Statistically Adaptive Differential Protection for AC Microgrids Based on Kullback-Leibler Divergence
University of South Carolina（南卡罗来纳大学）
针对逆变器型资源普及给微电网保护带来的挑战，提出基于Kullback-Leibler散度的统计自适应差动保护方案，经仿真验证其在多场景下均具备优异性能，为下一代交流微电网保护提供高效可复现的解决方案。
2025-10-30 cs.SY eess.SP eess.SY
Identification of High Impedance Faults Utilizing Recurrence Plots
本文提出一种基于递归图和机器学习的多阶段分类框架，通过小波系数提取三相差动电流特征并转化为递归矩阵，实现了配电网高阻抗故障的高精度检测。
2025-03-04 eess.SP
High Impedance Fault Detection and Isolation in Power Distribution Networks using Support Vector Machines
提出了一种配电网高阻抗故障的精确检测和隔离方案。所提出的方案利用电压和电流传感器提供的数据。该方法采用主元分析、Fisher判别分析、二值和多类支持向量机等多种算法对高阻故障进行检测和识别。这些数据驱动的技术已被测试的IEEE 13节点配电网的检测和识别高阻抗故障的断线和未断线的导体。此外，机器学习技术的鲁棒性也通过检查它们的性能与不同故障的负载变化进行了分析。对不同故障点的仿真结果表明，该方法能够快速、准确地诊断高阻故障。多类支持向量机对高阻故障的准确检测和定位具有较好的效果。它保证了配电网的可靠性、安全性和可靠性。
2019-08-09 cs.SY eess.SP eess.SY
Deep Learning for High-Impedance Fault Detection: Convolutional Autoencoders
The University of Western Ontario（西安大略大学）
高阻抗故障（HIF）由于其电流幅度低且特征高度多样化而难以检测。近年来，机器学习（ML）在HIF检测中越来越受欢迎，因为ML技术从数据中学习模式并成功检测HIF。然而，由于这些方法基于监督学习，因此它们不能可靠地检测不存在于训练数据中的任何场景、故障或非故障。因此，本文利用无监督学习，并提出了一个卷积自动编码器的HIF检测框架（CAE-HIFD）。与从正常行为学习的传统自动编码器相反，CAE-HIFD中的卷积自动编码器（CAE）仅从HIF信号学习，从而消除了CAE训练中存在各种非HIF场景的需要。CAE通过采用互相关将HIF与非HIF操作条件区分开。为了区分HIF与电容器或负载切换等瞬态干扰，CAE-HIFD使用峰度，这是一种概率分布形状的统计测量。使用IEEE 13节点测试馈线进行的性能评估研究表明，CAE-HIFD可靠地检测HIF，优于最先进的HIF检测技术，并且对噪声具有鲁棒性。
2021-06-24 cs.LG eess.SP
Fault Location Estimation by Using Machine Learning Methods in Mixed Transmission Lines
Konya Technical University（科尼亚技术大学）
架空线路通常用于电能传输。另外，交联聚乙烯地下电缆线路一般用于城市中心和拥挤地区，以提供电气安全，因此高压地下电缆线路与架空线路一起使用，这些线路被称为混合线路。距离保护继电器用于根据输电线路中的电流和电压大小确定基于阻抗的故障定位。然而，由于高压电缆线路的特性阻抗与架空线路的特性阻抗显著不同，因此在混合输电线路中由于每单位长度的特性阻抗不同而不能正确地检测故障位置。因此，在混合输电线路中，利用距离保护继电器确定故障区段和故障位置是困难的。在本研究中，154 kV架空输电线路和地下电缆线路作为距离保护继电器的混合输电线路进行了研究。利用PSCAD软件对混合线路进行了相间故障仿真，并对架空线路段和地下电缆段进行了仿真。针对架空输电线路和地下电缆输电线路故障，在距离保护继电器中生成短路故障图像。图像包括故障的RX阻抗图，并且RX阻抗图已经通过应用图像处理步骤被检测到。回归方法用于故障位置的预测，并且图像处理的结果用作回归方法的训练过程的输入参数。最后对回归方法的结果进行了比较，以选择最适合输电线路故障定位的方法。
