SymbolicPhasor: Power System Phasor Estimation via Deep Symbolic Regression
本文介绍了 SymbolicPhasor，这是一个深度符号回归框架，它通过学习包含衰减直流分量、谐波和频率偏差的畸变故障电流的可解释解析表达式，能够在单周期内精确估计电力系统相量，从而在继电保护应用中超越传统的基于离散傅里叶变换（DFT）的方法。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图在嘈杂混乱的房间里听清一个正在演唱旋律的单一、清晰的声音。歌手就是“基波”频率——即那个告诉你在真实音高的纯净、稳定的音符。但房间里充满了其他噪音：扬声器传来的低音轰鸣（谐波）、突然爆发的静电噪声（噪声），以及一个声音由大变小、逐渐消退的奇怪、摇摆的回声（衰减的直流偏移）。在电力世界中，这个“房间”就是电网，而“声音”就是通过导线流动的电流。当故障发生时——比如短路或雷击——电流就会变得狂乱。它不再是平滑、干净的波形，而变成了一团混乱、扭曲的杂乱信号。
工程师们需要准确知道那个“纯净的声音”此刻正在做什么，以维持供电并防止停电。他们使用被称为“相量估计器”的特殊工具来过滤掉噪声并寻找真实的信号。最常用的工具就像一位非常快速、非常严厉的图书管理员，他只知道阅读特定类型的书（离散傅里叶变换，或称 DFT）。但当“书”变得杂乱，出现了那种奇怪的、逐渐消退的回声时，图书管理员就会感到困惑并开始犯错。如果图书管理员猜错了，安全系统可能会不必要地切断电源，或者更糟的是，在应该跳闸时未能跳闸。因此，核心问题是：我们如何构建一个更聪明的倾听者，使其能够忽略混乱，并在房间处于灾难状态时依然找到那首真正的歌？
这篇论文介绍了一种新的、聪明的倾听者，叫做 SymbolicPhasor。它并不只是尝试猜测答案或过滤噪声，而是使用了一种名为**深度符号回归（Deep Symbolic Regression）*的技术。你可以把它想象成一名侦探，他不只是在寻找线索，这位侦探实际上是在为整个混乱的声波写出一份数学配方*。
以下是它的工作原理：系统会对混乱的电信号进行快照，并将其切割成微小的、相互重叠的窗口，就像逐帧观察电影一样。在每个窗口内部，人工智能会尝试写出一个简单的数学方程，完美地描述整个混乱的波形，包括那个消退的回声、低音轰鸣和静电噪声。为了帮助人工智能，研究人员为它提供了一份特殊的“参考表”。他们告诉人工智能：“嘿，我们知道这里有一段主旋律，还有一个三次谐波回声和一个五次谐波回声，所以请寻找使用这些特定节奏的数学公式。”
一旦人工智能为这个混乱的波形写出了这份完美的数学配方，它并不会就此停止。它利用这个配方将信号在数学上“投影”到一个纯净、干净的正弦波上。这就像是将一张扭曲、摇摆的图画，用直尺重新描绘，从而找到其下完美的直线。这使得系统能够瞬间计算出基本信号的真实强度（幅值）和时序（相位），即使在混乱仍在发生的过程中也是如此。
研究人员在模拟环境中测试了这个想法，创建了各种类型的数字“故障”，包含了所有种类的麻烦：单个衰减回声、双重衰减回声，甚至当电网的频率稍微偏离其正常调式时。他们将这种新方法与旧的标准图书管理员（DFT）进行了对比。结果令人印象深刻。在这些模拟实验中，SymbolicPhasor 能够以惊人的准确度重建混乱的信号，其“决定系数”（衡量数学模型与数据拟合程度的分数）高达 0.985。这意味着它所写的数学配方几乎与真实信号完全匹配。
即使信号中同时存在两个不同的衰减回声，或者当频率略有偏差（例如在标准 60 Hz 之外的 59.5 Hz 或 60.5 Hz）时，该方法依然表现稳健。它表明，通过强制人工智能寻找具有物理意义的模式（如特定频率的谐波），它可以在仅仅一个波形周期内恢复出真实的信号。这种速度足以满足现实世界安全系统的应用需求。
然而，作者也谨慎地指出，这目前仍处于模拟阶段。虽然数学逻辑在计算机上运行得非常完美，但主要的障碍在于这个“侦探”在每一个窗口中求解方程都需要一定的计算能力。论文指出，虽然该方法在这些测试中展现了极佳的噪声过滤能力，但未来的工作重点将是如何提高其速度和效率，使其能够在现实世界的实际硬件上运行。目前，它仍然是监听电网的一种极具前景的新方式，即便是在房间完全陷入混乱的情况下。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。