⚡ electrical engineering

Deep Reinforcement Learning-Based Adaptive Coordination of DC Reactor Fault Current Limiters for Protection of Hybrid AC/DC Microgrids with High Renewable Penetration

Questo articolo propone un framework di coordinamento adattivo basato su Deep Q-Network per limitatori di corrente di guasto in corrente continua che ottimizza dinamicamente l'impedenza e le sequenze di commutazione nelle microreti ibride AC/DC, superando significativamente le strategie fisse convenzionali nella riduzione della corrente di guasto, nel ripristino della tensione e nella selettività della protezione sotto un'elevata penetrazione di energie rinnovabili.

Autori originali: B. Venkata Ramana¹, Sridhar Savarapu²

Pubblicato 2026-07-14

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: B. Venkata Ramana¹, Sridhar Savarapu²

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate una microrete ibrida AC/DC come una città frenetica e tecnologicamente avanzata con due tipi di autostrade elettriche: una per la corrente alternata (AC) e una per la corrente continua (DC). Questa città è alimentata da un mix di generatori tradizionali e da un'ondata di fonti di energia rinnovabile, come turbine eoliche e pannelli solari. Il problema? Quando si verifica un "incidente stradale" (un cortocircuito o un guasto), i vecchi vigili del fuoco (i relè di protezione) si confondono. Poiché le fonti di energia rinnovabile sono imprevedibili e possono inviare energia in direzioni insolite, le vecchie regole per fermare l'incidente non funzionano più. I ingorghi peggiorano e le strade sbagliate vengono chiuse.

Per molto tempo, gli ingegneri hanno cercato di risolvere il problema con "barriere intelligenti" chiamate Limitatori di Corrente di Guasto (FCL). Immaginatele come dossi automatici che appaiono quando viene rilevato un incidente per rallentare l'ondata di elettricità. Tuttavia, l'articolo sostiene che il vecchio modo di utilizzare queste barriere — impostandole con un'altezza fissa o usando regole semplici e pre-scritte — è come cercare di guidare un'auto di Formula 1 con una mappa del 1990. Non funziona quando le condizioni della strada cambiano, come quando la città passa dall'essere connessa alla rete principale al funzionamento in modalità isolata (islanded mode), o quando il sole e il vento cambiano la loro produzione.

La Grande Idea dell'Articolo: Un'IA da Videogioco per le Reti Elettriche

Gli autori propongono una soluzione nuova e super-intelligente: un agente di Apprendimento per Rinforzo Profondo (Deep Reinforcement Learning - DRL). Se il vecchio sistema di protezione è un libro di regole, questo nuovo sistema è un'IA da videogioco che impara giocando.

Ecco come funziona nel mondo reale della simulazione:

Il Campo di Addestramento: I ricercatori hanno costruito un gemello digitale dettagliato della loro microrete ibrida in un programma chiamato MATLAB/Simulink. Non l'hanno testato una sola volta; hanno lasciato che la loro "IA giocatrice" si schiantasse contro la rete 5.000 volte in scenari diversi. Hanno lanciato contro di lei di tutto: diversi tipi di guasti elettrici, diverse posizioni e livelli variabili di energia rinnovabile (dal 20% fino all'80% della potenza totale).
Il Processo di Apprendimento: L'IA (specificamente una Deep Q-Network, o DQN) ha imparato ad regolare i "dossi" (i reattori DC FCL) in tempo reale. Ha imparato che a volte ha bisogno che la barriera sia molto alta per fermare un'ondata massiccia, e altre volte deve essere più bassa per mantenere stabile la tensione ed evitare che le luci sfarfallino. Ha trovato l'equilibrio perfetto provando milioni di combinazioni e ottenendo "punti" (ricompense) per mantenere la rete sicura e "perdendo punti" (penalità) quando la rete si confondeva o la tensione scendeva troppo.
La Difesa a Due Stadi: Il sistema ha un piano di reazione in due fasi.
- Fase 1 (Il Riflesso): Nel momento in cui viene rilevato un guasto (entro 0-10 millisecondi), l'hardware locale interviene automaticamente per alzare una barriera massima. È un movimento riflessivo veloce che avviene prima ancora che l'IA finisca di pensare.
- Fase 2 (Il Cervello): Solo un istante dopo (dopo 10 millisecondi), l'IA prende il controllo. Guarda l'intera città, calcola l'impostazione esatta migliore per ogni singola barriera e dice loro di regolare. Lo fa ogni 5 millisecondi, perfezionando costantemente la protezione mentre la situazione cambia.

