基于紧凑特征集成学习的主动中压配电网实时故障检测与分类——分布式电源馈入下的摩洛哥电网现场验证

《International Transactions on Electrical Energy Systems》：Real-Time Fault Detection and Classification in Active MV Distribution Networks Using Compact Feature–Based Ensemble Learning Under DG Infeed With Field Validation on the Moroccan Grid

　　

由于测量噪声、运行条件变化以及保护硬件中通常有限的计算资源，中压（MV）配电网络中的可靠故障诊断仍面临困难。为解决这些约束，研究人员提出一种紧凑且与继电器兼容的框架，将实用特征工程与监督学习技术相结合，用于实时故障检测与分类。该方法依赖一组六个描述符，包括相电流比、零序量测以及合成阻抗偏差指标?Z。此外，研究人员采用零序与正序电流比I₀/I₁，以确保在分布式发电（DG）存在下仍能稳健地进行故障分类，同时保持适合智能电子设备的低计算开销。研究人员采用跨域验证协议：分类器使用MATLAB/Simulink故障场景生成的合成数据进行训练，然后利用从摩洛哥MV电网数字保护继电器中以COMTRADE格式提取的真实扰动记录进行评估。评估将径向基函数神经网络（RBFNN）与随机森林（RF）和梯度提升（GB）模型进行比较。其中，RF表现出最一致的泛化能力，在可用现场数据集上达到98.5%的准确率。该研究进一步验证了系统在主动网络中的鲁棒性，确保所提出的特征集在传统继电器因DG馈入而失效的情况下仍保持灵敏度，并确认RF模型适用于双向故障电流贡献场景。总体而言，结果表明，物理可解释的特征与集成学习模型相结合，为将人工智能（AI）辅助故障诊断集成到现代保护基础设施中提供了一条实用且可扩展的途径。

论文解读：

中压（MV）配电网的故障诊断长期受测量噪声、运行条件波动及保护硬件计算资源有限等制约。传统过流保护依赖固定阈值，难以区分复杂故障类型。随着分布式发电（DG）大规模接入，配电网由单向辐射状变为双向潮流的有源网络，故障电流的幅值与方向改变，可能导致传统继电器保护“盲区”或灵敏度下降。摩洛哥电网正处于可再生能源快速整合阶段，其MV馈线运行条件和保护设置差异大，亟需一种兼具性能与可实现性的数据驱动诊断方案。该论文发表于《International Transactions on Electrical Energy Systems》，提出一种紧凑、与继电器兼容的故障检测与分类框架。

研究人员构建了六维紧凑特征集，包括三相电流比（相电流归一化至保护定值）、实测接地电流、零序电流分量I₀以及合成阻抗偏差指标ΔZ。为应对DG馈入，额外引入零序与正序电流比I₀/I₁作为判别特征。模型方面比较了径向基函数神经网络（RBFNN）、随机森林（RF）和梯度提升（GB）。验证采用跨域协议：训练数据来自MATLAB/Simulink生成的6300个合成故障样本，测试数据来自摩洛哥马拉喀什配电网MICOM P142继电器采集的800个COMTRADE格式真实扰动事件，确保训练与测试域独立。主要技术方法包括基于Simulink的MV馈线建模与自动故障生成、COMTRADE解析与特征提取、分组交叉验证防止数据泄漏，以及通过特征重要性和消融实验评估ΔZ的贡献。DG模式下，采用加性高斯白噪声（SNR 20–30 dB）进行鲁棒性测试，并设计DG模式识别门控层。

研究结果如下：

5.1 仿真与现场提取数据集：通过PCA降维可视化，单相接地类（AG、BG、CG）与相间故障类（AB、AC、BC）在特征空间中呈现清晰聚类，说明所选特征具有良好类可分性。

5.2 比较结果：在仿真数据上，RBFNN与RF均达100%准确率，GB为97.22%；在真实数据上，RF准确率为98.5%（F1=0.998），RBFNN为84.57%（F1