Passive detection of islanding events in microgrids using machine learning

Abstract

Yakın zamanda, çevreyi olumsuz yönde etkileyen geleneksel enerji üretim teknikleri yerine yenilenebilir enerji kullanımına verilen önem, Dağıtık Üretim (DG)yapan elektrik şebekelerinin kullanımını başlatmıştır. Bu şebekelerde, her zamanki gibi daha büyük merkezi güç üniteleri kullanmak yerine, daha küçük enerji kaynaklarını tüm şebekeye dağıtılır. Bu tür şebekeler, elektrik üretim birimlerinin işletilmesinde ve korunmasında, ayrıca şebekeden akan gücün kalitesi ve kullanılabilirliği konusunda yeni zorluklar getirmektedir. Dağıtık Üretim yapan elektrik şebekelerinin kullanılmasıyla karşılaşılan en önemli zorluklardan biri; Dağıtık Üretim şebekesinin belirli bir kısmında, bu kısımdaki güç kaynakları tarafından enerji sağlanmış mikro ızgara olarak bilinen, ancak ana elektrik şebekesine bağlı olmayan ada tespitidir. DG güç kaynaklarının dağıtım şebekesinden ayrılması ve bu tür durumların DG dağıtım sistemlerinin yönetimi, korunması ve işletilmesi üzerinde oluşturduğu olumsuz etkilerden korumak için bu tür durumların tespit edilmesi gerekmektedir. Dağıtık üretim elektrik şebekeleri için IEEE standardı, DG şebekelerinde ada olaylarının iki saniye içinde tespit edilmesini önerir. Ada olaylarını tespit etmek için çeşitli yöntemler önerilmiştir. Bu yöntemler aktif, pasif ve iletişim tabanlı üç ana kategoriye ayrılabilir. Pasif ada tespiti yöntemi ağda sağlanan enerjinin kalitesini düşürmeyen ve en ucuz yöntemdir. Makine öğrenme teknikleri, karmaşık özellikleri tespit edebilmelerine göre, bu tür tekniklerde yaygın olarak kullanılmaktadır. Bu çalışmada yapay sinir ağlarının öngördüğü tahminlere dayanarak bir ada tespit sistemi önerilmiştir. Bu tezde üç tür sinir ağı, Konvolüsyonel Sinir Ağı (CNN), basit Tekrarlayan Sinir Ağı (RNN) ve Uzun-Kısa Süreli Bellek (LSTM) sinir ağı incelenmiştir. Bu sinir ağlarının çok boyutlu girdilerde özellikleri algılama yeteneğine göre, önerilen yöntem fazların gerilimlerini şebekeden toplar ve bunları ağda meydana gelen herhangi bir olayın durumunu tahmin etmek için kullanır. Anlık değerlerin kullanımı, bu değerlerdeki değişiklikler hemen tespit edildiğinden daha hızlı algılama sağlar. Önerilen sistem % 99,77 tahmin doğruluğu,% 100 Güvenilirlik Endeksi (DI) ve% 99,31 Güvenlik Endeksi (SI) ile LSTM sinir ağını kullanarak mevcut yöntemleri daha iyi bir şekilde gerçekleştirmiştir.

The recent emphasis on using renewable energy instead of the traditional power generation techniques, which are badly affecting the environment, has introduced the use of Distributed Generation (DG) power grids. In these grids, smaller energy sources are distributed over the entire grid, instead of using larger centralized power units as usual. This type of grids imposes new challenges in operating and protecting the power generation units, as well as the quality and availability of the power flowing through the grid. One of the most important challenges faced by using the DG power grids is islanding detection, where a specific part of the DG grid, which is known as a microgrid becomes energized by the power sources in that part, but not connected to the main power grid. Such situation must be detected in order to disconnect DG power sources from the distribution grid, to protect the DG distribution systems from the negative influence of such situation on the management, protection and operation of these distribution systems. The IEEE standard for distributed generation power grids recommends detecting islanding events in DG grids within an interval of two seconds. Several methods have been proposed to detect islanding events. These methods can be divided into three main categories that are active, passive and communication-based methods. Passive islanding detection methods are the least expensive and do not degrade the quality of the energy provided on the network. Machine learning techniques are widely employed in such techniques, according to their ability to detect complex features. In this study, an islanding detection system is proposed based on the predictions provided by artificial neural networks. Three types of neural networks are evaluated in this thesis, the Convolutional Neural Network (CNN), simple Recurrent Neural Network (RNN) and a Long- Short-Term Memory (LSTM) neural network. According to the ability of these neural networks of detecting features in multi-dimensional inputs, the proposed method collects the phases' voltages from the grid and use them to predict the state of any events occur on the network. The use of instantaneous values allows faster detection, as the changes in these values are detected immediately. The proposed system has been able to outperform the existing methods using the LSTM neural network, with 99.77% predictions accuracy, 100% Dependability Index (DI) and 99.31% Security Index (SI)