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

本文提出并分析了一种基于神经网络的方法，用于分类高压直流气体绝缘系统中对金属凸起和导电粒子产生的局部放电信号，同时对不同的归一化策略的影响进行了探究。

Jul, 2023

在这项研究中，我们提出了一种实用而稳健的检测方法，仅利用现有的电压幅值，消除了昂贵的相角或功率流数据的需求，并通过梯度下降学习后事故分布的参数，以及添加 Bregman 散度约束解决可行性问题，证明可以及时检测和定位停电，无需假设已知停电模式。

Sep, 2023

电力质量问题的自动化分析方法使用基于规则的分析技术对电压和电流信号的时域和频域特性进行分类，具有高准确度。通过循环直方图检测微小信号变化，预防电力系统问题，提高传输系统的可靠性。

Sep, 2023

本文提出了一种基于随机森林的数据驱动在线故障诊断方法，可及时有效地定位三相 PWM 整流器中 IGBT 的断路故障并确保系统安全。

Nov, 2022

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

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

本文介绍一种基于学习的稳健方法，用于诊断配电网开关设备的状态，这对于维护终端用户的电能质量至关重要。这种方法通过引入一个扩展的特征向量，包括环境数据、温度读数、开关位置、电机运行、绝缘条件和局部放电信息，解决了传统诊断模型过于依赖专家知识且鲁棒性不足的问题。我们通过特征映射来解决高维度问题。该方法引入了一个决策半径来对未标记样本进行分类，并结合有监督和无监督损失以及一致性正则化函数来更新模型参数。这种方法即使在有限数量的标记样本下也能确保稳健学习。比较分析表明，该方法在准确性和鲁棒性方面明显优于现有模型。

Nov, 2023

本文提出了一种基于人工智能和机器学习技术的电力系统健康检测方案，利用 Siemens PSS/E 软件模拟电网状况，并采用分类器（SVM、LSTM 等）进行训练和测试，结果证明其能够高精度地检测电网异常，并可扩展应用于更复杂的电网结构。

Nov, 2017

该研究探讨了使用简单分类标签的数据驱动模型来预测电力系统中电压失控事件的有效性，通过将预测视为分类任务来降低计算和数据负担，并在一个真实的意大利 150 千伏输电网络部分进行了实证案例研究，证明了该方法的广泛适用性，并提供了几种广泛使用的预测模型在该应用中的优点和缺点的见解。

Jul, 2022