Deep Reinforcement Learning-Based Adaptive Coordination of DC Reactor Fault Current Limiters for Protection of Hybrid AC/DC Microgrids with High Renewable Penetration
Dieses Paper schlägt ein auf Deep Q-Networks basierendes adaptives Koordinationsframework für DC-Reaktor-Fehlerstrombegrenzer vor, das die Impedanz und die Schaltsequenzen in hybriden AC/DC-Mikronetzen dynamisch optimiert und dabei konventionelle feste Strategien hinsichtlich der Reduzierung von Fehlerströmen, der Spannungsrestaurierung und der Selektivität des Schutzes unter hoher Durchdringung durch erneuerbare Energien signifikant übertrifft.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich ein hybrides AC/DC-Mikronetz wie eine geschäftige, hochtechnologische Stadt mit zwei Arten von Stromautobahnen vor: einer für Wechselstrom (AC) und einer für Gleichstrom (DC). Diese Stadt wird durch eine Mischung aus traditionellen Generatoren und einem Zustrom von erneuerbaren Energiequellen wie Windturbinen und Solarmodulen gespeist. Das Problem? Wenn ein „Verkehrsunfall“ (ein Kurzschluss oder Fehler) passiert, werden die alten Verkehrspolizisten (die Schutzrelais) verwirrt. Da die erneuerbaren Energiequellen unvorhersehbar sind und Strom in seltsame Richtungen senden können, funktionieren die alten Regeln zur Behebung des Unfalls nicht. Die Verkehrsstaus werden schlimmer und die falschen Straßen werden gesperrt.
Lange Zeit versuchten Ingenieure, dies mit „intelligenten Barrieren“ namens Fault Current Limiters (FCLs) zu beheben. Denken Sie an diese als automatische Bodenschwellen, die aufpoppen, wenn ein Unfall erkannt wird, um den Stromstoß abzubremsen. Die Arbeit argumentiert jedoch, dass die alte Art der Verwendung dieser Barrieren – sie mit einer festen Höhe oder einfachen, vorgefertigten Regeln zu versehen – so ist, als würde man versuchen, ein Formel-1-Auto mit einer Karte von 1990 zu fahren. Das funktioniert einfach nicht, wenn sich die Straßenbedingungen ändern, wie etwa wenn die Stadt vom Anschluss an das Hauptstromnetz in den Inselbetrieb wechselt oder wenn sich die Sonnen- und Windleistung ändern.
Die große Idee des Papers: Eine Video-Game-KI für Stromnetze
Die Autoren schlagen eine neue, super-intelligente Lösung vor: einen Deep Reinforcement Learning (DRL) Agenten. Wenn das alte Schutzsystem ein Regelwerk ist, dann ist dieses neue System eine Video-Game-KI, die lernt, indem sie spielt.
So funktioniert es in der realen Welt der Simulation:
- Das Trainingsgelände: Die Forscher bauten einen detaillierten digitalen Zwilling ihres hybriden Mikronetzes in einem Computerprogramm namens MATLAB/Simulink auf. Sie haben es nicht nur einmal getestet; sie ließen ihre KI „Spieler“ 5.000 Mal in verschiedenen Szenarien gegen das Netz „auffahren“. Sie warfen ihr alles entgegen: verschiedene Arten von elektrischen Fehlern, unterschiedliche Standorte und variierende Ebenen erneuerbarer Energien (von 20 % bis 80 % der Gesamtleistung).
- Der Lernprozess: Die KI (speziell ein Deep Q-Network oder DQN) lernte, die „Bodenschwellen“ (die DC-Reaktor-FCLs) in Echtzeit anzupassen. Sie lernte, dass sie manchmal eine sehr hohe Barriere benötigt, um einen massiven Stoß zu stoppen, und ein anderes Mal eine niedrigere, um die Spannung stabil zu halten, damit das Licht nicht flackert. Sie fand das perfekte Gleichgewicht heraus, indem sie Millionen von Kombinationen ausprobierte und „Punkte“ (Belohnungen) erhielt, wenn sie das Netz sicher hielt, und „Punkte verlor“ (Strafen), wenn das Netz verwirrt wurde oder die Spannung zu stark abfiel.
