本文提出了一种新颖的图卷积网络（GCN）框架，用于电力配电网络的故障定位。该方法集成了不同母线上的多个测量值，并考虑了系统拓扑结构。在 IEEE 123 母线基准系统上，GCN 模型的有效性得到了证实。模拟结果表明，该模型的故障定位精度远高于其他广泛使用的机器学习方案。此外，该方法对于测量噪声和数据丢失错误具有鲁棒性。提出了数据增强过程来增加模型在各种噪声和数据丢失错误水平下的鲁棒性。进一步的实验表明，该模型能够适应配电网络的拓扑变化，并能在有限数量的测量母线下良好运行。

Dec, 2018

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

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

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

高阻抗故障的准确快速识别对于配电系统的可靠运行至关重要。本文提出了一种数据驱动的方法，通过优化问题近似高阻抗故障电压电流轨迹的分段函数特征，并利用支持向量机方法在不同位置高效地识别高阻抗故障。对 IEEE 123 节点测试馈线的数值研究证明了该方法在实时高阻抗故障识别方面的有效性和准确性。

Nov, 2023

通过图神经网络（GNN）发展了一种检测电力网故障的新方法，旨在增强网络运维中的智能故障诊断能力，该方法借助特殊的电气特征提取模型和知识图谱，通过整合节点的历史和未来状态来辅助当前故障检测，并通过对神经网络层各个节点输出特征进行相关分析验证了该 GNN 在提取节点特征方面的有效性，实验证明该方法可在模拟场景中准确定位故障节点，准确率达到 99.53%，此外，图神经网络的特征建模还可定性揭示故障在节点之间的传播情况，提供有价值的故障节点分析洞察。

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

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

本研究提出一种基于深度学习的系统，用于预测太阳能电力系统中的故障和优化发电，从而减少成本并确保可靠性。结果表明，该方法可以成功应用于发展中国家。

Nov, 2017

提出了一种新颖的上下文感知异常检测算法 GridCAL，它考虑了常规拓扑和负荷 / 发电变化的影响，通过将实时功率流测量值转化为上下文不可知的值，以统一的统计模型为基础进行异常检测。数值模拟结果表明，该方法准确且计算效率高，优于当前最先进的方法。

Apr, 2024