Machine Learning-Based Protection and Fault Identification of 100% Inverter-Based Microgrids

📄 arXiv: 2405.07310v1 📥 PDF

作者: Milad Beikbabaei, Michael Lindemann, Mohammad Heidari Kapourchali, Ali Mehrizi-Sani

分类: eess.SY

发布日期: 2024-05-12

备注: Accepted for publication at 2024 IEEE 33rd International Symposium on Industrial Electronics (ISIE)

DOI: 10.1109/ISIE54533.2024.10595742

💡 一句话要点

提出基于机器学习的微电网保护与故障识别方案，适用于100%逆变器型微电网。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 微电网保护 逆变器型微电网 机器学习 故障检测 决策树

📋 核心要点

  1. 传统微电网保护方案难以应对100%逆变器型微电网的低故障电流和双向潮流等挑战。
  2. 利用本地电气测量数据，结合决策树算法，实现短路故障的检测与类型识别。
  3. 通过PSCAD/EMTDC仿真，验证了该方法在不同故障类型和故障电阻下的有效性。

📝 摘要（中文）

随着100%逆变器型可再生能源单元的日益普及，其在微电网保护方面引入了新的挑战，尤其是在低故障电流和双向潮流的情况下。虽然以往的研究已经探讨了具有高渗透率逆变器接口分布式发电机的微电网保护，但很少有研究关注100%逆变器型微电网的保护。本文提出了一种基于机器学习的保护方案，该方案使用本地电气测量，考虑了实施挑战，并有效地结合了短路故障检测和类型识别。采用决策树方法来分析各种故障场景。使用PSCAD/EMTDC仿真环境创建数据集，用于训练和测试所提出的方法。在由四个逆变器组成的100%逆变器型微电网中，针对七种不同的故障类型（每种故障类型具有不同的故障电阻）检验了所提出方法的有效性。

🔬 方法详解

问题定义：论文旨在解决100%逆变器型微电网的保护问题。传统保护方法在面对此类微电网时，由于逆变器提供的故障电流较低且具有双向流动特性，导致难以准确检测和识别故障，从而影响微电网的稳定运行。现有方法难以有效区分故障类型，且对故障电阻的变化敏感。

核心思路：论文的核心思路是利用机器学习方法，特别是决策树算法，从本地电气测量数据中学习故障特征，从而实现快速准确的故障检测和类型识别。这种方法避免了传统方法中对故障电流幅值的依赖，能够更好地适应逆变器型微电网的特性。

技术框架：该方法主要包含以下几个阶段：1) 使用PSCAD/EMTDC仿真环境生成包含各种故障场景的数据集，包括不同类型的故障和不同的故障电阻。2) 提取本地电气测量数据（如电压、电流）作为特征。3) 使用决策树算法训练模型，学习故障特征与故障类型之间的关系。4) 使用训练好的模型进行故障检测和类型识别。

关键创新：该方法最重要的创新点在于将机器学习技术应用于100%逆变器型微电网的保护。与传统的基于阈值或规则的保护方法相比，该方法能够自动学习故障特征，具有更强的适应性和鲁棒性。此外，该方法能够同时实现故障检测和类型识别，为后续的故障隔离和恢复提供更全面的信息。

关键设计：论文中，决策树算法的选择是关键设计之一。决策树算法具有易于理解和实现的优点，并且能够处理高维数据。此外，数据集的构建也至关重要，需要覆盖各种可能的故障场景和运行条件。论文中使用了PSCAD/EMTDC仿真环境来生成数据集，并考虑了不同类型的故障和不同的故障电阻。

📊 实验亮点

论文通过PSCAD/EMTDC仿真，在包含四个逆变器的100%逆变器型微电网中，验证了所提出方法的有效性。实验结果表明，该方法能够准确检测和识别七种不同类型的故障，并且对不同的故障电阻具有鲁棒性。虽然论文没有给出具体的性能数据和对比基线，但其验证了机器学习方法在解决此类问题上的潜力。

🎯 应用场景

该研究成果可应用于各种规模的100%逆变器型微电网，例如由光伏、风电等可再生能源供电的孤岛电网或社区电网。该方法能够提高微电网的可靠性和稳定性，减少故障造成的损失，促进可再生能源的广泛应用。未来，该方法可以进一步扩展到包含储能系统的微电网，并与其他保护策略相结合，形成更完善的微电网保护体系。

📄 摘要（原文）

100% inverter-based renewable units are becoming more prevalent, introducing new challenges in the protection of microgrids that incorporate these resources. This is particularly due to low fault currents and bidirectional flows. Previous work has studied the protection of microgrids with high penetration of inverter-interfaced distributed generators; however, very few have studied the protection of a 100% inverter-based microgrid. This work proposes machine learning (ML)-based protection solutions using local electrical measurements that consider implementation challenges and effectively combine short-circuit fault detection and type identification. A decision tree method is used to analyze a wide range of fault scenarios. PSCAD/EMTDC simulation environment is used to create a dataset for training and testing the proposed method. The effectiveness of the proposed methods is examined under seven distinct fault types, each featuring varying fault resistance, in a 100% inverter-based microgrid consisting of four inverters.