本文提出了一种基于深度前馈网络和瞬态合成特征的故障诊断方法，主要使用瞬态相电流来训练分类器。该方法可以取得高达 97.85％的故障诊断精度，并可以准确定位故障的 IGBT。

Nov, 2022

该论文提出了一种基于随机森林和电流故障纹理特征的方法，用于对三相 PWM 电压源整流器系统中电流传感器故障进行诊断。结果表明，该方法能够成功地检测和定位电流传感器故障，有效地为维护人员提供故障位置，以保持整个系统的稳定运行。

Nov, 2022

本研究主要针对电力电子转换器故障监测和智能故障诊断，通过分析故障特征，并结合随机森林和瞬变故障特征等方法，提出了针对三相电力电子转换器的故障诊断解决方案，并探讨了未来的研究方向和挑战。

Sep, 2022

利用随机森林算法提取和选择特征以检测光伏系统中的细微故障，以提高故障分类的精度和计算效率。

Jun, 2023

基于机器学习的智能电网攻击检测模型，通过利用来自相量测量设备（PMUs）的数据和日志，学习系统行为并有效识别潜在的安全边界。研究使用来自不同 PMUs、继电器嗅探警报和日志的 15 个独立数据集验证了提出的模型，结果显示随机森林模型在检测电力系统扰动方面表现最佳，准确率达到了 90.56%，有助于操作人员的决策过程。

Jul, 2023

本文介绍了一种基于深度学习的故障检测方法，利用高精度的数据采集设备收集数据来训练模型，并使用长短时记忆网络和一维卷积神经网络来提取时序特征和频率信息进行故障预测，在 Kaggle 平台上的结果表明该方法具有更好的性能和解释性。

Sep, 2020

该研究提出了一种数据驱动的接地故障定位方法，通过分析处理后的数据的统计量，利用人工神经网络找到计算的电压特征与故障之间的映射关系，实现了接地故障的定位。研究结果表明该方法具有良好的潜力，并为测试鲁棒性而应用于未知系统状态的数据集。

Feb, 2024

应用知识图谱和梯度提升决策树技术，我们提出了一种能够有效学习少量高维数据的方法，用于电力变压器的安全状态评估和故障分析，取得了相比于神经网络和逻辑回归等其他方法更高的预测准确性，并在进步性、实用性和广泛应用潜力方面有显著改进。

Feb, 2024

探讨了特征工程对于解决物理系统数据诊断过程中存在的数据质量，噪声干扰，决策模型不精确等挑战的影响作用；论文使用特征筛选、降维和决策模型等方法，在 118 个节点的电力系统上进行了数据驱动的故障诊断，同时比较了多种高级技术在该领域的应用。实验结果表明，特征筛选和降维方法的联合应用可以有效提高数据质量，提高物理系统的诊断准确性。

Mar, 2023

使用相态分解部分放电信号数据来识别局部放电，建立了一套包括总量级、最大值级和最长空区段长度等特征的分类模型，采用随机森林和支持向量机分类方法，在分类准确率方面取得了显著的成果，同时开发了一个叠加集成模型，结果表明该模型在准确性和方差方面均优于现有方法。

Oct, 2022