Текущее состояние обнаружения однофазных замыканий на землю
Низкая точность диагностики однофазных замыканий на землю в неэффективно заземленных системах обусловлена несколькими факторами: изменчивой структурой распределительных сетей (таких как кольцевые и разомкнутые конфигурации), различными способами заземления системы (включая незаземленные, заземленные с помощью дугогасящей катушки и низкоомного заземления), увеличивающимся годовым соотношением кабельных или гибридных воздушно-кабельных линий, а также сложными типами повреждений (например, удары молнии, пробои деревьев, обрывы проводов и поражения электрическим током).
Классификация замыканий на землю

Повреждения в энергосети могут включать металлические замыкания на землю, замыкания на землю от удара молнии, замыкания на землю через ветви деревьев, резистивные замыкания на землю и замыкания на землю из-за плохой изоляции. Они также могут включать различные сценарии дуговых замыканий, такие как короткие дуговые разряды, длинные дуговые разряды и прерывистые дуги. Характеристики сигналов повреждений, проявляемые при различных условиях заземления, различаются по форме и величине.
Технологии обработки замыканий на землю
Сложности при замыканиях на землю
Сложность характеристик замыканий на землю
Методы обнаружения однофазных замыканий на землю
В настоящее время существует три категории, включающие 20 основных методов, для обнаружения однофазных замыканий на землю:

Искусственный интеллект (AI) является передовой технологией в современном развитии. Он создает соответствующие теоретические модели, имитируя характеристики человека, животных или растений, и решает проблемы с использованием "человеческого" мышления. Особенно для энергосетей, которые являются высоко нелинейными системами, они попадают в область применения AI. Кроме того, использование компьютерных вычислений ускоряет работу, позволяя решать сложные системы, такие как энергосети.
База данных экспертов: Создание базы данных, интегрирующей соответствующие знания и опыт.
Искусственная нейронная сеть: Имитирует работу человеческих нейронов для решения проблем, функционируя как высоко нелинейная система.
Оптимизация колонии муравьев: Алгоритм, имитирующий биологическое поведение муравьев в поисках пищи, для решения задачи коммивояжера.
Генетический алгоритм: Имитирует процесс биологической эволюции для получения глобальных оптимальных или субоптимальных решений.
Петри-сети: Моделируют взаимосвязанные компоненты в системе, описывая явления, при которых связанные компоненты изменяются в хронологическом порядке.
Теория шероховатых множеств: Использует больше информации, чем требуется системе, в качестве входных данных, чтобы обеспечить всестороннее описание состояния работы системы.
Большинство интеллектуальных алгоритмов остаются на теоретической стадии, и только некоторые из них были практически применены. Однако алгоритмы AI продемонстрировали свое превосходство в новую эпоху.