A new machine learning-based approach for fault detection and location in low-voltage DC microgrids

The growing awareness and concern regarding the environmental impact of conventional power generation has instigated a transformative shift towards cleaner energy sources, challenging traditional power networks that have been in place for over a century. As the number of low-carbon technologies, including electric vehicles (EVs), heat pumps, energy storage, and solar PV generation, continues to rise, existing low-voltage (LV) distribution networks find themselves under increasing strain. This substantial transition calls for significant efforts to bolster these systems, as they grapple with mounting power demand and congestion that fundamentally tests their capacity. In response to this challenge, Direct Current (DC) microgrids have emerged as a promising solution for the integration of renewable energy sources, energy storage systems, and the electrification of various sectors. DC microgrids have gained significant attention in recent years due to their potential to enhance energy efficiency, integrate renewable energy sources, and improve the resilience of power distribution systems. Nonetheless, several obstacles hinder the complete transition to a DC distribution archi tecture. The absence of standardized protocols, challenges in accurate islanding detec tion, the need for effective and reliable grounding systems, and the absence of robust DC fault location and protection solutions have posed significant challenges in this transition. These barriers must be addressed to fully harness the potential of LVDC microgrids and ensure the reliability and safety of our evolving power distribution landscape. Control and protection are two essential pillars of DC microgrid management, playing a crucial role in ensuring the safe, reliable, and efficient operation of these systems. As DC microgrids gain traction for their ability to seamlessly integrate renewable energy sources, energy storage, and provide localized energy distribution, tailored control and protection strategies have become imperative due to the unique characteristics of DC grids. Accordingly, reliable operation of DC microgrids relies on the early detection and mitigation of faults to ensure an uninterrupted power supply. Moreover, fault location in DC microgrids is a critical aspect of ensuring their reliable and uninterrupted operation. On this basis, this thesis aims to develop fast and reliable fault detection in the DC microgrid, as well as, an accurate fault location method that ensures safe and reliable On this basis, this thesis aims to develop fast and reliable fault detection in the DC microgrid, as well as, an accurate fault location method that ensures safe and reliable operation of the DC microgrid. To implement the proposed fault detection and location methods, a DC microgrid equipped with photovoltaic (PV) panels, the Vehicle-to-Grid (V2G) charging station, and a hybrid energy storage system, encompassing both batteries and a flywheel is used. Additionally, the DC microgrid integrates AC/DC and DC/DC converters across its different sections. Besides, to ensure precise coordination of all these elements, a central control unit is employed. The DC bus voltage is set at a constant 600 V, while the maximum power point tracking (MPPT) technique is utilized for the PV panels, utilizing the perturbation and observation method. To fast detection of the fault in the DC microgrid, a combination of CS and Regression tree (RT) have been used. The superiority of this method is the threshold-free nature of this technique which makes it very precise and ensures its correct operation during transients in the microgrid. Furthermore, precise fault localization has been implemented in this thesis using the combination of feature matrix and Long Short-Term Memory (LSTM ). To do this, at first, future matrixes are created using the data taken from many fault simulations in different locations in the microgrid. Afterward, using these future matrixes, the LSTM model is trained for fault location and as a result, the exact fault location is swiftly determined. In order to validate the effectiveness of the proposed fault detection technique in this thesis, it has been compared to other existing methods. The results illustrate the superiority of the presented scheme.

