Comparative analysis of machine learning algorithms for power quality disturbance detection in smart grids

In the realm of power systems, renewable power sources, such as solar and wind, bring with them a variety of advantages—as well as challenges—pertaining to power system reliability. With the rise of distributed generation and non-linear loads, power quality disturbances; i.e., voltage sags, swells, harmonics, interruptions, and transients; constitute a major threat to the operational efficiency and equipment integrity, and hence the detection of these disturbances will be an important and crucial step toward restoring reliable performance unto power systems. This paper gets into the application of refined machine learning tools, especially deep learning architectures such as convolutional neural networks (CNN) and long short-term memory networks (LSTM), for making the task of PQDs' detection and classification much enhanced. The main intent is to apply high-quality ML methods for processing with traditional signal processing method for more successful addressing of daunting challenges like data imbalance or requirements of real-time monitoring. The findings thus shine a spotlight upon the promise of such hybrid models in enhancing the power system's overall reliability and efficiency in an era of advancing transitions to cleaner energy sources.

Nel regno dei sistemi di alimentazione, le fonti di energia rinnovabili, come l'energia solare ed eolica, portano con sé una serie di vantaggi, nonché sfide, relativi all'affidabilità del sistema di alimentazione. Con l'aumento della generazione distribuita e dei carichi non lineari, i disturbi della qualità dell'alimentazione, ovvero cali di tensione, sbalzi, armoniche, interruzioni e transitori, costituiscono una minaccia importante per l'efficienza operativa e l'integrità delle apparecchiature, e quindi il rilevamento di questi disturbi sarà un passo importante e cruciale verso il ripristino di prestazioni affidabili nei sistemi di alimentazione. Questo documento affronta l'applicazione di strumenti di apprendimento automatico raffinati, in particolare architetture di apprendimento profondo come reti neurali convoluzionali (CNN) e reti di memoria a lungo e breve termine (LSTM), per migliorare notevolmente il compito di rilevamento e classificazione dei PQD. L'intento principale è quello di applicare metodi di apprendimento automatico di alta qualità per l'elaborazione con il metodo di elaborazione del segnale tradizionale per affrontare con maggiore successo sfide scoraggianti come lo squilibrio dei dati o i requisiti del monitoraggio in tempo reale. I risultati mettono quindi in luce la promessa di tali modelli ibridi nel migliorare l'affidabilità e l'efficienza complessive del sistema energetico in un'epoca di progressiva transizione verso fonti energetiche più pulite.