تتزايد تعقيدات أنظمة الطاقة الحديثة، نتيجة لإدماج مصادر الطاقة الموزعة (Distributed Energy Resources) المعتمدة على العاكسات، مما يطرح تحديات كبيرة على موثوقية أنظمة الحماية التقليدية. في هذا الإطار، يبرز التعلم الآلي (Machine Learning) كأداة مبتكرة لتحسين أداء هذه الأنظمة.

لكن، تأتي الصعوبات في مقارنة النتائج المنشورة بسبب اختلاف مجموعات البيانات، وفرضيات الاستشعار، وأفق القرارات المستخدم في الدراسات المختلفة. لذا، تقدم هذه الدراسة مقارنة منهجية بين نماذج التعلم الآلي الخاصة بتصنيف الأعطال (Fault Classification) وتحديد مواقعها (Fault Localization) تحت ظروف استشعار وتوقيت موحدة، مستخدمة بيانات الانتقال الكهرومغناطيسية (Electromagnetic Transient Dataset).

استُخدمت نوافذ قرار تراوحت بين 10 إلى 50 مللي ثانية لتطابق الوقت الملائم لمهام الحماية. بالنسبة لتصنيف الأعطال، حققت النماذج غير الخطية الأفضل أداءً نتائج متفوقة، حيث تجاوزت درجات F1 0.98 بالفعل عند 10 مللي ثانية. في حين عانت النماذج ذات القدرة الأقل من تدهور الأداء في الأفق الزمني القصير، إلا أنها أظهرت تحسينات ملحوظة مع نوافذ زمنية أطول، مما يؤكد أن المعلومات الأساسية حول نوع الخطأ تكون واضحة منذ اللحظات الأولى.

أما بالنسبة لتحديد مواقع الأعطال، فقد وصل أداء النماذج الأعلى إلى خطأ ثابت نسبته حوالي 10% من طول الخطوط المعيارية عبر جميع الآفاق الزمنية، بينما شكلت النماذج الأضعف مستوى أداء منفصل تمامًا. علاوة على ذلك، أظهرت التحليلات المستندة إلى الخطوط أن دقة التحديد تختلف عبر مناطق الشبكة، مما يدل على أن التحديات تعتمد على topology الجهاز وليس فقط على نقص السياق الزمني.

تسهم هذه النتائج في تقديم مرجع خاضع للرقابة لمقارنة نماذج التعلم الآلي عبر مهام الحماية ذات المتطلبات المعلوماتية المختلفة، مما يفتح آفاقًا جديدة لتطبيقات الذكاء الاصطناعي في أنظمة الطاقة.