继电保护是在电力系统中非常重要的技术，它的作用是：在电力设备出现故障时，准确、快速地切除故障设备，避免造成连锁反应。同时需要保证不误切无故障设备，不能扩大切除范围。为此，不同设备的保护是互相配合的，每个保护，都有严格制定的保护范围，保证在保护范围内的故障准确动作，保护范围外的故障坚决不能误动。

继电保护对于电力系统安全稳定运行，发挥了极其重要的作用。现在技术发展日新月异，特别是大数据、机器学习等技术快速发展，有没有可能从这些快速发展的行业中借鉴一些好的东西，改进我们的继电保护技术，这是本篇博客讨论的问题。

首先，保护的特点是：输出极其简单，要么动作，要么不动作。这是一个典型的分类问题。不涉及连续量调节（回归分析），不涉及反馈控制。但是保护的输入很复杂，要考虑很多影响因素，比如说测量误差、故障过渡电阻、外部短路电流等。这种问题是很典型的、适合机器学习处理的问题。实际上，传统的保护，也可以划到机器学习的范畴里面。比如说，下图是某距离保护的判断逻辑：

实际上，上述逻辑框图就是决策树，只不过这里的决策树是预先设计的，不是训练出来的。决策树的优势是可解释性强，容易被用户接受，但并不是说，其它工具就不可以用了。

传统保护应用决策树的固有问题是：坚持“非此即彼”，硬生生的把整个空间划分为动作区和非动作区。那么，如果故障正好发生在边界范围附近怎么办？因此，有的学者（柳焕章）提出把问题空间分为3个区，中间的那个区叫做柔性区，其余两个区继续采用成熟简单的判据，保证快速、可靠。柔性区可以引入更多的信息，做更详细的判断，取得更可靠的结果。

如果我们用机器学习的思维来思考，那么，柔性区就是机器学习的用武之地。因为边界附近非常难以判断，各种因素的误差交错在一起，哪个误差稍微大一点就是不同的结果。应用大量模拟仿真的统计结果训练柔性区的分类器，我觉得是一条可行的方法。

传统继电保护还有一个问题是：我们无法获得真实的状态，所有测量数据都是带有误差的。尤其是故障电流条件下，互感器的误差尤其很大。其次，电力系统都是带有谐波，我们有时候希望提取工频分量，需要滤波计算，这里面的误差仍然存在。传统的方式是在提取了有关信息后，才进行后续的判断。

那么，能不能有这样的思维：通过仿真训练机器学习分类器时，能否直接输入原始测量数据，把信号的滤波工作作为机器学习的一部分，我想这是深度学习应该擅长的吧，至少这是一种思路。