2020-11-06 cs.LG eess.SP
Monitoring and Detection of Low-current High-Impedance Faults in Distribution Networks
配电网络中的故障有可能引发火灾，导致触电，并损坏系统本身。高电流低阻抗故障（LIF）通常通过过电流、距离、方向继电器、熔断器等检测和缓解。相比之下，虽然高阻抗故障（HIF）同样危险，但由于故障电流远低于负载电流及其时变和非线性行为，它们的检测更具挑战性。此外，新西兰配电网络广泛，在变电站之外基本上不受监控，合适的HIF检测方案仍然是一个正在进行的研究挑战。到目前为止，我们已经建立了一个物理试验设施，用于电力系统故障分析和开发和评估我们的传感和故障检测系统。我们模拟了LIF和HIF与不同的断层面材料和负载切换事件。从收集的数据中，我们描述了400 V网络中LIF和HIF的独特故障行为，并训练了一个深度学习分类器，以从其独特的特征中识别故障类型。我们开发了一种户外杆安装传感系统，并将其安装在惠灵顿电力公司的网络中，以进行持续的数据收集和评估。本文将描述的测试设备和我们的经验，开发和实施的传感系统。所观察到的HIF现象的范围最广的是在涉及树枝的故障实验中。因此，为了简洁起见，本文仅报道这些树枝实验的结果。其他表面材料上的HIF故障将在其他地方报告。最后，我们将详细介绍安装在惠灵顿电力公司网络中的可安装在杆上的传感系统以及迄今为止的成果。
2022-10-30 cs.SY eess.SP eess.SY
A Feature Selection Method for High Impedance Fault Detection
Arizona State University（亚利桑那州立大学）；General Electricity Company of Libya（利比亚电力公司）
本文提出了一种系统化的特征提取方法，结合故障事件的时间、持续时间和幅度，整合电力专家信息，并通过特征排名平衡信息增益与复杂度，提升高阻抗故障检测的可靠性和安全性。
2018-08-13 cs.SY eess.SP eess.SY
Distortion-Based Detection of High Impedance Fault in Distribution Systems
配电网高阻故障的检测对保障电网安全用电具有重要意义。然而，许多HIF由于其低电流和不同的特性而难以识别。特别是弱燃弧过程中的轻微非线性、热耗散滞后引起的失真偏移以及背景噪声的干扰，都可能导致传统检测算法失效。本文提出了一种基于失真的算法来提高HIF检测的可靠性。首先，通过在10 kV配电系统中的实验，说明了HIF特性的多样性所带来的挑战。然后，根据其特点将HIF分为五种类型。其次，定义一个区间斜率来描述高频信号波形畸变，并采用线性最小二乘滤波（LLSF）和基于Grubbs准则的鲁棒局部回归平滑（Grubbs-RLRS）方法提取该区间斜率，从而统一不同故障条件下的特征描述。第三，提出了一种识别区间斜率所描述的故障特征的算法和判据。最后，利用现场HIF数据对算法的检测可靠性进行了验证，并与其他先进算法进行了比较，结果表明了算法的改进。
2020-04-12 cs.SY eess.SP eess.SY
Physics-Informed Learning for High Impedance Faults Detection
配电网中的高阻抗故障（HIF）会引起野火，威胁人类生命。常规的变电站保护继电器不能检测到超过10%的HIF，因为过电流很低，并且HIF的特征是局部的。随着配电系统中安装更多的$μ$ PMU，高分辨率的$μ$ PMU数据集提供了从多个点检测HIF的机会。尽管如此，应用$μ$ PMU数据集的主要障碍是缺乏标签。为了解决这个问题，我们构建了一个物理信息卷积自动编码器（PICAE）来检测没有标记的HIF进行训练的HIF。我们PICAE的意义是一个物理正则化，来自电压-电流特性的椭圆轨迹，即使在高噪声的情况下，从其他异常事件区分HIF。我们制定了一个系统范围的检测框架，合并多个节点的本地检测结果，以提高检测的准确性和可靠性。在PSCAD/EMTDC仿真的IEEE 34节点试验馈线中验证了所提出的方法。我们的PICAE优于现有的作品在各种情况下，是强大的不同的可观测性和噪声。
2021-03-15 cs.SY eess.SP eess.SY
