基于物理数据和混合驱动的配电网络可解释故障定位方法：一种融合物理知识的神经网络技术

《Protection and Control of Modern Power Systems》：Physical-data hybrid-driven interpretable fault location for distribution network: A physics-informed neural network approach

　　

摘要：

基于数据的配电网故障定位方法可以通过学习历史故障数据自动提取故障特征，从而提高故障定位的准确性。然而，这些方法对大规模训练数据的依赖性以及有限的可解释性严重限制了其在实际配电网中的应用。为了解决这些问题，本文提出了一种物理数据混合驱动的可解释故障定位方法。首先，推导出了配电网故障的统一微分方程，为物理定律的嵌入提供了理论支持。在此基础上，构建了一个物理数据混合驱动框架，该框架利用测量得到的波形数据训练出一个具有物理知识的数据驱动神经网络。通过将物理约束明确纳入模型，实现了故障距离和故障电阻的联合估计，从而在确保物理一致性和可解释性的同时实现精确的故障定位。该方法通过仿真数据和现场测试数据进行了验证，在训练样本有限、故障条件不同、测量噪声存在以及实际运行环境下均表现出高精度和强大的鲁棒性。