.png){kind=icon}
返回
Deep learning-driven fault detection and classification in microgrids using Temporal Convolutional Network
.png){kind=icon}
PRE
AI
DOI：10.1016/j.compeleceng.2025.110777.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分布式发电的普及正在将电力配电网络转变为微电网（MGs）。MGs可以以并网和独立两种模式运行。这些不同的运行模式使微电网的故障保护变得复杂。现有的故障检测方法严重依赖信号处理技术来提取故障特征。然而，由于MGs的多模式运行，这成为一项具有挑战性的任务。本文介绍了一种基于时序卷积网络（TCN）的新的智能故障检测与分类方案（FDCS）用于MGs。所提出的FDCS能够高效地捕获低层故障特征和高层时序依赖关系，而无需外部特征提取器。在所提出的FDCS中，在继电保护点获取的三相（TP）电流信号被用作两个不同TCN的输入。这些TCN采用一系列基于膨胀因果卷积的残差块，从TP电流信号中提取低层特征和高层依赖关系，以生成故障类型和相别信息。在标准MG系统上的全面仿真验证了在各种MG运行场景下所有故障类型的成功检测与分类。结果表明，FDCS在并网模式下的故障检测准确率达到100%，在独立模式下达到99.8%。基于TCN的FDCS的不平衡故障分类准确率在两种运行模式下均为100%。此外，与支持向量机、决策树、卷积神经网络和长短期记忆网络等成熟的智能保护方法的比较分析表明，所提出的FDCS在准确率、可靠性、安全性、运行时间和噪声测量条件下的鲁棒性方面表现出更优越的性能。
Keyword:
Fault classification
Fault detection
Feature extraction
Microgrid protection
Temporal Convolutional Network
期刊
C
IF:
4.9
论文数:
6.7K
被引数:
1.3W
机构
引用论文
An Advanced Local Current-Only Protection for Microgrids: Deep-Learning-Based Approach.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Adaptive Protection Scheme for FREEDM Microgrid Based on Convolutional Neural Network and Gorilla Troops Optimization Technique基于卷积神经网络和大猩猩部队优化技术的FREEDM微电网自适应保护方案IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏A New Approach for Fault Classification in Microgrids Using Optimal Wavelet Functions Matching Pursuit基于最优小波函数匹配追踪的微电网故障分类新方法
PREAI
分享收藏
查看更多内容