基于人工智能网络安全混合模型的配电网单相故障诊断

《Scientific Reports》：Single-phase fault diagnosis in distribution networks via cyber-secure hybrid models of artificial intelligence

　　

摘要

确保现代配电网的稳定性和网络安全对于智能电网的可靠运行至关重要。本研究提出了一种混合人工智能模型，该模型集成了用于特征压缩和去噪的自编码器（AE）、用于空间特征提取的卷积神经网络（CNN）以及用于时序依赖学习的双向长短期记忆网络（BiLSTM），共同构成了AE-CBiLSTM模型。该模型旨在准确诊断配电系统中的单相接地（SPG）短路故障。使用EMTP在IEEE 13节点测试馈线进行了仿真，数据处理和模型实现在MATLAB中完成。所提出的模型在两种运行场景下进行评估：正常运行条件和以虚假数据注入攻击（FDIA）形式出现的网络攻击。与各种基准模型的比较结果表明，AE-CBiLSTM模型在准确性和F1值方面表现优异，尤其是在对抗性数据条件下。该模型展现出强大的韧性和可靠性，即使在测量数据被破坏的情况下仍能保持高性能。这些研究结果凸显了AE-CBiLSTM作为配电网实时故障检测安全有效解决方案的潜力。