Fault detection and isolation in DC distribution grids

Wang, Ting; Monti, Antonello; Moser, Albert

doi:HT020969752

Fault detection and isolation in DC distribution grids = Fehlererkennung und Isolierung in Gleichstrom-Verteilnetzen

Wang, Ting^RWTH*

2021

VerantwortlichkeitsangabeTing Wang

Ausgabe1. Auflage

ImpressumAachen : E.ON Energy Research Center, RWTH Aachen University 2021

Umfang1 Online-Ressource : Illustrationen, Diagramme

ReiheE.ON Energy Research Center ; ACS, Automation of complex power systems ; 91.

Dissertation, RWTH Aachen University, 2021

Druckausgabe: 2021. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak06

Hauptberichter/Gutachter
Monti, Antonello (Thesis advisor)^RWTH* ; Moser, Albert (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2021-04-12

Online
DOI: 10.18154/RWTH-2021-06033
URL: https://publications.rwth-aachen.de/record/821116/files/821116.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
DC distribution grids (frei) ; fault detection (frei) ; fault isolation (frei) ; protection (frei) ; short-circuit fault (frei)

Thematische Einordnung (Klassifikation)
DDC: 621.3

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.

Facing the growing demands of environment-friendly energy sources, emobility and energy-efficient buildings, DC distribution grids provide an advantageous solution of electric energy management in terms of flexibility and efficiency. However, immature protection technologies are still an obstacle to the commercialization of DC distribution grids. In order to clear faults in DC distribution grids timely and accurately, fast and reliable fault detection and isolation (FDI) methods are needed. For this purpose, this dissertation introduces three different approaches of FDI in DC distribution grids based on signal processing, system modeling and machine learning, respectively. The first part presents an FDI method for DC distribution grids using the regularity of the second derivative of current (SDOC). As the major contribution of this work, the correlation between the singular feature in the SDOC and the short-circuit fault in DC lines is proved and applied to DC protection. Furthermore, a singularity detection approach using stationary wavelet transform is adopted. With this FDI method, faulty lines and faulty poles can be identified based on only local current measurements. Compared with existing current derivative-based methods, this method has a distinct advantage in the robustness against operating disturbances. The effectiveness of this FDI method has been verified through the hardware tests under the real-time simulations of various fault scenarios in a 5-kV three-terminal DC distribution grid model. In the second part, an FDI method able to isolate different types of component faults is developed based on system modeling. First, the state-space representation of a three-terminal DC distribution grid with various component faults is derived. Then, an FDI function based on ℋ−/ℋ∞ observers is designed. To achieve the desired selectivity in fault isolation, the parameters of the observers are optimized using linear matrix inequalities. The performance of the proposed FDI method is verified under the real-time simulation of a three-terminal low-voltage DC distribution grid and with a small-scale laboratory DC grid, respectively. In both the simulated and real-world DC grids, the proposed FDI method is proved to be effective to recognize different faults with a response time of 1 ms. In the third part, an ensemble learning algorithm is applied to the FDI in DC distribution grids using synthetic data. The ensemble learning algorithm is suitable for differentiating normal data from fault data of different severity levels. To overcome the dependency of the data-driven FDI methods on the fault data, synthetic data are introduced as the label data in training a classification model for the FDI in DC distribution grids. Synthetic data can be obtained during the normal operation, which provide valid current features of short-circuit faults in frequency domain. For feature extraction, discrete wavelet packet transform is applied. In the verification tests, the detection rates of the proposed ensemble model approach 100% while the false positive rates are below 0.5%, which verify the effectiveness of ensemble model with synthetic data in the FDI in DC distribution grids. As the major contributions of this dissertation, three novel FDI approaches are introduced to DC distribution grids. The singularity detection in the SDOC is a local measurement-based method with enhanced accuracy. The ℋ−/ℋ∞ observers are a comprehensive FDI solution at a system level. The ensemble model with synthetic data solves the limitation of fault data in data-driven FDI methods. These works have contributed to the enhancement of protection of DC distribution grids.

OpenAccess:
PDF
(additional files)