并网型太阳能微电网中线路故障检测人工智能技术的比较分析

《Energies》：Comparative Analysis of Artificial Intelligence Techniques for Line Fault Detection in On-Grid Solar Microgrids

　　

并网型太阳能微电网（Solar Microgrids, SMGs）正日益广泛部署，以支撑可持续与分布式能源发电。然而，SMGs所具有的低故障电流水平、电力电子接口以及动态运行工况，给传统保护系统带来了显著挑战，使其在线路故障（Line Faults, LFs）的准确检测与定位方面可能面临困难。尽管人工智能（Artificial Intelligence, AI）在应对这些挑战方面已显示出应用前景，但在相同运行条件下，不同AI技术对并网型SMGs中LF检测适用性的对比证据仍然有限。因此，本研究考察并比较了四种AI技术在线路故障检测中的性能，分别为卷积神经网络（Convolutional Neural Network, CNN）、长短期记忆网络（Long Short-Term Memory, LSTM）、支持向量机（Support Vector Machine, SVM）和随机森林（Random Forest, RF）。研究人员基于IEEE 6节点（6-bus）基准系统，在MATLAB/Simulink 2025a中构建了一个并网型SMG测试系统，用于模拟多种LF工况，并生成用于模型训练与测试的电压、电流数据集。所有模型均在相同的性能指标下进行训练与评估，包括准确率、精确率、召回率、F1-score、抗噪鲁棒性以及计算速度。结果表明，深度学习（Deep Learning, DL）模型优于经典机器学习方法，其中CNN取得了最高性能，准确率为99.79%，F1-score为99.78%；其次为LSTM，准确率为98.97%，F1-score为98.92%。SVM和RF的准确率分别达到98.25%和95.75%，且训练时间均少于3 min，表明其适用于实时性要求较高及资源受限的应用场景。这些发现为并网型SMGs中基于AI的LF检测提供了稳健的比较基准，并可根据性能与计算需求为选择合适的AI技术提供实践指导。

该文发表于《Energies》，围绕并网型太阳能微电网（Solar Microgrids, SMGs）线路故障（Line Faults, LFs）检测中不同人工智能（Artificial Intelligence, AI）方法的适用性展开系统比较。研究背景在于，随着分布式可再生能源和微电网快速发展，光伏（Photovoltaic, PV）并网微电网已成为重要的供能形态，但其保护问题明显区别于传统电力系统。由于并网型SMG具有双向潮流、低故障电流、电力电子接口主导以及运行状态时变等特征，传统基于电流或电压阈值的保护方法难以稳定完成故障检测、故障分类和故障定位。尤其是高阻抗故障、单相接地故障、相间故障、两相接地故障和三相故障等不同故障形态，会在波形特征上表现出复杂差异，使得传统保护策略容易出现拒动、误动和定位不准等问题。现有研究虽已引入卷积神经网络、循环神经网络、支持向量机、决策树等方法，但大多数工作分别针对单一模型开展实验，采用的数据来源、故障工况、系统拓扑和评价指标并不统一，因此难以获得公平、可复现且可指导工程选型的比较结论。正是在这一背景下，研究人员提出统一评估框架，对不同AI模型在相同实验条件下的表现进行横向比较。

研究人员基于IEEE 6节点基准系统，在MATLAB/Simulink 2025a中构建并网型SMG仿真测试平台，重点面向线路故障场景进行数据生成与模型评估。研究目标不仅包括故障类别识别，还涵盖故障线路识别与故障位置估计，从而构成较完整的保护任务体系。结果表明，深度学习模型总体优于经典机器学习模型，其中卷积神经网络（CNN）在故障类别分类（Fault Class Type, FCT）、故障线路识别（Fault Line Identification, FLI）和故障位置估计（Fault Location Estimation, FLE）三项任务中均表现最佳；长短期记忆网络（LSTM）性能次之；支持向量机（SVM）在FCT任务上取得较高精度且计算代价较低；随机森林（RF）精度相对较低，但训练速度最快。该研究的重要意义在于建立了一个标准化、可复现的AI比较基准，明确揭示了高精度模型与轻量化模型之间在准确性、鲁棒性和计算成本方面的权衡关系，可为并网型SMG保护工程中AI模型部署提供选择依据。

