Fault Detection and Classification in Power Systems Using RMS-Based Features and Simulink Fault Injection
Notice bibliographique
Résumé
To ensure fast restoration and secure operation, fault diagnosis and classification are vital in medium voltage distribution systems. This research introduces a machine learning-based framework for fault detection and classification in an <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$11 \text{kV}, 10 ~\text{km}$</tex> three-phase distribution line, simulated in MATLAB/Simulink, and tested with practical data from a substation. All types of symmetric and unsymmetrical fault situations are simulated to create <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\mathbf{1 1, 0 0 0}$</tex> labelled samples equally divided into 11 classes (1000 per class). These scenarios include single-line-to-ground (SLG), line-to-line (LL), double-line-to-ground (DLG), three-phase (LLL), and healthy (no fault) conditions. Feature extraction is done on current signals in the transient regime. Three classifiers - Decision Tree, Random Forest, and XGBoost -are trained and tested using stratified splits and cross-validation. Moreover, evaluation is being done using field measurement data. The result of the experiments shows that all of the models achieve perfect classification performance, with 100 % accuracy, precision, recall, and <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$F 1$</tex> score indicating how well tree-based learning methods can find fault categories. They are simple but very dependable alternatives to standard relay-based methods. The suggested solution helps to improve the smart protection schemes and lays the groundwork for real-time usage in medium-voltage distribution networks. Finally, the outline for fault localization severity estimation is given for future extensions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».