[论文解读] A Feature Selection Method for High Impedance Fault Detection

Qiushi Cui, Khalil El‐Arroudi+1 more|arXiv (Cornell University)|Aug 13, 2018

Power Systems Fault Detection参考文献 13被引用 4

一句话总结

本文提出了一种用于配电网高阻抗故障（HIF）检测的系统化特征选择框架，采用信号处理、专家知识与基于最小描述长度（MDL）的特征排序相结合的混合方法。通过利用DFT和卡尔曼滤波提取时间、持续时间和幅值特征，并融合电力系统专家经验，该方法在多种故障场景下均实现了高检测可靠性和安全性，优于传统的基于阈值的检测技术。

ABSTRACT

High impedance fault (HIF) has been a challenging task to detect in distribution networks. On one hand, although several types of HIF models are available for HIF study, they are still not exhibiting satisfactory fault waveforms. On the other hand, utilizing historical data has been a trend recently for using machine learning methods to improve HIF detection. Nonetheless, most proposed methodologies address the HIF issue starting with investigating a limited group of features and can hardly provide a practical and implementable solution. This paper, however, proposes a systematic design of feature extraction, based on an HIF detection and classification method. For example, features are extracted according to when, how long, and what magnitude the fault events create. Complementary power expert information is also integrated into the feature pools. Subsequently, we propose a ranking procedure in the feature pool for balancing the information gain and the complexity to avoid over-fitting. For implementing the framework, we create an HIF detection logic from a practical perspective. Numerical methods show the proposed HIF detector has very high dependability and security performance under multiple fault scenarios comparing with other traditional methods.

研究动机与目标

• 为解决配电网中高阻抗故障（HIFs）检测的挑战，此类故障常因故障电流较低而无法被传统过电流继电器检测到。
• 通过建立全面且系统设计的特征池，克服现有HIF检测方法中特征选择的随意性。
• 利用成熟且低成本的技术（如DFT和卡尔曼滤波）开发一种稳健且可实施的HIF检测逻辑。
• 通过基于MDL的特征排序，在信息增益与模型复杂度之间实现平衡，减少过拟合并提升泛化能力。
• 在多种故障场景下评估该方法的性能，包括不同的X/R比和故障电阻水平。

提出的方法

• 通过提取时序特征（故障起始时间、持续时间）、幅值特征（通过DFT获取谐波含量）以及故障强度指标（利用卡尔曼滤波估计谐波系数），构建特征池。
• 整合专家提出的特征（如零序与负序电压之间的相位差），以增强物理可解释性与检测准确性。
• 应用基于最小描述长度（MDL）的排序算法，优先选择在最大化信息增益的同时最小化模型复杂度的特征。
• 检测逻辑采用逻辑门等简单实用组件及广泛部署的技术（DFT、KF）实现，确保实时可行性。
• 利用具有随机变化电弧电阻和电压源的动态HIF模型对框架进行评估，以模拟真实的故障行为。
• 通过基准配电网馈线模型，在多种故障场景下验证性能，包括不同的故障电阻水平和X/R比。

实验结果

研究问题

• RQ1 如何设计一个全面且系统化的特征池，以捕捉高阻抗故障的多样化特征？
• RQ2 在HIF检测的特征选择中，信息增益与模型复杂度之间最优平衡点是什么？
• RQ3 基于MDL的特征排序能否有效识别出最小但高度信息量的特征集合用于HIF检测？
• RQ4 该方法在不同故障场景下的表现如何，包括变化的故障电阻和系统X/R比？
• RQ5 检测逻辑能否使用成熟、低成本且广泛部署的技术（如DFT和卡尔曼滤波）实现？

主要发现

• 所提出的特征选择框架显著提升了HIF检测的可靠性和安全性，优于传统基于阈值的方法。
• 基于MDL的排序过程通过选择在最大化信息增益的同时最小化复杂度的特征，有效减少了过拟合。
• 该方法在不同HIF模型和故障场景下均保持一致的性能表现，包括变化的故障电阻和X/R比。
• 采用DFT和卡尔曼滤波可实现精确、实时的谐波估计，计算成本低且可靠性高。
• 整合专家知识（如零序与负序电压相位差）可提升检测准确性，且不增加模型复杂度。
• 数值结果表明，即使在低故障电流条件（10–50 A）下，该方法仍能实现高性能检测，而传统继电器常在此类条件下失效。