在技术方法上，研究人员采用IEEE 6节点并网型SMG仿真系统生成标准化故障数据，覆盖10类线路故障与正常工况；以三相电压、电流时域波形为核心输入，对深度学习模型直接输入标准化时序窗口，对SVM和RF输入重构后的固定长度特征向量。CNN与LSTM在相同数据集、相同评价指标下完成FCT、FLI、FLE任务训练，SVM与RF在相同框架下完成FCT任务比较。数据划分采用分层采样与交叉验证，并通过Z-score标准化和类别平衡策略控制偏差，全部样本来源于MATLAB/Simulink仿真生成的IEEE 6节点系统故障场景。

以下为论文主体结果解读。

在“Line Fault Detection in On-Grid Solar Microgrids”部分，论文首先从系统层面归纳了并网型SMG中线路故障的危害与检测难点。研究指出，线路故障会导致设备损伤、能量损耗、电压跌落以及逆变器最大功率点跟踪（Maximum Power Point Tracking, MPPT）扰动；其中高阻抗故障尤难被传统保护捕捉。由于太阳能出力间歇性、负荷波动和分布式电源接入共同影响，正常与故障状态之间的边界不再清晰，故障电阻变化又会进一步改变故障电流和波形特征，这些因素共同构成了复杂检测背景。文献综述部分还系统回顾了基于模型、基于信号、基于自适应机制以及基于AI的故障检测思路，并将AI方法定位为复杂现代微电网中更具适应性的故障分析工具。

在“Role of Artificial Intelligence in Line Fault Detection”部分，作者分别总结了CNN、循环神经网络（Recurrent Neural Network, RNN）、SVM和决策树（Decision Trees, DTs）在故障检测中的特点。CNN适于局部模式提取与波形识别，LSTM适于处理时序相关性，SVM在高维分类问题中具有良好泛化能力，而树模型具有较强可解释性与较低部署门槛。文献回顾显示，现有工作虽然已证明不同AI模型在特定任务中的有效性，但普遍缺乏在统一测试系统、统一故障条件和统一评价指标下的直接比较，因此无法明确回答何种模型更适合并网型SMG线路故障保护。

在“Research Design, System Simulation, and Data Collection”部分，研究人员构建了一个基于IEEE 6节点系统的并网型SMG测试网络。系统含6个母线、7条输电线路、4台发电机和3个主要负荷，输电线路长度均为10 km，采用三相π型等值。研究明确将该系统作为受控基准环境，而非完整再现逆变器主导型SMG全部动态行为，以保证对不同AI模型进行公平比较。仿真中设置了单相接地故障（A-G、B-G、C-G）、相间故障（AB、BC、AC）、两相接地故障（AB-G、BC-G、AC-G）和三相故障（ABC），并设置0.1 Ω、10 Ω和50 Ω三档故障电阻。沿每条线路按10%间隔布置故障位置，共形成10个位置类别，位置分辨率为1 km。采样频率为2.5 kHz，故障持续时间为0.117 s，总仿真时长0.4 s。最终构建出覆盖FCT、FLI与FLE任务的大规模标注数据集，其中FCT任务总样本数达到115,920。

在“Deep Learning (DL) Model Development: LSTM and 1D-CNN”部分，研究人员对深度学习模型的输入组织与网络结构进行了统一规范。LSTM模型以时间序列矩阵为输入，样本包含12个时间步和5类聚合特征，分别为母线电压幅值、电压相角、有功功率P、无功功率Q和电流幅值。数据经过Z-score标准化、标签感知划分和类别平衡处理，严格执行场景级隔离，避免同一故障仿真片段同时进入训练、验证和测试集。LSTM采用双向LSTM（Bi-LSTM）结构，隐藏单元数为220，分别在普通分类与10折交叉验证条件下训练。CNN采用一维卷积网络（1D-CNN），由五个一维卷积块、批归一化（Batch Normalization）、ReLU激活、全局平均池化（Global Average Pooling, GAP）和全连接层组成，通过较小卷积核和扩张卷积捕捉局部及较长范围波形依赖。两类模型均采用Adam优化器训练。

在“Classical Model Development: SVM and RF”部分，作者说明了经典模型仅用于FCT任务的原因。由于SVM与RF在MATLAB框架下更适于单输出分类问题，而FCT又是故障诊断的首要步骤，因此该设计可保证数学一致性和结构公平性。研究人员将原始时序数据转换为适合传统特征学习的固定长度表格输入，经分层采样划分为训练集、验证集和测试集，并使用Z-score标准化与类别平衡策略。RF采用最多600棵树、最小叶节点样本数为6、最大分裂次数500的设置；SVM采用一对其余（one-versus-all）策略和径向基函数（Radial Basis Function, RBF）核，以处理非线性类别边界。

