UHVDC保护机器学习方法的仿真保真度差距评估：从合成数据到真实故障重构的迁移性能分析

《Energies》：Physics-Informed Machine Learning for UHVDC Transmission-Line Fault Identification: How Robust Is Near-Perfect Synthetic Accuracy to Simulation Fidelity?

　　

摘要

用于UHVDC保护的机器学习方法在简化仿真上通常报告接近完美的准确率，但其对仿真保真度的鲁棒性尚不明确。我们采用两个层次：物理信息合成生成器（620个样本，四通道，100 kHz）以及来自±800 kV UHVDC系统的181个重构数据（两通道，10 kHz），每个重构数据均源自一次真实故障事件。在合成数据上，随机森林（RF）和XGBoost可达到≥99%的准确率，但直接迁移后准确率骤降至44–54%，误报率高达75–100%（原始50例队列）。在重构数据上，取前10 ms内的47个特征，在族感知分组交叉验证下，55.1%的平衡准确率（95%置信区间46.4–65.2；漏检率73.9%，误报率15.8%）——远低于合成数据的上限，且远高于<5%的要求。此前70–76%和74.8%的估计因场景族泄漏而偏高，且无法被复现。将实测换流器动态特性加入生成器也无法恢复迁移性能（≈49.7%，100%漏检），因此该差距并非单纯由均值轨迹效应所致。最强的经典规则（）在样本内达到62.1%的平衡准确率（样本外56.6%），但误报率为75.8%；我们不声称机器学习方法具有优越性，二者均未达到部署水平。研究结果仅限于单一系统内部，缺乏独立测试队列或现场验证，是对保真度差距的诚实基准，而非可部署的解决方案。