来自电网的真实示波图数据集

为什么微小的电力波动很重要

每一秒，庞大的电力网络默默地让我们的灯亮起、医院运转、数据中心运作。在变电站内部，保护装置不断监听电网的“心跳”——电压和电流信号，这些信号能揭示系统是否健康或接近故障。本文介绍了一个新的、公开可用的“心跳”宝库：一个记录电力系统在正常运行、轻微扰动和严重故障期间行为的真实示波图数据集。它旨在帮助工程师和人工智能系统提升供电的可靠性和弹性。

监听电网

现代变电站布满了继电保护与自动化终端，这些设备监视电网并在出现问题时瞬间触发断路器。随着电力系统变得更复杂——需求波动、可再生能源接入以及敏感电子设备的增多——这些继电器必须在毫秒级别内区分无害波动与危险故障。它们通过记录示波图来实现：以每秒数千次采样的详细电压和电流时间序列。直到现在，大多数研究和许多基于AI的保护方案严重依赖合成、计算机生成的信号，这些信号无法完全再现真实网络的混乱特性，例如传感器误差、不可预测的负载或雷电引起的扰动。

大型真实信号库

作者收集并整理了来自工业变电站的50,765份示波图，主要来自0.4到35千伏的中压网络。这些记录源自设备常规调试和对电网实际事件的调查。所有文件以电力行业广泛使用的标准COMTRADE格式存储，同时也提供预处理的CSV文件以便数据分析和机器学习使用。为保护隐私和商业信息，团队去除了设施和制造商名称、记录日期和原始文件名，并统一了信号标注方式，使用户无论设备品牌或变电站布局如何，都能看到一致的电压和电流通道命名。

解读这些信号

作者精心挑选了480份示波图进行详细人工注释。专家审阅了模拟信号，并将每一时刻划分为四类直观的组：正常运行或纯噪声、常规的开关动作例如断路器跳闸或电动机启动、偏离规范但不需要立即停机的异常事件，以及应触发保护装置的严重故障事件。这种细粒度的标注使研究人员能够训练和测试不仅能检测“发生了某事”，还能够识别事件类型的算法。团队还从更大集合中筛选出超过20,000份包含明显扰动的示波图，为关注异常行为的研究者提供了一个集中的起点。

从原始波形到更智能的保护

为验证标注质量，作者在带注释的子集中训练了几类神经网络。首先，他们使用自编码器——一种将信号压缩为紧凑内部表示再重构的AI模型——直接从波形中学习特征。当将这些压缩表示可视化时，四类事件形成了明显分离的簇，表明专家标注确实捕捉到了信号中的实质性差异。标准分类器如卷积网络和循环网络随后也能较高准确率地识别这四类事件，尤其在识别异常和故障事件方面表现突出。这表明该数据集非常适合用于开发和评测用于电网监测的机器学习方法。

为未来电网智能奠定基础

对非专业读者来说，关键结论是：该数据集提供了一个现实的实验平台，用于改进我们保护和控制电网的方式。由于它同时包含有标签和无标签数据，并且处理工具已公开发布，研究人员可以探索从基础的异常检测到能随着电网条件变化自适应的高级保护方案。随着时间推移，在这些真实示波图上训练和验证的模型，可能帮助电力公司更早地发现问题、减少停电并更安全地接入更多可再生能源——使支撑日常生活的隐形基础设施变得更加稳健与智能。

引用: Evdakov, A., Filatova, G., Yablokov, A. et al. A dataset of real-world oscillograms from electrical power grids. Sci Data 13, 262 (2026). https://doi.org/10.1038/s41597-026-06587-8

关键词: 电网可靠性, 故障检测, 示波图数据集, 继电保护, 能源领域的机器学习