用于配电网零误报孤岛检测的集成混合与可解释 AI（XAI）框架

为何保持电力安全至关重要

随着住宅和城镇安装越来越多的屋顶太阳能板、小型风力涡轮机以及其他本地电源，我们的电网变得更清洁的同时也更复杂。在这种新格局中，最严重的风险之一是“孤岛”现象：当某一片区与主电网断开后，该片区仍在自行发电。本文提出了一个智能的两步人工智能系统，旨在快速且可靠地识别孤岛，同时避免令用户恼火并给电网带来压力的不必要切断。

当街区变成独立的小电网

想象某条街道的主电源线路因为检修或故障被切断，但屋顶太阳能系统仍在向本地线路供电。工作人员可能以为线路已断电而实际上仍带电，且在重新并网时若不同步可能损坏设备。鉴于这些安全风险，国际规范要求本地发电机在两秒内停止为已孤立区供电。传统的保护装置通过监测电压或频率变化，或通过故意扰动电网来观察其响应，但这些方法要么漏检某些孤岛情形，要么在电机启动或电容切换等无害事件期间过度触发。公用事业单位因此不得不在漏检危险孤岛和引发干扰跳闸之间做取舍。

为何需要更聪明的学习工具

研究人员转向机器学习，通过从数据中直接学习模式来区分孤岛与其他扰动。早期研究采用单一模型，例如神经网络或决策树，回答一个简单的二元问题：“这是孤岛吗？”问题在于“不是”类别包含多种不同情形——故障、切换操作、正常电网行为等——这些在单点测量中可能非常相似。将单一模型调得更敏感能降低漏检孤岛的概率，但通常会提高误报率；反之，为避免骚扰性跳闸而降低敏感度又更可能错过真实孤岛。此外，许多此类模型难以解释，这使电网工程师对在关键保护角色中信任它们感到不安。

一种两步守护的电网保护方法

作者提出了不同的策略：将保护任务拆分为两个协同工作的阶段。第一阶段使用“Isolation Forest”（孤立森林）算法，类似于一个始终在线、仅以正常电网行为为训练对象的守望者。其任务非常简单——当进入的测量数据看起来异常时发出警报。该阶段被调得极为敏感，以便尽早捕捉几乎任何偏离，包括细微的孤岛情形。只有在检测到这种异常后第二阶段才被唤醒。在这一阶段，强大的 XGBoost 模型进行更精细的判断，不只是判断事件是否为孤岛，而是将其分类为多个类别，例如孤岛、故障、电容切换、电机启动和日常负载变化。通过让模型分别识别这些不同的特征签名，系统在不降低警觉性的情况下大幅减少了误跳闸的可能性。

用解释方法看透黑箱

为了建立对该自动决策器的信任，框架还使用了一种名为 SHAP 的解释工具。对于每次事件，SHAP 计算不同特征——例如电网频率变化速率、功率变动的快慢或电压失真的程度——对判定倾向于或远离孤岛的推动力。在实时运行中，系统记录少数最重要的贡献特征，便于操作员查看断路器为何被指令跳闸或保持闭合。在测试与调优阶段，更详尽的 SHAP 图帮助研究者发现模型被混淆的场景，例如电容切换事件模仿孤岛时的情况。这些洞见促成了自适应置信阈值的设计：当模式看起来模糊不清时，系统在跳闸前要求更强的证据；而当证据清晰一致时则可稍微放宽要求。

新系统的表现如何

团队在一个公开的仿真微网数据集上测试了他们的方法，该数据集包含数百个在多种运行工况下的孤岛与非孤岛事件样本。在从短时窗口的电压与电流数据中提取七个具有物理意义的特征后，他们训练并调优了两个阶段，然后在以前未见过的案例上评估性能。级联系统检测到了 96% 的孤岛事件，意味着在测试中几乎没有孤岛被漏检，同时将误报率控制在约 2.7%。总体准确率达到 96.8%，且该方法优于单模型机器学习基线和传统的基于阈值的混合方案。即使加入了现实的测量噪声，性能也是逐步下降而非崩溃，处理时间保持在十毫秒以内——远快于电网标准要求。

对日常可靠性的意义

对非专业读者而言，核心信息是：本文提出了一种务实的方式，使在保护现代、富含可再生能源的电网时能“兼得两全”。通过先问“是否发生了异常？”再问“到底发生了什么？”，系统避开了在捕捉每一个危险孤岛与避免不必要切断之间的常见权衡。附加的可解释层让工程师能够看到每次跳闸指令背后的逻辑，将黑箱算法转变为可被检查与改进的工具。尽管该研究依赖仿真数据，仍需在真实世界测量上验证，但它指向了更安全、更可靠地将屋顶太阳能、小型风场及其他分布式发电并入我们日常依赖的电力系统的方向。

引用: Shahade, S.K., Jawadekar, A.U. & Shahade, A.K. An ensemble hybrid and explainable AI (XAI) framework for zero false-positive islanding detection in distribution networks. Sci Rep 16, 13460 (2026). https://doi.org/10.1038/s41598-026-43913-x

关键词: 孤岛检测, 分布式发电, 机器学习, 电力系统保护, 可解释人工智能