Robustness Evaluation of Machine Learning Models for Fault Classification and Localization In Power System Protection

想象一下，电网是一座繁忙、庞大的电力城市。多年来，这些“交通警察”（保护系统）一直遵循着一套简单的规则手册：如果灯光闪烁的方式符合某种特征，就切断线路。但现在，这座城市正在发生变化。太阳能电池板和风力涡轮机到处都是，使得电流变得狂野且难以预测。旧的规则手册正变得混乱不堪。

欢迎来到机器学习（ML）的世界，它是一个超级聪明、渴望数据的侦探，能够观察整个城市并说道：“啊，那是北边的短路！”但问题在于，在现实世界中，侦探并不总能得到完美的线索。有时他们的无线电会发出杂音，或者传感器损坏，或者他们漏掉了几秒钟的动作。

这篇论文提出了一个至关重要的问题：如果我们的 AI 侦探失去了一些感官，它还能破案，还是会陷入恐慌？

侦探的两项任务

研究人员使用一项高科技模拟技术（一个高度精确的电网“电子游戏”）测试了一个 AI 模型，该模型专注于两项特定任务：

1. 故障分类 (FC)： 识别发生了什么类型的麻烦（例如：“是单根电线接触地面，还是三根都接触了？”）。
2. 故障定位 (FL)： 精确指出麻烦在输电线路上的具体位置。

“传感器损坏”实验

团队不仅仅是希望 AI 足够强大，他们还故意破坏它，以观察它如何应对痛苦。他们模拟了三种类型的灾难：

• 缺失感官： 如果 AI 看不到电压怎么办？或者看不到电流？或者甚至只丢失了一个特定的相位（比如丢失了“A”通道）？
• 慢动作： 如果数据传输变慢了，就像视频缓冲一样，而不是清晰、快速的流式传输，会发生什么？
• 无线电黑屏： 如果与控制中心的连接中断了几毫秒会怎样？

重大发现：“类型” vs. “位置”

这是故事中最令人惊讶的部分。AI 侦探在识别故障类型方面是一个变色龙，但在寻找位置方面却很脆弱。

1. “是什么”很强韧（故障分类）
当研究人员隐藏电压数据或电流数据时，AI 识别“这是一个短路！”的能力几乎没有受到影响。它依然稳如泰山，得分保持在 0.99（其中 1.0 为完美）。即使丢失了一个完整的相位电力数据，它的得分也仅轻微下降到 0.85–0.87 左右。

• 启示： 即使缺少一半的线索，AI 也擅长识别故障的“指纹”。这就像即便歌词被切掉了，你依然能通过节奏辨认出一首歌。

2. “在哪里”很敏感（故障定位）
然而，当涉及到寻找故障的确切位置时，AI 需要睁大眼睛。

• 如果他们隐藏了电流数据，寻找位置的误差增加了 71%（从平均误差 7.80 跳升至 13.36）。
• 如果他们隐藏了电压数据，误差则爆炸式增长，增加了 163%（跳升至 20.56）。
• 启示： 电压是这个 AI 的 GPS。没有电压，侦探就是在黑暗中摸索。论文表明，虽然 AI 可以在没有电压的情况下猜测问题的类型，但它绝对需要电压才能知道问题在哪里。

“慢动作”测试

团队还放慢了数据流的速度，就像观看每秒 100 帧而不是 6,400 帧的电影一样。

• 对于“是什么”： 直到速度降至 100 Hz 之前，AI 基本不在乎。即使在 400 Hz 时，它依然表现出色。
• 对于“在哪里”： AI 开始变得踉跄。在 800 Hz 时它表现良好，但到了 200 Hz，误差显著增长。
• 启示： 你不需要超高速摄像机来知道发生了什么，但要了解发生了哪里，你需要更高的帧率。

“无线电黑屏”测试

最后，他们模拟了 AI 丢失几毫秒（5 到 40 毫秒）连接的情况。

• 结果： AI 表现出了惊人的韧性。丢失 20 毫秒或更少的数据完全不会影响其性能。事实上，在某一瞬间，位置误差甚至看起来略有改善（从 7.80 降至 7.48），尽管作者指出这很可能只是模拟中的一次幸运巧合，而非某种神奇的魔术。直到黑屏达到 40 毫秒时，误差才开始爬升。

这对未来意味着什么

论文得出结论，我们不能仅仅把任何 AI 扔进电网并寄希望于好运。如果我们想要这些系统是安全的：

• 电压是核心： 我们必须确保 AI 始终能获取电压数据。如果电压传感器失效，系统的“定位”部分就会崩溃。
• 冗余至关重要： 由于丢失一个相位（A、B 或 C）会损害性能，我们需要确保所有三个相位都在监视电网。
• 速度很重要： 对于所有事情，我们不一定需要尽可能快的数据，但为了寻找故障，我们需要至少 800 Hz。

作者谨慎地指出，这些结果来自针对特定电网设置的模拟。他们尚未在真实的物理电网上进行测试。但是，如果他们的“电子游戏”结果能在现实世界中站得住脚，它就为工程师们提供了一份清晰的蓝图：构建能够预见数据缺失的 AI，但绝不要让它失去电压传感器。