Текущо състояние на откриването на дефектите при заземяване на еднофазен ток
Ниската точност в диагностицирането на дефектите при заземяване на еднофазен ток в системи, които не са ефективно заземени, се дължи на няколко фактора: променливата структура на разпределителните мрежи (като затворени и отворени конфигурации), различни методи за заземяване на системите (включително незаземени, заземени чрез аркогасеща катушка и заземени чрез малко съпротивление), нарастващата годишна пропорция на кабелни или хибридни надземни-кабелни проводки и сложни типове дефекти (като удари на мълнии, пробой на дървета, прекъсване на жиците и електрически удар).
Класификация на дефектите при заземяване

Дефектите в електрическата мрежа могат да включват метално заземяване, заземяване чрез удари на мълнии, заземяване чрез клони, заземяване чрез съпротивление и заземяване чрез лоша изолация. Те могат да включват и различни сценарии на дъгово заземяване, като дъги при кратки разстояния, дъги при дълги разстояния и интермитентни дъги. Характеристиките на сигнала на дефектите при различни условия на заземяване вариират по форма и величина.
Технологии за обработка на дефектите при заземяване
Трудности при дефектите при заземяване
Сложността на характеристиките на дефектите при заземяване
Методи за локализация на дефектите при заземяване на еднофазен ток
В момента има три категории, общо 20 основни метода, за локализация на дефектите при заземяване на еднофазен ток:

Изкуственият интелект (ИИ) е напредничка технология в развитието на съвременната технология. Той създава съответни теоретични модели, имитирайки характеристиките на хора, животни или растения, и решава проблеми с "човешко" мислене. Особено за електрическите мрежи, които са по природа силно нелинейни системи, те попадат в областта на приложение на ИИ. Освен това използването на компютърни изчисления увеличава скоростта на операциите, позволявайки решаването на сложни системи като електрическите мрежи.
Експертна база данни: Създаване на база данни, която интегрира съответните знания и опит.
Изкуствена невронна мрежа: Имитира работата на човешките неврони, за да реши проблеми, функционира като силно нелинейна система.
Оптимизация на колонията от мравки: Алгоритъм, който имитира биологичното поведение на мравките, търсещи храна, за да реши проблема на продавача на път.
Генетичен алгоритъм: Имитира биологичния процес на еволюция, за да получи глобално оптимални или почти оптимални решения.
Петринска мрежа: Моделира взаимосвързани компоненти в системата, описвайки явления, при които свързаните компоненти се променят в хронологичен ред.
Теория на грубите множества: Използва повече информация от необходимата за вход, за да осигури всеобхватно описание на оперативното състояние на системата.
Повечето интелигентни алгоритми все още са в теоретична фаза, с само няколко приложени практически. Въпреки това, алгоритмите на ИИ са демонстрирали своето превъзходство в новата ера.