logo móvil
Contáctanos

Técnicas de minería de datos basadas en soporte de retransmisión para sistema VSC-HVDC simétrico-monopolar-multi-terminal

Autores: Pragati, Abha; Gadanayak, Debadatta Amaresh; Parida, Tanmoy; Mishra, Manohar

Idioma: Inglés

Editor: MDPI

Año: 2023

Descargar PDF

Acceso abierto

Artículo científico
2023

Técnicas de minería de datos basadas en soporte de retransmisión para sistema VSC-HVDC simétrico-monopolar-multi-terminal


Categoría

Ingeniería y Tecnología

Subcategoría

Ingeniería de Sistemas

Palabras clave

Técnicas de minería de datos
VSC-HVDC
Detección de fallas
Modelos de aprendizaje automático
Modelo de aprendizaje profundo
Clasificación de fallas

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 32

Citaciones: Sin citaciones


Descripción
Considerando la ventaja de la capacidad de las técnicas de minería de datos (DMTs) para detectar y clasificar patrones, este documento explora su aplicabilidad para la protección de sistemas de transmisión de corriente continua de alto voltaje basados en convertidores de fuente de voltaje (VSC-HVDC). A pesar de la ubicación de puntos de ocurrencia de fallas como externas/internas, subestación rectificadora/subestación inversora y polo positivo/negativo de la línea de CC, el enfoque mencionado es capaz de una detección precisa de fallas, clasificación y localización. Inicialmente, las mediciones locales de voltaje y corriente en un extremo del sistema HVDC se utilizan en este trabajo para extraer el vector de características. Una vez que se recupera el vector de características, las DMTs se entrenan y prueban para identificar los tipos de fallas (fallas internas de CC, fallas externas de CA y fallas externas de CC) y la ubicación de la falla en el alimentador particular. En el marco de la minería de datos, se utilizan varios modelos de aprendizaje automático (ML) de última generación junto con un modelo avanzado de aprendizaje profundo (DL) para el entrenamiento y la prueba. El sistema de protección propuesto VSC-HVDC se prueba exhaustivamente en un sistema VSC-HVDC simétrico-monopolar-multi-terminal y presenta resultados alentadores en diversas condiciones de operación. Los resultados muestran que el modelo de aprendizaje profundo (DL) basado en la red de creencias profundas (DBN) estudiado tiene un mejor rendimiento en comparación con otros modelos de ML tanto en la clasificación de fallas como en la localización. La precisión de la clasificación de fallas del DBN se encuentra en un 98.9% en condiciones sin ruido y un 91.8% en condiciones ruidosas de 20 dB. De manera similar, se encontró que la DMT basada en DBN es efectiva en la localización de fallas en el sistema HVDC con un porcentaje menor de errores como MSE: 2.116, RMSE: 1.4531 y MAPE: 2.7047. Este enfoque puede ser utilizado como una herramienta de soporte de protección efectiva y de bajo costo para el sistema VSC-HVDC, ya que no requiere un canal de comunicación.

Otros recursos que podrían interesarte

Temas Virtualpro