Reducing sensor dependency in fault diagnosis in medium voltage distribution grids using machine learning

This thesis addresses a critical challenge in modern power grid management: the reliable and efficient detection, classification, and precise localization of faults within distribution systems. Power grids are foundational to contemporary society, and any disruption in their operation can result in substantial socio-economic losses and operational interruptions. Our main contributions are three-fold: 1) Sensor Count Reduction - We propose a Machine Learning (ML) approach that significantly reduces sensor requirements while maintaining high accuracy using only one sensor per feeder for faulty feeder detection and three per feeder for precise fault localization.2) Novel Anchor Guided Localization: Unlike prior works that overlook the graph structure of electrical grids, we propose a novel multi-regression anchor-guided localization method that accurately locates faults by estimating electrical distances from virtual anchors on the feeder graph and employing a gragraph-awareadth-first search. 3) ML Integration API: We create a versatile Python library to interact with DigSilent PowerFactory for efficient ML application to electrical data. This integration streamlines grid simulations, simplifies data preprocessing, and eases ML implementation. We evaluate our approach on an emulated Italian medium voltage distribution grid. We compare various feature extraction and modeling choices for our framework. Using Discrete Wavelet Transform and Random Forests, we achieve an accuracy of 99.86% and 99% for faulty feeder detection and fault classification, respectively, with just one sensor per feeder. Our novel fault localization method attains an accuracy of 96.5% in identifying the faulty element, with a mean squared distance error of just 0.0081, using only three sensors - up to 14x reduction compared to prior methods. Our approach substantially improves efficiency and lowers the costs of smart fault-diagnosis systems, making them more accessible to a wider array of communcommunitiesganizations. This research contributes to the development of accessible and financially sustainable solutions, ultimately improving the reliability of vital power grids in modern society.

Questa tesi affronta una sfida critica nella gestione delle moderne reti elettriche: la rilevazione affidabile ed efficiente, la classificazione e la precisa localizzazione delle anomalie all'interno dei sistemi di distribuzione. Le reti elettriche sono fondamentali per la società contemporanea, e qualsiasi interruzione nella loro operatività può comportare consistenti perdite socio-economiche e interruzioni operative. Le nostre principali contribuzioni sono tre: 1)Riduzione del numero di sensori - Proponiamo un approccio di Machine Learning (ML) che riduce significativamente i requisiti dei sensori, mantenendo al contempo un'alta precisione utilizzando un solo sensore per alimentatore per la rilevazione di anomalie e tre sensori per alimentatore per la precisa localizzazione delle anomalie. 2)Localizzazione guidata da ancoraggio innovativa: A differenza dei lavori precedenti che trascurano la struttura a grafo delle reti elettriche, proponiamo un nuovo metodo di localizzazione guidata da ancoraggio a multi-regressione che localizza con precisione le anomalie stimando le distanze elettriche da ancoraggi virtuali sul grafo dell'alimentatore e utilizzando una ricerca in ampiezza consapevole del grafo. 3)API di integrazione ML: Creiamo una versatile libreria Python per interagire con DigSilent PowerFactory per un'applicazione efficiente di ML ai dati elettrici. Questa integrazione semplifica le simulazioni di rete, semplifica la pre-elaborazione dei dati e facilita l'implementazione del ML. Valutiamo il nostro approccio su una rete di distribuzione a media tensione italiana emulata. Confrontiamo diverse scelte di estrazione delle caratteristiche e modellazione per il nostro framework. Utilizzando la Trasformata Wavelet Discreta e il Random Forest, otteniamo una precisione del 99,86% e del 99% rispettivamente per la rilevazione di anomalie e la classificazione delle anomalie, con un solo sensore per alimentatore. Il nostro nuovo metodo di localizzazione delle anomalie raggiunge una precisione del 96,5% nell'identificare l'elemento difettoso, con un errore quadratico medio di soli 0,0081, utilizzando solo tre sensori, fino a 14 volte in meno rispetto ai metodi precedenti. Il nostro approccio migliora notevolmente l'efficienza e riduce i costi dei sistemi di diagnosi intelligente delle anomalie, rendendoli accessibili a un'ampia gamma di comunità e organizzazioni. Questa ricerca contribuisce allo sviluppo di soluzioni accessibili e finanziariamente sostenibili, migliorando in definitiva la affidabilità delle vitali reti elettriche nella società moderna.