Nuværende status for detektion af enefasede jordforbindelsesfejl
Den lave præcision i diagnosticering af enefasede jordforbindelsesfejl i ikke-effektivt jordede systemer skyldes flere faktorer: den variable struktur i distributionsnet (som løbende og åbne konfigurationer), diverse systemjordingsmetoder (herunder ujordede, buelukningsbobinjordede og lavresistansjordede systemer), den stigende årlige andel kabelbaseret eller hybrid overhøjeledning-kabelkabling, og komplekse fejltyper (som lynnedslag, træflashtover, ledningsbrud og personlige elektriske stød).
Klassificering af jordforbindelsesfejl

Fejl i strømnettet kan involvere metaljordforbindelse, lynnedslagsjordforbindelse, trægrenjordforbindelse, resistansjordforbindelse og dårlig isolationsjordforbindelse. De kan også inkludere forskellige buejordforbindelsesscenarier, som kortafstandsbuede, langafstandsbuede og intermittente buer. Fejlsignalkarakteristikker, der vises af forskellige jordforhold, varierer i form og størrelse.
Teknologier til håndtering af jordforbindelsesfejl
Udfordringer ved jordforbindelsesfejl
Kompleksitet af jordforbindelsesfejlkarakteristikker
Metoder til lokalisation af enefasede jordforbindelsesfejl
Der findes i øjeblikket tre kategorier, der i alt omfatter 20 grundlæggende metoder, til lokalisation af enefasede jordforbindelsesfejl:

Kunstig intelligens (AI) er en spidsvidenskabelig teknologi i udviklingen af moderne teknologi. Den opbygger korrespondende teoretiske modeller ved at simulere karakteristika hos mennesker, dyr eller planter, og løser problemer ved hjælp af "menneskeagtigt" tænkning. Særligt for strømnet, som i bund og grund er højtnon-lineære systemer, falder de ind under anvendelsesområdet for AI. Desuden forbedrer brugen af computerberegning driftshastigheden, hvilket gør det muligt at løse komplekse systemer som strømnet.
Ekspertdatabase: Etablering af en database, der integrerer relevant viden og erfaring.
Kunstig neuronnetsværk: Simulerer funktionen af menneskenervesceller for at løse problemer, og fungerer som et højtnon-lineært system.
Murmystoptimering: En algoritme, der simulerer biologisk adfærd hos murmyrer, der leder efter mad, for at løse handelsrejsendeproblemet.
Genetisk algoritme: Simulerer biologisk evolutionsproces for at opnå globale optimale eller suboptimale løsninger.
Petrinet: Modellerer relaterede komponenter i et system, der beskriver fænomener, hvor relaterede komponenter ændrer sig i kronologisk rækkefølge.
Rough set-teori: Bruger mere information end systemet kræver som input for at sikre en omfattende beskrivelse af systemets driftsstatus.
De fleste intelligente algoritmer befinder sig stadig i den teoretiske fase, og kun få er blevet praktisk anvendt. Dog har AI-algoritmer demonstreret deres overlegenhed i den nye æra.