摘要：该IEEE39母线故障数据集基于 IEEE 39-Bus 标准电力系统构建，共包含 11,872 个时序样本，用于模拟和分析电网在正常运行及不同故障条件下的动态响应。
数据集概述
该IEEE39母线故障数据集基于IEEE 39-Bus标准电力系统构建，共包含 11,872 个时序样本，用于模拟和分析电网在正常运行及不同故障条件下的动态响应。数据同时提供 39 个母线节点的多维电气量时间序列，以及故障位置和故障类型标签，可支持从正常状态识别到故障母线定位和故障类型判别的完整故障诊断流程。其中正常样本为 10,000 个，占 84.23%，故障样本为 1,872 个，占 15.77%，数据中未发现 NaN 或 Inf，整体数据完整性较好。
数据结构与关键特征
核心特征数组 X 的形状为 (11872, 39, 5, 50)，分别对应 11,872 个样本、39 个母线节点、每个母线 5 个电气特征以及 50 个连续时间步，数据类型为 float32，数值范围约为 -933.68～1749.40。故障位置标签 y_loc 的取值范围为 -1～38，其中 -1 对应正常状态的可能性很高，0～38 对应 39 个母线故障位置，每个故障母线均包含 48 个样本；故障类型标签 y_type 包含 0～4 共 5 类，其中 0～3 各包含 468 个样本，而类别 4 包含 10,000 个样本，因此类别 4 很可能表示正常状态。数据的主要特点是正常与故障样本明显不平衡，但各故障位置和各故障类型内部保持严格均衡
应用价值与研究方向
该数据集非常适合开展电力系统故障检测、故障定位和故障分类研究。可以首先建立二分类模型判断系统处于正常还是故障状态，再对故障样本进行 39 母线定位和四类故障类型识别，也可以构建多任务学习模型同时预测故障位置与故障类别。由于数据同时包含母线空间关系和 50 个时间步的动态信息，还特别适合研究 CNN-LSTM、TCN、Transformer、时空图神经网络 GCN/GAT/ST-GCN 等模型。需要重点处理 84.23% 正常样本造成的类别不平衡问题，建议除 Accuracy 外同时采用 Precision、Recall、F1-score、Macro-F1 和混淆矩阵评价模型，并可使用类别权重、分层采样或两阶段诊断策略提高对少数故障样本的识别能力。
数据集来源
由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-381
文件大小：395M
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)