La crescente consapevolezza e preoccupazione riguardo all’impatto ambientale della gen erazione di energia convenzionale ha innescato un cambiamento trasformativo verso fonti di energia più pulite, mettendo alla prova le tradizionali reti elettriche che sono state in funzione per oltre un secolo. Con l’aumento del numero di tecnologie a basse emissioni di carbonio, tra cui veicoli elettrici (VE), pompe di calore, sistemi di accumulo di ener gia e generazione fotovoltaica (PV) solare, le reti di distribuzione a bassa tensione (BT) esistenti si trovano sotto crescente tensione. Questa transizione sostanziale richiede sforzi significativi per rafforzare questi sistemi, poiché si confrontano con la crescente domanda di energia e la congestione che mette alla prova in modo fondamentale la loro capacità. In risposta a questa sfida, le microreti a corrente continua (DC) sono emerse come una soluzione promettente per l’integrazione di fonti di energia rinnovabile, sistemi di accu mulo di energia ed elettrificazione di vari settori. Le microreti a corrente continua (DC) hanno attirato notevole attenzione negli ultimi anni per il loro potenziale di migliorare l’efficienza energetica, integrare fonti di energia rinnovabile e migliorare la resilienza dei sistemi di distribuzione di energia. Tuttavia, diversi ostacoli ostacolano la transizione completa verso un’architettura di dis tribuzione in corrente continua (DC). L’assenza di protocolli standardizzati, le sfide nella precisa individuazione del separamento dell’isola, la necessità di sistemi di messa a terra efficaci e affidabili e l’assenza di soluzioni robuste per la localizzazione e la protezione delle anomalie in corrente continua (DC) hanno posto significativi ostacoli in questa transizione. Queste barriere devono essere affrontate per sfruttare appieno il potenziale delle microreti a bassa tensione in corrente continua (LVDC) e garantire l’affidabilità e la sicurezza del nostro in continua evoluzione panorama di distribuzione dell’energia. Il controllo e la protezione sono due pilastri essenziali della gestione delle microreti in corrente continua (DC), svolgendo un ruolo cruciale nell’assicurare il funzionamento sicuro, affidabile ed efficiente di questi sistemi. Poiché le microreti in corrente continua (DC) stanno guadag nando terreno per la loro capacità di integrare in modo fluido fonti di energia rinnovabile, sistemi di accumulo di energia e fornire distribuzione energetica localizzata, strategie di controllo e protezione su misura sono diventate imperativi a causa delle caratteristiche uniche delle reti in corrente continua (DC). Di conseguenza, il funzionamento affidabile delle microreti in corrente continua (DC) dipende dalla tempestiva individuazione e mit igazione delle anomalie per garantire un’alimentazione ininterrotta. Inoltre, la localiz zazione delle anomalie nelle microreti in corrente continua (DC) è un aspetto critico per garantire il loro funzionamento affidabile e ininterrotto. L’obiettivo di questa tesi è sviluppare un metodo rapido e affidabile per la rilevazione delle anomalie nella microrete in corrente continua (DC) e un metodo di localizzazione delle anomalie preciso che assicuri il funzionamento sicuro e affidabile della microrete in corrente continua (DC). Per implementare il metodo proposto per la rilevazione delle anomalie, viene utilizzata una microrete in corrente continua (DC) dotata di pannelli fotovoltaici (PV), una stazione di ricarica del Veicolo-alla-Rete (V2G) e un sistema ibrido di accumulo dell’energia, che comprende sia batterie che un volano. Inoltre, la microrete in corrente continua (DC) integra convertitori AC/DC e DC/DC in diverse sezioni. Per garantire una coordinazione precisa di tutti questi elementi, viene impiegata un’unità di controllo centrale. La tensione del bus in corrente continua (DC) è impostata a 600 V costanti, mentre la tecnica del massimo punto di potenza (MPPT) viene utilizzata per i pannelli fotovoltaici, utilizzando il metodo delle perturbazioni e delle osservazioni. Per una rapida rilevazione delle anomalie nella microrete in corrente continua (DC), è stato utilizzato una combinazione della teoria del campionamento compresso e degli alberi di regressione. La superiorità di questo metodo risiede nella sua natura priva di soglie, che lo rende molto preciso ed assicura il suo corretto funzionamento durante le transizioni nella microrete. Inoltre, è stata implementata una precisa localizzazione delle anomalie in questa tesi utilizzando una rete neurale LSTM (Long Short-Term Memory). Per farlo, inizialmente, vengono creati insiemi di dati futuri utilizzando i dati provenienti da molte simulazioni di anomalie in diverse posizioni nella microrete. Successivamente, utilizzando questi insiemi di dati futuri, la rete neurale LSTM viene addestrata per la localizzazione delle anomalie e, di conseguenza, la posizione esatta dell’anomalia viene determinata rapidamente.