Herramienta computacional para el entrenamiento y validación de dispositivos electrónicos inteligentes como dispositivos de protección

Abstract

In our project we identified the problems faced by electrical protection schemes in active distribution networks (ADNs) and microgrids (MGs), in which conventional protection systems are not a viable option anymore. As a consequence of this, new adaptive protection schemes have been employed. However, the implementation of some of these new protection schemes requires extensive data analysis and data preparation times in order to train the protections present in the system. For this reason, a computational tool was developed for the training and validation of intelligent electronic devices (IEDs) used as protective devices, which guarantee the correct functioning of the protective schemes used in ADNs and MGs. Using for this purpose, different techniques of Machine Learning (ML).

In order to validate the correct functioning of the developed tool, we worked with the modified IEEE 34 Nodes system, to which different distributed generation (DG) sources were added in order to simulate the functioning of ADNs. In this way, the training of the IEDs was carried out with a database containing a total of 16 failure scenarios and 112 non-failure scenarios, presenting these scenarios with different changes in topology and generation, so as to obtain better models of ML from the techniques used. In total, 3 different types of ML techniques were analyzed, these being the techniques of Decision Trees (DT), Support Vector Machines (SVM) and Neural Networks (NN).

The results obtained showed that the technique with the best results turned out to be the DT technique, with which precision and reliability values of 100% were obtained for all the IEDs under study. Because of the above, we believe that it was possible to meet the overall objective of the project.

En nuestro proyecto se identificó la problemática afrontada por los esquemas de protecciones eléctricas en las redes de distribución activas (ADNs) y microrredes (MGs), en las cuales a día de hoy no se puede optar por los sistemas de protección convencionales. En consecuencia, se han venido empleando nuevos esquemas de protección adaptativa. Sin embargo, la implementación de algunos de estos nuevos esquemas requiere de tiempos extensos de análisis y preparación de los datos para poder entrenar a las protecciones presentes en el sistema. Por esta razón, se desarrolló una herramienta computacional para el entrenamiento y validación de dispositivos electrónicos inteligentes (IEDs) usados como dispositivos de protección, los cuales garanticen el correcto funcionamiento de los esquemas de protecciones usados en ADNs y MGs. Utilizando para este fin, diferentes técnicas de Machine Learning (ML).

Con el fin de validar el correcto funcionamiento de la herramienta desarrollada, se trabajó con el sistema IEEE 34 Nodos modificado, al cual se le agregaron diferentes fuentes de generación distribuida (GD), esto con el propósito de simular el funcionamiento de una ADN; de esta manera, se realizó el entrenamiento de los IEDs con una base de datos que contenía un total de 16 escenarios de falla y 112 escenarios de no falla, presentando estos escenarios diferentes cambios en topología y generación, esto con la finalidad de obtener unos mejores modelos de ML a partir de las técnicas utilizadas. En total, fueron analizadas 3 tipos diferentes de técnicas de ML, siendo estas las técnicas de Árboles de la decisión (DT), Máquinas de soporte vectorial (SVM) y Redes Neuronales (NN).

Los resultados obtenidos arrojaron que la técnica con los mejores resultados resultó ser la técnica de DT, con la cual se obtuvieron valores de precisión y fiabilidad del 100% para todos los IEDs bajo estudio. Debido a lo anterior, consideramos que fue posible cumplir con el objetivo general del proyecto.