# FaultXformer：基于Transformer编码器的广域测量单元集成主动配电系统中的故障。.

在电力配电系统中进行准确的故障检测和定位至关重要，尤其是随着分布式能源资源（DERs）的日益整合，这些资源为电网运行注入了更大的变异性和复杂性。本研究提出了FaultXformer，一种基于Transformer编码器架构的方法，用于利用相位测量单元（PMU）获取的实时电流数据进行自动故障分析。该方法利用时间序列电流数据在第一阶段初始提取丰富的时间信息，这对于识别故障类型和精确确定其在多个节点中的位置至关重要。在第二阶段，这些提取的特征被处理以区分不同的故障类型，并在配电系统内识别相应的故障位置。因此，这个双阶段Transformer编码器管道能够实现高保真度的表示学习，大幅提升了模型的性能。该模型在IEEE 13节点测试馈线生成的数据集上进行了验证，该数据集包含20个独立故障位置和多个分布式能源整合场景的仿真，利用四个战略性位置的PMU电流测量数据。为了展示稳健的性能评估，采用了分层10折交叉验证。FaultXformer在故障类型分类中达到了平均准确率98.76%，在故障位置识别中达到了98.92%的准确率（交叉验证范围内），分别在分类准确率上超过了卷积神经网络（CNN）、循环神经网络（RNN）和长短期记忆网络（LSTM）等传统深度学习基线1.70%、34.95%和2.04%，在定位准确率上分别超过了10.82%、40.89%和6.27%。这些结果展示了所提出模型在分布式能源大规模渗透情况下的有效性。