基于漏磁测量与机器学习的配电网络短路故障智能检测与分类方法

《IEEE Access》：Short Circuit Fault Detection and Categorization for Secondary Distribution Network Using Non-Contact Magnetic Measurements

本文针对配电网络短路故障检测依赖传统侵入式测量、效率低且危险的问题，提出了一种基于非接触式漏磁测量与机器学习算法的自动故障检测与分类技术。研究人员通过有限元分析模拟200 kVA配电变压器，优化传感器位置，并利用人工神经网络（ANN）对10种短路故障类型进行分类，实现了98%的准确率和0.16秒的快速分类。该技术为配电系统保护提供了安全、低成本且高效的解决方案，特别适用于发展中国家的电网智能化升级。

　　

在现代电力系统中，配电网络的可靠运行直接关系到社会经济的稳定发展。然而，架空配电线路由于穿越复杂地理环境，极易受到植被生长、恶劣天气等外部因素影响，发生短路故障（Short Circuit, SC）。传统故障检测主要依赖用户手动报告或人工巡检，不仅响应迟缓，还因使用需要直接接触带电导体的电压/电流互感器而存在安全隐患。特别是在可再生能源并网、电动汽车充电等新型负荷接入的背景下，配电网络故障检测面临更大挑战。

为解决上述问题，Naveed Khan等研究人员在《IEEE Access》发表论文，提出了一种基于非接触式漏磁测量与机器学习算法的短路故障智能检测与分类技术。该技术通过监测配电变压器箱体表面的漏磁通（Magnetic Flux Density, MFD）变化，结合人工智能算法实现故障的快速识别与分类，避免了传统方法的高成本与安全风险。

研究人员首先通过有限元分析（Finite Element Analysis, FEA）软件ANSYS Maxwell构建了220 kVA配电变压器模型，模拟了10种典型短路故障（包括单相接地、两相接地、相间短路和三相接地故障）。通过在变压器侧面（Side Face, SF）、底面（Bottom Face, BF）和正面（Front Face, FF）布置传感器，采集不同故障下的MFD波形数据。随后，利用K近邻算法（K-Nearest Neighbour, KNN）结合动态时间规整（Dynamic Time Warping, DTW）、支持向量机（Support Vector Machine, SVM）和人工神经网络（Artificial Neural Network, ANN）三种机器学习算法进行训练与测试。

关键技术方法包括：基于有限元法的变压器电磁仿真、多位置漏磁通数据采集、基于动态时间规整的波形相似性度量、支持向量机的多分类策略以及人工神经网络的非线性映射建模。所有数据均来源于仿真环境，未涉及实际样本队列。

研究结果方面，通过对比三种算法在三个传感器位置的性能，发现侧面（SF）位置的MFD信号最强，分类效果最优。其中，ANN算法在SF位置上实现了98%的整体分类准确率，显著高于KNN（91%）和SVM（97%）。在精确率（Precision, P）、召回率（Recall, R）和F1分数等细粒度指标上，ANN在多数故障类型中表现稳定，特别是在相间短路（A to B, B to C, A to C）故障中达到100%的识别率。

混淆矩阵显示，ANN仅在两相接地（BC to G）与单相接地（C to G）故障间存在少量误判。此外，ANN的推理速度最快，对669个测试样本的分类仅耗时0.16秒，满足实时性要求。

结论部分指出，该研究验证了基于漏磁传感的故障检测技术在安全性、经济性和效率方面的显著优势。ANN算法的高精度与快速响应为配电系统实时监控提供了可靠支持。该技术尤其适用于电网基础设施薄弱的发展中国家，可有效缩短故障停电时间，提升供电可靠性。未来工作将聚焦于实际环境下的技术验证以及在负荷不平衡等复杂场景下的扩展应用。