在“LSTM and 1D-CNN Normal Classification and Cross-Validation Training Behaviour”部分，研究结果显示两类深度学习模型都具有良好的收敛行为。LSTM训练初期准确率迅速从约10%升至80%以上，之后逐渐稳定在90%—95%；训练损失从约2.4快速下降至0.5以下，说明模型能够有效学习故障类别与输入波形之间的映射关系。CNN的训练和验证曲线同样显示出快速收敛与较低稳定损失，整体训练行为优于LSTM，表明其在波形局部特征提取方面更具优势。

在“Normal classification confusion matrix for LSTM and CNN”相关结果中，混淆矩阵表明两类模型在FCT、FLI、FLE任务上均达到很高正确率。LSTM在多数故障类别上的识别率超过97%，其中AG故障和正常工况识别率达到100%，复杂多相故障如ACG和BCG也达到99%以上。CNN在故障类别分类上几乎达到完美识别，多数类别正确率超过99.4%，误分类极少。对于故障线路识别与故障位置估计，两类模型均表现出较高精度，但CNN整体优于LSTM，特别是在FLE任务上优势更加明显，说明其对空间局部波形变化的捕捉能力更强。

在“Average CV results for CNN and LSTM on FLI across 10 folds”与“Model performance comparison for all tasks”部分，交叉验证进一步证明了模型稳定性。总体比较显示，CNN在全部任务与全部指标上均优于LSTM，尤其在FLE任务中，CNN各项指标约为97.7%，而LSTM约为92%—93%。在FCT和FLI任务上，两者差距较小，但CNN依然保持领先。该结果支持作者关于CNN更适合空间模式显著的线路故障定位任务这一判断。

在“Results from DTs and SVM Model Development”部分，5折交叉验证结果表明，SVM与RF在FCT任务上都具有良好稳定性，但SVM始终优于RF。SVM四项主要指标平均值均高于0.975，折间波动较小，显示出更强的泛化能力；RF平均性能约为0.957。测试集比较中，SVM在准确率、精确率、召回率、F1-score以及Kappa系数、Matthews相关系数（Matthews Correlation Coefficient, MCC）等指标上均略优于RF，说明其在重构后的多类故障数据上具有更强的判别能力。

在“Comparative Summary of Model Performance Across All Evaluation Metrics”部分，作者将四类模型置于统一框架下综合比较。最终结论是：CNN以99.79%的准确率和99.78%的F1-score成为总体性能最佳模型；LSTM以98.97%的准确率和98.92%的F1-score位居第二；SVM达到98.25%的准确率；RF达到95.75%的准确率。与此同时，SVM和RF训练时间均少于3 min，显著低于深度学习模型，因此在边缘部署、实时性要求高或计算资源受限的情形下具有实际价值。

论文讨论部分强调，这些结果证实了两个核心事实：其一，在能够获得丰富时空故障数据时，深度学习架构尤其是CNN更适于承担高精度故障检测、线路识别和故障定位任务；其二，在算力与时延受限的条件下，经合理调优的SVM仍然具有很强竞争力，而RF可作为训练快速、实现轻量的备用或监测模型。研究还指出，本文结果建立于理想化仿真环境，未包含真实系统中的测量噪声、通信时延、逆变器控制动作、拓扑变化和复杂扰动，因此应理解为算法相对能力与比较行为的证据，而非现场部署后的直接性能保证。作者同时讨论了IEEE 6节点系统规模较小、采用60 Hz系统、未显式建模逆变器故障穿越与限流行为等局限，并建议后续在更大规模网络、50 Hz工况、硬件在环（Hardware-in-the-Loop, HIL）平台和真实微电网数据集上进一步验证。

研究结论部分可译述如下：研究证明，在故障类别分类（FCT）、故障线路识别（FLI）和故障位置估计（FLE）三项保护任务中，深度学习模型（LSTM与CNN）表现出最佳且最稳定的性能，其中CNN总体最优，LSTM次之。经典模型（RF与SVM）在故障类别分类任务中同样取得了较好表现，同时所需训练时间和计算资源更少，因此适用于既要求准确性又受硬件和处理能力约束的应用场景。本文建立的统一评估框架揭示了不同模型在性能、鲁棒性与计算开销之间的权衡关系，并为保护工程人员提供了模型选择依据。尽管结果表现优异，但由于真实SMG运行环境更复杂，本文报告的高准确率应被视为理想条件下的性能表现，尚不能直接等同于工程现场性能，仍需在更大规模基准系统、硬件在环平台及真实微电网数据上继续验证其鲁棒性与可部署性。