Dynamic threshold hybrid supervised multiscale convolutional autoencoder via distance metric learning for distribution system fault diagnosis
Este artigo propõe uma estrutura híbrida de diagnóstico de falhas para sistemas de distribuição que integra um autoencoder convolucional multiescala de limiar dinâmico com K-vizinhos mais próximos aprimorado pela distância de Mahalanobis e uma estratégia de limiar de pontuação de energia dinâmica para superar desafios de sobreposição de características e localizar precisamente falhas em nós adjacentes sob ambientes de ruído complexos.