An AI-Based Supervisory Measurement Integrity Validation Layer for Cyber-Resilient AC/DC Protection in Inverter-Based Microgrids
Department of Electrical and Computer Engineering, University of Toronto（多伦多大学电气与计算机工程系）；Electric Power Engineering Department, Cairo University（开罗大学电力工程系）；Department of Electrical Engineering, Khalifa University（哈利法大学电气工程系）；Concordia Institute for Information Systems Engineering (CIISE), Concordia University（康卡迪亚大学信息系统工程研究所）
本文提出一种基于人工智能的监督测量完整性验证方案，用于检测逆变器主导微电网中因虚假数据注入攻击导致的测量异常，通过训练循环神经网络分析同步的瞬时电流测量数据，实现对故障轨迹与网络测量流的区分。
2026-04-26 cs.AI cs.CR cs.SY
Fault Localisation in Infinite-Dimensional Linear Electrical Networks
提出了一种针对无限维线性时不变电气网络的新型故障定位方法，通过频域分析将问题转化为非凸标量优化问题，并验证了其在多导体传输线中的有效性。
2025-04-07 cs.SY eess.SP eess.SY
Data-mining for Fault-Zone Detection of Distance Relay in FACTS-Based Transmission
在这项研究中，距离保护的故障区域检测在FACTS为基础的输电线路的问题进行了分析。从距离继电器的角度来看，当输电线路上的FACTS设备被包括在故障区中时，它们的存在会在通过改变继电器所看到的阻抗来确定故障的确切位置时引起不同的问题。这些变化的程度取决于FACTS设备中设置的参数。为了解决与这些补偿器相关的问题，从故障情况下继电器的角度出发，利用了两种用于分离和分析三线电流的仪器。利用小波变换分离三相电流的高频分量，利用支持向量机（支持向量机多类使用的方法）将故障测距划分为距离保护的3个保护区域。此外，TCSC的位置上的距离继电器的故障区域检测的影响，两个地方，一个在百分之五十的线路长度和另一个在百分之七十五的线路长度，被认为是两个场景的确认所提出的方法。仿真结果表明，该方法在基于FACTS的输电线路保护中是有效的。
2020-03-09 eess.SP
A Hybrid Intelligent System for Protection of Transmission Lines Connected to PV Farms based on Linear Trends
本文提出一种基于模糊逻辑与随机森林混合智能系统的单端输电线路保护方法，利用三相电流线性趋势特征检测故障，并通过PSCAD/EMTDC仿真验证其在多种复杂工况下的有效性。
2024-06-19 eess.SP
Autoregressive Coefficients based Intelligent Protection of Transmission Lines Connected to Type-3 Wind Farms
本文针对连接DFIG风电场的输电线路保护误动问题，提出基于自回归系数、模糊推理和深度学习的智能保护方案，并在多种系统条件下验证了其有效性。
2023-10-05 eess.SP
Determination of Fault Location in Transmission Lines with Image Processing and Artificial Neural Networks
