Fault detection and isolation in DC distribution grids

• Fehlererkennung und Isolierung in Gleichstrom-Verteilnetzen

Wang, Ting; Monti, Antonello (Thesis advisor); Moser, Albert (Thesis advisor)

1. Auflage. - Aachen : E.ON Energy Research Center, RWTH Aachen University (2021)
Buch, Doktorarbeit

In: E.ON Energy Research Center ; ACS, Automation of complex power systems 91
Seite(n)/Artikel-Nr.: 1 Online-Ressource : Illustrationen, Diagramme

Dissertation, RWTH Aachen University, 2021

Kurzfassung

Angesichts der wachsenden Anforderungen an umweltfreundliche Energien, E-Mobilität und energieeffiziente Gebäude bieten Gleichstrom-Verteilnetze eine vorteilhafte Lösung des elektrischen Energiemanagements in Bezug auf Flexibilität und Effizienz. Allerdings stellen unausgereifte Schutztechnologien immer noch ein Hindernis für die Kommerzialisierung von Gleichstrom-Verteilnetzen dar. Um Fehler in Gleichstrom-Verteilnetzen rechtzeitig und korrekt freizuschalten, sind schnelle und zuverlässige Methoden zur Fehlererkennung und -isolierung (engl. fault detection and isolation, abgek. FDI) erforderlich. Zu diesem Zweck werden in dieser Dissertation drei verschiedene Methoden zur FDI in Gleichstrom-Verteilnetzen vorgestellt, die jeweils auf Signalverarbeitung, Systemmodellierung und maschinellem Lernen basieren. Im ersten Teil wird eine FDI-Methode für Gleichstrom-Verteilnetze vorgestellt, bei der die Regelmäßigkeit der zweiten Ableitung des Stroms (engl. second derivative of current, abgek. SDOC) verwendet wird. Als Hauptbeitrag dieser Arbeit wird die Korrelation zwischen dem singulären Merkmal in der SDOC und dem Kurzschluss in Gleichstromleitungen nachgewiesen und auf den Schutz von Gleichstromnetzen angewandt. Darüber hinaus wird ein Verfahren zur Erkennung der Singularität unter Verwendung der stationären Wavelet-Transformation eingesetzt. Mit dieser FDI-Methode können fehlerhafte Leitungen und fehlerhafte Pole lediglich auf der Grundlage lokaler Strommessungen identifiziert werden. Im Vergleich zu bestehenden, auf Stromableitungen basierenden Verfahren hat diese Methode einen deutlichen Vorteil bezüglich der Robustheit gegenüber Betriebsstörungen. Die Wirksamkeit dieser FDI-Methode wurde mit Hilfe von Hardware-Tests in Echtzeit-Simulationen verschiedener Fehlerszenarien in einem dreiknotigen 5-kV-Gleichstrom-Verteilnetz verifiziert. Im zweiten Teil wird eine FDI-Methode basierend auf der Systemmodellierung entwickelt, die in der Lage ist, verschiedenartige Komponentenfehler zu isolieren. Zunächst wird die Zustandsraumdarstellung eines dreiknotigen Gleichstrom-Verteilnetzes mit verschiedenen Komponentenfehlern abgeleitet. Anschließend wird eine FDI-Funktion basierend auf ℋ−/ℋ∞-Beobachtern entwickelt. Um die gewünschte Selektivität bei der Fehlerisolierung zu erreichen, werden die Parameter der Beobachter mit Hilfe von linearen Matrixungleichungen optimiert. Die Wirksamkeit der vorgestellten FDI-Methode wird mit Hilfe einer Echtzeit-Simulation eines dreiknotigen Niederspannungs-Gleichstrom-Verteilnetzes bzw. eines kleinformatigen Labor-Gleichstromnetzes verifiziert. Sowohl in simulierten als auch in realen Gleichstromnetzen erweist sich die vorgeschlagene FDIMethode als effektiv, um verschiedenartige Fehler mit einer Reaktionszeit von 1 ms zu erkennen. Im dritten Teil wird ein Ensemble-Learning-Algorithmus unter Verwendung synthetischer Daten auf die FDI in Gleichstrom-Verteilnetzen angewendet. Der Ensemble-Learning-Algorithmus ist geeignet, normale Daten von Fehlerdaten unterschiedlicher Schweregrade zu unterscheiden. Um die Abhängigkeit der datengesteuerten FDI-Methoden an Fehlerdaten zu überwinden, werden beim Training eines Klassifikationsmodells für die FDI in Gleichstrom-Verteilnetzen synthetische Daten als Labeldaten eingeführt. Synthetische Daten, die gültige Strommerkmale von Kurzschlussfehlern im Frequenzbereich liefern, können während des normalen Betriebs gewonnen werden. Zur Merkmalsextraktion wird die diskrete Wavelet-Paket-Transformation angewendet. In den Verifikationstests nähern sich die Erkennungsraten des vorgeschlagenen Ensemble-Modells an 100% an, während die falsch-positiven Raten unter 0, 5% liegen, wodurch die Wirksamkeit des Ensemble-Modells mit synthetischen Daten in der FDI in Gleichstrom-Verteilnetzen verifiziert wird. Als wesentliche Beiträge dieser Dissertation werden drei neuartige FDIMethoden für Gleichstrom-Verteilnetze vorgestellt. Die Singularitätserkennung in der SDOC ist eine auf lokalen Messungen basierende Methode mit erhöhter Genauigkeit. Die ℋ−/ℋ∞-Beobachter sind eine umfassende FDILösung auf Systemebene. Das Ensemble-Modell mit synthetischen Daten löst die Einschränkung der Fehlerdaten in datengetriebenen FDI-Methoden. Diese Arbeiten haben zur Verbesserung des Schutzes von Gleichstrom-Verteilnetzen beigetragen.

Einrichtungen

• E.ON Energy Research Center [080052]
• Lehrstuhl für Automation of Complex Power Systems [616310]