33147

تشخيص و طبقه بندي خطا در ريزشبكه ac با منابع توليد پراكنده مبتني بر اينورتر توسط يادگيري ماشين

كارشناسي ارشد

مهندسي برق - سيستم هاي قدرت

1401

1403/11/24

حسين حيدري

عارف اسكندري

مهندسي برق

رشد سريع منابع توليد پراكنده مبتني بر اينورتر در ريزشبكه‌ها، چالش‌هاي عمده‌اي را در حوزه حفاظت ريزشبكه AC، به‌ويژه در زمينه تشخيص و جداسازي خطاها، به وجود آورده‌است. رفتار پويا و سهم محدود جريان خطاي اين منابع، روش‌هاي حفاظتي مرسوم را ناكارآمد ساخته و منجر به كاهش قابليت اطمينان سيستم و بروز پيامدهاي اقتصادي و اجتماعي مي‌شود. اين پژوهش، يك سيستم حفاظتي پيشرفته را ارائه مي‌دهد كه از يك مدل بهينه‌شده جنگل تصادفي براي دستيابي به تشخيص، طبقه‌بندي و مكان‌يابي خطا بادقت بالا بهره مي‌برد. روش پيشنهادي شامل استخراج ويژگي‌هاي كليدي (مانند مقدار مؤثر، ميانگين، بيشينه و انحراف معيار) از مؤلفه‌هاي سيگنال‌هاي ولتاژ و جريان سه‌فاز نمونه‌برداري‌شده در اولين سيكل پس از وقوع خطا است. فرايند انتخاب ويژگي، 20 ويژگي مهم را شناسايي مي‌كند كه به مدل امكان تشخيص خطا از رويدادهاي عادي شبكه مانند سوئيچينگ بار، سوئيچينگ خازن و سناريوهاي n-1، طبقه‌بندي نوع خطا (مانند خطاي تك‌فاز، فاز به فاز به زمين)، شناسايي فاز معيوب، تعيين محل خطا و تخمين مقاومت خطا را فراهم مي‌آورد. اين سيستم همچنين قادر به تفكيك خطاهاي داخلي از خطاهاي خارجي بوده و از عملكرد نادرست سيستم حفاظتي جلوگيري نموده و تشخيص دقيق خطا را بدون قطع‌هاي غيرضروري تضمين مي‌كند. شبيه‌سازي‌ها بر روي سيستم تست ريزشبكه IEC در نرم‌افزار MATLAB انجام شده‌اند و فرايند اعتبارسنجي و آموزش مدل يادگيري ماشين در پايتون پياده‌سازي شده‌است. نتايج، ميانگين زمان پاسخ 1.89 ميكروثانيه را براي رويكرد پيشنهادي نشان مي‌دهند. مدل پيشنهادي دقت كامل (100%) را در تشخيص خطا، شناسايي ناحيه خطا و تعيين محل خطا نشان داده‌است. دقت طبقه‌بندي نوع خطا 99.81% و دقت شناسايي فاز معيوب 98.83% است. تخمين مقاومت خطا با استفاده از مدل جنگل تصادفي به دقت 83.36% دست‌يافته و با به‌كارگيري يك مدل يادگيري جمعي به 95.07% بهبود يافته‌است. اين نتايج، قابليت اطمينان، دقت و امكان اجراي بلادرنگ رويكرد پيشنهادي را در كاربردهاي ريزشبكه‌هاي مدرن نشان مي‌دهد.

1403/12/20

fault detection and classification in ac microgrid with inverter-based distributed generation using machine learning

2/12/2026 12:00:00 AM

The rapid growth of inverter-based distributed generation (IBDGs) in microgrids has introduced significant challenges in network protection, particularly for fault detection and isolation. The dynamic behavior and limited fault current contribution of IBDGs render conventional protection schemes ineffective, compromising system reliability and leading to economic and social impacts. This work proposes an advanced protection system using an optimized Random Forest model to achieve high-speed, high-accuracy fault detection, classification, and localization, even for high-impedance faults. The methodology extracts key features (such as RMS, mean, maximum, and standard deviation) from three-phase voltage and current signals sampled during the first post-fault cycle. Feature selection identifies the 20 most significant features, enabling the model to detect faults from normal events such as load switching, capacitor switching, and n-1 contingencies, classify fault types (e.g., single-phase, phase-to-phase-to-ground), identify faulty phases, locate fault positions, and estimate fault resistance. The system also distinguishes internal faults from external faults, preventing maloperation of the protection system and ensuring accurate fault detection without unnecessary tripping. Simulations were conducted on the IEC microgrid test system using MATLAB, and the validation and machine learning model training were implemented in Python. The results demonstrate an average response time of 1.89 microseconds. The proposed model achieves perfect accuracy (1.00) for fault detection, faulty zone identification, and fault location determination. Fault type classification achieves 99.81% accuracy, while faulty phase identification attains 98.83% accuracy. Fault resistance estimation achieves 83.36% accuracy with the Random Forest model and improves to 95.07% using an ensemble model. These results highlight the system’s robustness, precision, and suitability for real-time microgrid applications.

تشخيص خطا , - طبقه‌بندي خطا , - ريزشبكه , - يادگيري ماشين , توليد پراكنده مبتني بر اينورتر

Fault Detection , fault classification , microgrid , machine learning , inverter-based distributed generaion (ibdg)

alireza taheri

hossein heydari