Fault detection and localization in MV distribution grids using Discrete Wavelet Transform and Random Forest ensemble method

In modern power systems, ensuring the reliability and stability of the distribution grid is paramount. This thesis addresses the critical issue of fault detection and localization in Medium Voltage (MV) distribution grids by leveraging advanced signal processing and machine learning techniques. The proposed method integrates the Discrete Wavelet Transform (DWT) with the Random Forest (RF) ensemble method to enhance the speed and accuracy of fault detection, type classification, and fault localization. The DWT is utilized to extract transient features from the signal data, capturing the essential characteristics of faults. These features are then fed into the RF model, which classifies the fault type and identifies the segment where the fault occurred. This approach not only reduces the time required for fault detection and isolation but also minimizes operational disruptions and maintenance costs. The research demonstrates the effectiveness of this combined approach through extensive simulations using a real-life distribution grid model. The results show significant improvements in the System Average Interruption Duration Index (SAIDI) and provide insights that could help improve the System Average Interruption Frequency Index (SAIFI) by identifying the most fault-prone sections of the grid. This study underscores the potential of integrating advanced signal processing and machine learning techniques in modern power system protection to enhance the resilience and reliability of power distribution networks.

Nei moderni sistemi elettrici, garantire l’affidabilità e la stabilità della rete di distribuzione è fondamentale. Questa tesi affronta la questione critica della rilevazione e localizzazione dei guasti nelle reti di distribuzione di Media Tensione (MT) sfruttando tecniche avanzate di elaborazione del segnale e di machine learning. Il metodo proposto integra la Trasformata Wavelet Discreta (DWT) con il metodo ensemble Random Forest (RF) per migliorare la velocità e l’accuratezza della rilevazione dei guasti, della classificazione dei tipi di guasto e della localizzazione dei guasti. La DWT viene utilizzata per estrarre le caratteristiche transitorie dai dati del segnale, catturando le caratteristiche essenziali dei guasti. Queste caratteristiche vengono quindi inserite nel modello RF, che classifica il tipo di guasto e identifica il segmento in cui si è verificato. Questo approccio non solo riduce il tempo necessario per la rilevazione e l’isolamento dei guasti, ma minimizza anche le interruzioni operative e i costi di manutenzione. La ricerca dimostra l’efficacia di questo approccio combinato attraverso ampie simulazioni utilizzando un modello di rete di distribuzione reale. I risultati mostrano miglioramenti significativi nell’Indice di Durata Media delle Interruzioni del Sistema e forniscono informazioni che potrebbero aiutare a migliorare l’Indice di Frequenza Media delle Interruzioni del Sistema identificando le sezioni della rete più soggette a guasti. Questo studio sottolinea il potenziale di integrare tecniche avanzate di elaborazione del segnale e machine learning nella protezione dei moderni sistemi elettrici per migliorare la resilienza e l’affidabilità delle reti di distribuzione.