基于自编码器与主成分分析的无监督高阻故障检测
机器学习
2024-02-06 v1 系统与控制
系统与控制
摘要
高阻故障（HIF）的检测一直是配电网中最大的挑战之一。HIF 的低电流幅值与多样特征使其难以被过流继电器检测。近来，基于机器学习模型的数据驱动方法因能从数据中学习复杂模式而在 HIF 检测中日益流行。大多数基于机器学习的检测方法采用监督学习技术，通过分类将 HIF 与正常负荷状态区分开，这依赖于在 HIF 期间收集的大量数据。然而，在现实世界中 HIF 的测量数据难以获取。因此，当训练数据中未出现负荷剖面与故障时，分类方法的可靠性与泛化能力受限。为此，本文提出一种利用自编码器与主成分分析监控技术的无监督 HIF 检测框架。所提故障检测方法通过监控电流波形中不同于正常负荷的相关结构变化来检测 HIF。所提 HIF 检测方法的性能使用从 4.16 kV 配电系统收集的真实数据进行了测试，并与一种商用 HIF 检测方案的结果进行比较。数值结果表明，所提方法在维持高安全性（不在负荷条件下误检）的同时优于商用 HIF 检测技术。
引用
@article{arxiv.2301.01867,
title = {Unsupervised High Impedance Fault Detection Using Autoencoder and Principal Component Analysis},
author = {Yingxiang Liu and Mohammad Razeghi-Jahromi and James Stoupis},
journal= {arXiv preprint arXiv:2301.01867},
year = {2024}
}