保护方案构成挑战。机器学习（ML）为集中式故障分类（FC）和故障定位（FL）提供了一种数据驱动的替代方案，使决策更快、更具适应性。然而，实际部署的关键在于鲁棒性。保护算法在面对缺失、噪声或退化的传感器数据时必须保持可靠。本工作引入了一个统一框架，用于系统评估ML模型在电力系统保护中的鲁棒性。高保真电磁暂态（EMT）仿真用于模拟真实的退化场景，包括传感器停机、降低采样率和瞬态通信丢失。该框架为基准测试模型、量化有限可观测性的影响以及识别实现弹性运行所需的关键测量通道提供了统一的方法。结果表明，FC在大多数退化类型下保持高度稳定，但在单相丢失时下降约13%，而FL整体更为敏感，电压丢失使定位误差增加超过150%。这些发现为未来ML辅助保护系统的鲁棒性感知设计提供了可操作的指导。
引用
@article{arxiv.2512.15385,
title = {Robustness Evaluation of Machine Learning Models for Fault Classification and Localization In Power System Protection},
author = {Julian Oelhaf and Mehran Pashaei and Georg Kordowich and Christian Bergler and Andreas Maier and Johann Jäger and Siming Bayer},
journal= {arXiv preprint arXiv:2512.15385},
year = {2025}
}
备注
This paper is a postprint of a paper submitted to and accepted for publication in the 20th IET International Conference on Developments in Power System Protection (DPSP Global 2026) and is subject to Institution of Engineering and Technology Copyright. The copy of record is available at the IET Digital Library