Advanced data-driven fault diagnosis schemes for active distribution grids

Abstract

(English) Reliable and uninterrupted power supply is crucial for modern societies. Therefore, the minimization of the power outages' duration is a priority for the power system operators. This thesis aims to contribute to the efforts to increase the power restoration speed by proposing automatized solutions for the fault diagnosis process applied in distribution grids. The fault diagnosis process comprises the fault detection, the fault classification and the fault location; all three of these steps are addressed in this study. The traditional fault diagnosis methods that are currently applied to the grids are rapidly becoming obsolete due to the smart grid transition. Renewable energy sources, electric vehicles (EVs) and other smart devices may pose a challenge to conventional fault diagnosis techniques but they also provide opportunities for the application of advanced technological solutions. Hence, in order to take advantage of the grid's digitalization and the subsequent growing data availability the proposed methods are all data-driven, with emphasis given to the use of machine learning (ML). The fault detection method presented in this thesis refers to active low voltage (LV) grids and specifically the ones with EV fast charging (FC) and ultra fast charging (UFC). The proposed ML-based algorithm utilizes a CatBoostClassifier for the detection of faults and manages to efficiently train the model with static simulation data. These data correspond to the grid's normal and faulty operation when the loads are operating at nominal power and the EV charging is ignored, i.e. to a grid's static loading state. In this way the algorithm is independent of the EV charging and the intermediate operating states. When tested on unseen data corresponding to potential intermediate states the algorithm achieved an accuracy of 97.61% with only 6000 examples included in the training data. Regarding the fault classification, a data--driven improved version of the popular threshold--based techniques is presented here. The method includes an algorithm that studies the grid's current values before and after a fault under various fault resistances and outputs the most suitable threshold values for the criteria describing each fault type. Thus, it combines increased accuracy with high adaptability lo any tli:;lri1Jutior1 grid. The proposed technique achieves an accuracy of nearly 100\% regardless of the fault's resistance. This constitutes an approx. 20% higher accuracy compared to traditional threshold-based techniques with fixed criteria. Finally, a complete and practical ML-based fault location method for active LV grids is proposed in this thesis. The method first identifies the faulted branch with the use of a Random Forest (RF) classifier and then locates the faulted point with the use of a regression model. Since the second part of the process is the most crucial and complicated one two tree--based predictive models are tested here, a RF regressor and an XGBoost regressor. In order to improve the models' and, as an extend, the method's performance a thorough data management strategy is included in the algorithm. This includes among others the application of a smart data storage strategy, the comparison of two data minimization approaches and an efficient re-training scheme. Both models lead to mean absolute errors (MAEs) of less than 2m, nevertheless, the XGBoost proves the most suitable model for this application. When paired with the SelectFromModel dimensionality reduction algorithm it leads to a MAE of 0.49 m and is robust against the major influencing parameters such as the fault resistance, the bidirectional power flow, the data loss and more. The research addresses all the aspects of the method's application, offers an insight on the designing process of ML-based algorithms and presents an efficient, easily-applicable and generalizable solution.

(Español) Un suministro eléctrico fiable es crucial para las actividades de la sociedad moderna. Par lo tanto, la minimización de las cortes de energía y su duración es una prioridad para los operadores de sistemas eléctricos. Esta tesis pretende contribuir a los esfuerzos para aumentar la velocidad de restablecimiento de la energía proponiendo soluciones automatizadas para el proceso de diagnóstico de averías aplicado en las redes de distribución. Este proceso comprende la detección, la clasificación y la localización de esta. Cada una de estas etapas son estudiadas en esta tesis. Los métodos tradicionales de diagnóstico de averías que se aplican actualmente en las redes eléctricas se están quedando obsoletas debido a la transición a las redes inteligentes. Las energías renovables, los vehículos eléctricos (VE) y otros dispositivos inteligentes pueden suponer un problema para las técnicas convencionales de diagnóstico de fallos, pero por otro lado ofrecen oportunidades para la aplicación y desarrollo de soluciones tecnológicas avanzadas. Para aprovechar la digitalización de la red y la consiguiente disponibilidad de datos, en la tesis se desarrollan y presentan nuevos procesos basados en datos y su tratamiento, con énfasis en el uso del aprendizaje automático (ML). Primera, el método de detección de fallos presentado en esta tesis se centra en las redes eléctricas de baja tensión (BT) activas y, en concrete, a las redes que incluyen renovables y sistemas de carga rápida y ultrarrápida de VE. El algoritmo propuesto, basado en ML, utiliza un CatBoostClassifier para la detección de fallos y consigue entrenar eficientemente el modelo con datos de simulaci6n. Estos datos se corresponden con el funcionamiento normal y defectuoso de la red cuando las cargas funcionan a la potencia nominal y se ignora la carga del VE, es decir, al estado de carga estática de la red. De este modo, el algoritmo es independiente de la carga del VE y de los estados de funcionamiento intermedios. Cuando se validó considerando datos de casos con estados intermedios, el algoritmo alcanzo una precisión del 97,61%. En la clasificación de fallos, se presenta una versión adaptada y mejorada basada en datos de las técnicas convencionales y basadas en umbrales. El método incluye un algoritmo que estudia los valores de corriente de la red antes y después de una falta, bajo diferentes resistencias de falla, y emite los valores de umbral más adecuados para los criterios que describen cada tipo de falta eléctrica. De este modo, combina una gran precisión con una gran adaptabilidad a cualquier red de distribución. La técnica propuesta logra una precisión de casi el 100%, independientemente de la resistencia de la falta. Esto constituye una precisión aproximadamente un 20% mayor en comparación con técnicas tradicionales basadas en umbrales con criterios determinados. Por último, en esta tesis se propone un método complete y practico de localización de fallos basado en ML para redes activas de BT. El método identifica primero la rama con falta a través del uso de un clasificador Random Forest (RF) y luego localiza el punto de avería mediante un modelo de regresión. Dado que la segunda parte del proceso es la mas crucial y complicada, aquí se prueban dos modelos de predicción basados en árboles, un regresor RF y un regresor XGBoost. Para mejorar el rendimiento de las modelos y del método se incluye en el algoritmo una estrategia de gestión de datos. Esto incluye entre otras cosas, la aplicación de una estrategia inteligente de almacenamiento de datos, la comparación de dos enfoques de minimización de datos y un esquema eficiente de reentrenamiento. Ambos modelos conducen a errores medios absolutos (MAE) de menos de 2m, sin embargo, el XGBoost resulta ser el modelo más adecuado para esta aplicación. Cuando se combina con el algoritmo SelectFromModel, se obtiene un MAE de 0,49 m yes robusto frente a los principales parámetros que influyen en el comportamiento.