Aktualny stan wykrywania przewodzenia jednofazowego
Niska dokładność diagnozy przewodzenia jednofazowego w systemach nieefektywnie zziemionych jest spowodowana wieloma czynnikami: zmienną strukturą sieci dystrybucyjnych (takich jak konfiguracje pierścieniowe i otwarte), różnorodnymi trybami zziemienia systemów (w tym nieszczególnie zziemione, zarcie z bobiną zziemienia i niskoprezystancyjnie zziemione systemy), rosnącym rocznym stosunkiem kablowych lub hybrydowych linii powietrznych-kablowych, oraz skomplikowanymi typami uszkodzeń (takimi jak uderzenia piorunów, przebicia drzew, zerwania przewodów i porażenia elektryczne).
Klasyfikacja uszkodzeń zziemienia

Uszkodzenia w sieci energetycznej mogą obejmować metaliczne zziemienie, zziemienie przez rozładowanie piorunowe, zziemienie przez gałąź, zziemienie rezystancyjne, oraz zziemienie przez słabe izolację. Mogą one również obejmować różne scenariusze łukowego zziemienia, takie jak krótkie łuki rozładowania, długie łuki rozładowania, oraz niestabilne łuki. Charakterystyka sygnałów uszkodzeniowych występujących przy różnych warunkach zziemienia różni się formą i amplitudą.
Technologie obsługi uszkodzeń zziemienia
Trudności związane z uszkodzeniami zziemienia
Złożoność charakterystyk uszkodzeń zziemienia
Metody lokalizacji uszkodzeń zziemienia jednofazowego
Obecnie istnieją trzy kategorie, obejmujące 20 podstawowych metod, do lokalizacji uszkodzeń zziemienia jednofazowego:

Sztuczna inteligencja (AI) to nowoczesna technologia w rozwoju. Tworzy odpowiednie modele teoretyczne naśladując cechy ludzi, zwierząt lub roślin, rozwiązując problemy za pomocą "ludzkiego" myślenia. Szczególnie sieci energetyczne, będące z natury wysoko nieliniowymi systemami, mieszczą się w zakresie zastosowań AI. Ponadto używanie obliczeń komputerowych zwiększa szybkość działania, umożliwiając rozwiązanie skomplikowanych systemów, takich jak sieci energetyczne.
Baza ekspertów: Utworzenie bazy danych, która integruje odpowiednią wiedzę i doświadczenie.
Sztuczna sieć neuronowa: Symuluje działanie neuronów człowieka, rozwiązując problemy jako highly nonlinear system.
Optymalizacja kolonii mrówek: Algorytm symulujący zachowanie biologiczne mrówek szukających pożywienia, rozwiązujący problem komiwojażera.
Algorytm genetyczny: Symuluje proces biologicznej ewolucji, uzyskując globalne optymalne lub suboptymalne rozwiązania.
Sieć Petriego: Modeluje powiązane komponenty w systemie, opisując zjawiska, w których powiązane komponenty zmieniają się w kolejności chronologicznej.
Teoria zbiorów przybliżonych: Używa więcej informacji niż wymaga system, aby zapewnić kompleksowy opis stanu operacyjnego systemu.
Większość inteligentnych algorytmów pozostaje na etapie teoretycznym, z tylko kilkoma zastosowaniami praktycznymi. Jednak algorytmy AI pokazały swoją przewagę w nowej erze.