- Die Zwei-Stufen-Verteidigung: Das System hat einen zweistufigen Reaktionsplan.
- Stufe 1 (Der Reflex): In dem Moment, in dem ein Fehler erkannt wird (innerhalb von 0 bis 10 Millisekunden), greift die lokale Hardware automatisch ein, um eine maximale Barriere aufzustellen. Dies ist eine schnelle, reflexive Bewegung, die geschieht, bevor die KI überhaupt fertig gedacht hat.
- Stufe 2 (Das Gehirn): Nur einen Sekundenbruchteil später (nach 10 Millisekunden) übernimmt die KI das Kommando. Sie betrachtet die ganze Stadt, berechnet die exakt beste Einstellung für jede einzelne Barriere und weist diese an, sich anzupassen. Sie tut dies alle 5 Millisekunden und passt den Schutz ständig fein an, während sich die Situation ändert.
Was das Paper als funktionierend (und was nicht) beschreibt
Das Paper ist sich sehr klar darüber, was nicht funktioniert. Es schließt explizit die Idee aus, dass eine einzige, feste Einstellung für die Barrieren ein modernes Netz mit hohem Anteil an erneuerbaren Energien bewältigen kann. Es argumentiert auch gegen das alleinige Vertrauen auf vorab berechnete Regeln, die sich nicht ändern, wenn das Netz den Modus wechselt (z. B. beim Übergang vom Netzbetrieb in den Inselbetrieb). Die Autoren zeigen in ihren Simulationen, dass diese älteren Methoden zu einer „Fehlkoordination“ führen, bei der die falschen Leistungsschalter auslösen und gesunde Teile der Stadt im Dunkeln lassen, während der Fehler noch besteht.
Im Gegensatz dazu zeigte der KI-gesteuerte Ansatz in ihren Simulationen bemerkenswerte Ergebnisse:
- Keine Verwirrung: In 20 Test-Szenarien wies das KI-System null Fehlkoordinationsereignisse auf. Das alte feste System hatte 3, und eine andere adaptive Methode hatte 2.
- Bessere Spannung: Wenn ein Fehler auftrat, hielt die KI die Spannung bei 0,87 pu (per unit), während die beste bisherige Methode nur 0,50 pu erreichte. Das bedeutet, das Licht blieb viel heller und die Ausrüstung sicherer.
- Schnellere Reaktion: Die KI half, die Fehler schneller zu beheben, mit einer Primärrelais-Betriebszeit von 312 ms, verglichen mit 400 ms beim festen System.
- Stromreduktion: Sie reduzierte den Spitzenfehlerstrom am Hauptanschlusspunkt erfolgreich auf 1,98 kA, was einer Reduktion von 47,9 % gegenüber dem Fehlen eines jeglichen Limiters entspricht.
Wie sicher sind wir uns?
Es ist wichtig zu beachten, dass diese beeindruckenden Zahlen aus Simulationen stammen. Die Autoren haben ihre Tests in einem Computermodell durchgeführt, noch nicht auf einem physischen Stromnetz in der realen Welt. Sie sind sehr zuversichtlich in die Mathematik und die Logik und zeigen, dass die KI gelernt hat, alles von dreiphasigen Fehlern bis hin zu Erdschlussfehlern zu handhaben, selbst wenn die Durchdringung erneuerbarer Energien so hoch wie 70 % war.
Das Paper kommt zu dem Schluss, dass dies zwar ein großer Schritt nach vorne ist, der nächste Schritt jedoch darin besteht, die Funktionsweise auf echter Hardware zu beweisen. Die Autoren planen, dies auf einem „Hardware-in-the-Loop“-System zu testen (wo die KI einen Echtzeit-Simulator steuert, der mit physischer Ausrüstung verbunden ist), um zu sehen, wie es mit Kommunikationsverzögerungen oder Cyberangriffen umgeht. Aber für den Moment, in der digitalen Welt ihrer Simulationen, hat dieser KI-„Verkehrspolizist“ gelernt, die hybride Stadt sicherer, schneller und stabiler zu halten, als es die alten Regelwerke je könnten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.