تقدم هذه الورقة تقنية جديدة مدفوعة بالبيانات للكشف عن العيوب وتحديد مواقعها في شبكات توزيع الجهد المنخفض (LVDNs). تعتمد الطريقة المقترحة على بيانات جهد تتابع الزمن للعدادات الذكية (SM) وتوائم الشبكة الرقمية (DNDT) لمعالجة القيود الرئيسية في الطرق التقليدية، بما في ذلك الاعتماد على استدعاءات المشكلات من العملاء، وعدم دقة الطرق المعتمدة على الممانعة، والحاجة إلى مجموعات بيانات تدريب كبيرة ومعقدة لتحديد موقع العيوب باستخدام التعلم الآلي (ML). يتم أولاً الكشف عن الشذوذ في بيانات العداد الذكي نصف الساعية باستخدام خوارزمية تجميع البيانات المستندة إلى الكثافة (DBSCAN)، مما يتيح التعرف التلقائي على كل من العيوب الدائمة والمؤقتة. ثم يقوم DNDT بتحديد العملاء المتأثرين لتضييق منطقة بحث العيوب إلى فروع شبكة معينة. تحدد مصفوفة التيار الفرعي-جهد الفرع (BCBV)، بالاشتراك مع بيانات جهد العداد الذكي الأخيرة، الفرع المعيب بدقة. أخيراً، يتم تحديد موقع العيب بدقة وتصنيف نوعه باستخدام نموذج غابة عشوائية (RF) تم تدريبه على سيناريوهات عيوب صناعية تم إنشاؤها بواسطة DNDT. تُظهر نتائج التحقق على نظام اختبار IEEE 123-bus ونظام اختبار عملي واسع النطاق في وسط غرب الولايات المتحدة 240-bus، فوزاً بفئة عيوب لا يقل عن 99.6% في التصنيف ودرجة R-Squared 99.8% في تحديد الموقع، مع تقليل وقت التدريب مقارنة بالطرق المرجعية. تشمل المزايا الرئيسية القضاء على الحاجة إلى استدعاءات المشكلات من العملاء، والامتثال للوائح خصوصية بيانات العملاء، وتقليل التعقيد الحسابي، مما يعزز كفاءة إدارة العيوب في شبكات LVDNs الحديثة.
درس خان وآخرون (الخميس) هذا السؤال.