FaultXformer: A Transformer-Encoder Based Fault Classification and Location Identification model in PMU-Integrated Active Electrical Distribution System

📄 arXiv: 2602.24254v1 📥 PDF

作者: Kriti Thakur, Alivelu Manga Parimi, Mayukha Pal

分类: eess.SY, cs.AI, cs.LG

发布日期: 2026-02-27

💡 一句话要点

FaultXformer：一种基于Transformer编码器的配电系统故障分类与定位模型

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱四：生成式动作 (Generative Motion)

关键词: 故障诊断 配电系统 Transformer编码器 PMU数据 时序分析

📋 核心要点

  1. 配电系统中日益增长的分布式能源带来复杂性，精确的故障检测与定位至关重要。
  2. FaultXformer利用Transformer编码器，通过双阶段处理PMU电流数据，实现故障类型分类和位置识别。
  3. 实验表明，FaultXformer在故障分类和定位方面显著优于CNN、RNN和LSTM等传统方法。

📝 摘要（中文）

本文提出FaultXformer，一种基于Transformer编码器的架构，用于利用来自相量测量单元(PMU)的实时电流数据进行自动故障分析。该方法利用时序电流数据，在第一阶段提取丰富的时序信息，这对于识别故障类型和精确定位多个节点上的故障位置至关重要。在第二阶段，处理提取的特征以区分不同的故障类型，并识别配电系统中的相应故障位置。这种双阶段Transformer编码器管道实现了高保真表示学习，显著提高了性能。该模型在IEEE 13节点测试馈线生成的数据集上进行了验证，该数据集模拟了20个独立的故障位置和多个分布式能源(DER)集成场景，利用了来自四个战略位置的PMU的电流测量数据。为了展示稳健的性能评估，执行了分层10折交叉验证。FaultXformer在交叉验证中，故障类型分类的平均准确率为98.76%，故障位置识别的平均准确率为98.92%，始终优于传统的深度学习基线卷积神经网络(CNN)、循环神经网络(RNN)和长短期记忆网络(LSTM)。在分类精度方面分别提高了1.70%、34.95%和2.04%，在位置精度方面分别提高了10.82%、40.89%和6.27%。这些结果证明了所提出的模型在显著的DER渗透下的有效性。

🔬 方法详解

问题定义：论文旨在解决配电系统中准确的故障检测和定位问题，尤其是在分布式能源大量接入的情况下。现有方法，如传统的深度学习模型，在处理复杂的时序电流数据时，难以提取有效的特征，导致故障分类和定位精度较低。

核心思路：论文的核心思路是利用Transformer编码器强大的时序建模能力，从PMU获取的电流数据中提取丰富的时序特征，从而更准确地识别故障类型和定位故障位置。Transformer的自注意力机制能够捕捉电流数据中长距离的依赖关系，这对于区分不同类型的故障至关重要。

技术框架：FaultXformer采用双阶段的Transformer编码器架构。第一阶段，利用Transformer编码器从PMU电流数据中提取时序特征。第二阶段，将提取的特征输入到分类器中，分别进行故障类型分类和故障位置识别。整个流程包括数据预处理、特征提取、故障分类和故障定位四个步骤。

关键创新：论文的关键创新在于将Transformer编码器应用于配电系统的故障诊断。与传统的CNN、RNN和LSTM等方法相比，Transformer编码器能够更好地捕捉电流数据中的时序依赖关系，从而提高故障分类和定位的准确性。此外，双阶段的设计使得模型能够同时进行故障类型分类和故障位置识别。

关键设计：论文使用了多头自注意力机制的Transformer编码器。具体参数设置未知。损失函数未知。网络结构包括嵌入层、Transformer编码器层和分类层。嵌入层将电流数据转换为向量表示，Transformer编码器层提取时序特征，分类层进行故障类型分类和故障位置识别。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

FaultXformer在IEEE 13节点测试馈线数据集上进行了验证，结果表明，其在故障类型分类和故障位置识别方面的平均准确率分别达到98.76%和98.92%。与CNN、RNN和LSTM等基线模型相比，FaultXformer在分类精度方面分别提高了1.70%、34.95%和2.04%，在位置精度方面分别提高了10.82%、40.89%和6.27%。

🎯 应用场景

FaultXformer可应用于智能电网的故障诊断与自愈，提高电网运行的可靠性和稳定性。通过快速准确地识别故障类型和定位故障位置，可以缩短故障恢复时间，减少停电损失，并为分布式能源的广泛接入提供保障。该研究对提升配电系统的智能化水平具有重要意义。

📄 摘要（原文）

Accurate fault detection and localization in electrical distribution systems is crucial, especially with the increasing integration of distributed energy resources (DERs), which inject greater variability and complexity into grid operations. In this study, FaultXformer is proposed, a Transformer encoder-based architecture developed for automatic fault analysis using real-time current data obtained from phasor measurement unit (PMU). The approach utilizes time-series current data to initially extract rich temporal information in stage 1, which is crucial for identifying the fault type and precisely determining its location across multiple nodes. In Stage 2, these extracted features are processed to differentiate among distinct fault types and identify the respective fault location within the distribution system. Thus, this dual-stage transformer encoder pipeline enables high-fidelity representation learning, considerably boosting the performance of the work. The model was validated on a dataset generated from the IEEE 13-node test feeder, simulated with 20 separate fault locations and several DER integration scenarios, utilizing current measurements from four strategically located PMUs. To demonstrate robust performance evaluation, stratified 10-fold cross-validation is performed. FaultXformer achieved average accuracies of 98.76% in fault type classification and 98.92% in fault location identification across cross-validation, consistently surpassing conventional deep learning baselines convolutional neural network (CNN), recurrent neural network (RNN). long short-term memory (LSTM) by 1.70%, 34.95%, and 2.04% in classification accuracy and by 10.82%, 40.89%, and 6.27% in location accuracy, respectively. These results demonstrate the efficacy of the proposed model with significant DER penetration.