基于机器学习的输电线路故障诊断系统实现

1. 输电线路故障诊断项目概述

在电力系统运维中，快速准确地识别输电线路故障类型是保障电网稳定运行的关键环节。传统的人工巡检和阈值报警方式存在响应滞后、误报率高等问题。本项目基于机器学习技术，使用Python实现了对五种典型输电线路故障（单相接地、两相接地、两相短路、三相接地、三相短路）以及正常状态的自动诊断系统。

核心数据集来自MATLAB/Simulink仿真平台，包含每种故障状态下约1300组三相电流（Ia, Ib, Ic）和电压（Ua, Ub, Uc）的瞬时采样数据。通过特征工程构建了包含9个原始特征（三相电流电压值）和4个派生特征（故障标志位）的数据集，采用逻辑回归、决策树、随机森林、XGBoost和支持向量机五种算法进行建模对比。

项目亮点：提供完整的中英文双版本代码实现，所有关键步骤均配有详细注释，特别适合电力系统自动化、智能运维等领域的工程师参考实现。

2. 数据准备与特征工程

2.1 仿真数据采集

使用MATLAB/Simulink搭建的220kV输电线路模型进行故障仿真，主要参数配置：

• 线路长度：100km
• 采样频率：10kHz
• 故障持续时间：0.1s
• 故障电阻：10Ω

每种故障类型模拟场景：

1. 单相接地故障（A相）：G=1, A=1, B=0, C=0
2. 两相接地故障（BC相）：G=1, A=0, B=1, C=1
3. 两相短路故障（AB相）：G=0, A=1, B=1, C=0
4. 三相接地故障：G=1, A=1, B=1, C=1
5. 三相短路故障：G=0, A=1, B=1, C=1
6. 正常状态：G=0, A=0, B=0, C=0

2.2 数据预处理流程

python复制# 中文版数据预处理代码片段
import pandas as pd
from sklearn.preprocessing import LabelEncoder

# 读取原始数据
df = pd.read_csv('fault_data.csv')

# 合并故障标志位创建新特征
df['Fault_Type'] = df['G'].astype(str) + df['A'].astype(str) + df['B'].astype(str) + df['C'].astype(