为了以连续和高质量的方式传输电能，有必要从生产点到消费点对其进行控制。因此，在从生产到消费的每个阶段，输电和配电线路的保护都是必不可少的。在系统发生短路时，应尽快停用电气装置中保护继电器的主要功能。该系统最重要的部分是能量传输线路和保护这些线路的距离保护继电器。准确的误差定位技术是快速有效工作的前提。Transformer中性点接地影响电力系统单相接地故障时零分量电流的运行。考虑到接地系统和保护系统之间的关系，应做出适当的接地选择。人工神经网络（ANN）已被用于准确定位输电线路不同接地系统的短路故障。在PSCAD-EMTDC仿真程序中建立了输电线路模型。通过记录在不同接地系统中产生的短路故障中距离保护继电器的R-X阻抗图的阻抗变化的图像来创建数据集。利用特征提取和图像处理技术，对图像中的相关焦点进行了介绍，并选择了故障位置估计精度最高的神经网络模型。
2021-02-22 cs.LG eess.IV eess.SP
Recurrence Plot and Change Quantile-based Deep Supervised and Semi-supervised Protection for Transmission Lines Connected to Photovoltaic Plants
Western Kentucky University（西肯塔基大学）；KIIT University（KIIT大学）
本文提出一种基于递归图与InceptionTime的单端智能保护方法，利用三相电流分位数变化识别故障，并结合半监督学习解决标签稀缺问题，有效保障光伏电站连接输电线路的安全。
2025-11-03 eess.SP
Smart Grid Monitoring Using Power Line Modems: Anomaly Detection and Localization
本文的主要主题是网络异常的传感，从无害的阻抗变化在一些网络终端或多或少明显的电气故障，也考虑电缆退化随着时间的推移。在本文中，我们提出了如何收集信息，这种异常的配电网使用的高频信号从几kHz到几MHz。考虑到宽带宽，我们依赖于电力线调制解调器作为网络传感器。我们首先讨论了执行测量所需的前端架构，然后介绍了两种算法来检测，分类和定位上面列出的不同类型的网络异常。最后给出了仿真结果。它们验证了使用电力线调制解调器的智能电网中的感测概念，并显示了所提出的算法的效率。
2019-02-06 eess.SP
Event Cause Analysis in Distribution Networks using Synchro Waveform Measurements
University of Nevada, Reno（内华达大学雷诺分校）；California State University Sanbernardino（加州州立大学圣贝纳迪诺分校）
本文提出了一种用于事件原因分析的机器学习方法，以增强配电网的态势感知。使用时间同步的高采样率同步波形测量单元（SWMU）捕获数据流。所提出的方法是基于机器学习方法，卷积神经网络（CNN）。该方法能够有效地捕捉测量数据的时空特征，并进行事件原因分析。在本文中考虑的几个事件，包括电容器组切换，Transformer故障，故障和高阻抗故障（HIF）在现实的配电网络中可能发生的事件的范围。我们研究的数据集是使用实时数字模拟器（RTDS）来模拟真实世界的事件。在检测到事件之后，仅使用电压波形的一个周期来执行事件原因分析。仿真结果表明，所提出的基于机器学习的方法相比，国家的最先进的分类器的有效性。
2020-08-25 cs.LG eess.SP
Cause Identification of Electromagnetic Transient Events using Spatiotemporal Feature Learning
University of Nevada, Reno（内华达大学雷诺分校）；Arkansas Tech University（阿肯色理工大学）；Western Norway University of Applied Sciences（西挪威应用科学大学）
提出了一种时空无监督特征学习方法，用于电网电磁暂态事件（EMTE）的原因识别。该方法基于时间同步高频测量的可用性，并使用卷积神经网络（CNN）作为时空特征表示以及softmax函数。尽管现有的基于阈值的，或基于能量的事件分析方法，如支持向量机（SVM），自动编码器，和锥形多层感知（t-MLP）神经网络，所提出的特征学习进行相对于时间和空间。通过对IEEE 30节点的线路故障、电容器组故障、雷击、故障和高阻故障等不同事件的EMTP仿真和WSCC 9节点系统的实时数字仿真（RTDS），验证了所提出的特征学习和后续原因识别的有效性。
2019-03-10 cs.LG eess.SP stat.ML