Cosa Dice l'Articolo che Funziona (e Cosa No)

L'articolo è molto chiaro su ciò che non funziona. Esclude esplicitamente l'idea che un singolo settaggio fisso per le barriere possa gestire una rete moderna con alta energia rinnovabile. Sostiene inoltre contro l'uso di sole regole pre-calcolate che non cambiano quando la rete passa da una modalità all'altra (come passare da connessa alla rete a quella isolata). Gli autori mostrano che questi metodi più vecchi portano alla "mancata coordinazione", dove gli interruttori sbagliati scattano, lasciando parti sane della città al buio mentre il guasto continua a bruciare.

Al contrario, l'approccio guidato dall'IA ha mostrato risultati straordinari nelle loro simulazioni:

Zero Confusione: In 20 scenari di test, il sistema IA ha registrato zero eventi di mancata coordinazione. Il vecchio sistema fisso ne ha avuti 3, e un altro metodo adattivo ne ha avuti 2.
Migliore Tensione: Quando si verificava un guasto, l'IA manteneva la tensione a 0,87 pu (per unità), mentre il miglior metodo precedente riusciva solo a gestire 0,50 pu. Ciò significa che le luci rimanevano molto più luminose e le apparecchiature più sicure.
Risposta più Rapida: L'IA ha aiutato a risolvere i guasti più velocemente, con un tempo di intervento del relè primario di 312 ms, rispetto ai 400 ms del sistema fisso.
Riduzione della Corrente: Ha ridotto con successo la corrente di guasto di picco nel punto di connessione principale a 1,98 kA, una riduzione del 47,9% rispetto a non avere alcun limitatore.

Quanto Siamo Sicuri?

È importante notare che questi numeri impressionanti derivano da simulazioni. Gli autori hanno eseguito i loro test in un modello al computer, non su una rete elettrica fisica nel mondo reale. Sono molto fiduciosi nella matematica e nella logica, dimostrando che l'IA ha imparato a gestire tutto, dai guasti trifase ai guasti fase-terra, anche quando la penetrazione delle energie rinnovabili era arrivata al 70%.

L'articolo conclude che, sebbene questo sia un grande passo avanti, il prossimo passo è dimostrare che funzioni su hardware reale. Gli autori intendono testarlo su un sistema "hardware-in-the-loop" (dove l'IA controlla un simulatore in tempo reale collegato a apparecchiature fisiche) e vedere come gestisce i ritardi di comunicazione o gli attacchi informatici. Ma per ora, nel mondo digitale delle loro simulazioni, questo "vigile urbano" IA ha imparato a mantenere la città ibrida sicura, veloce e stabile in un modo in cui i vecchi libri di regole non avrebbero mai potuto fare.

Sintesi Tecnica: Coordinamento Adattivo Basato sul Deep Reinforcement Learning di Limitatori di Corrente di Guasto a Reattanza DC per Microreti Ibride AC/DC

Problematica
Il crescente integrazione di fonti di energia rinnovabile (RES) e generazione distribuita (DG) nelle microreti ibride AC/DC ha alterato fondamentalmente le caratteristiche delle correnti di guasto, introducendo flussi di potenza bidirezionali e profili di impedenza dinamici. Questi cambiamenti disturbano gravemente gli schemi di coordinamento della protezione convenzionale, in particolare per i relè di sovracorrente direzionale (DOCR) e i relè di distanza. L'effetto di "infeed" proveniente dalle unità DG spesso causa malfunzionamenti dei relè (sovraestensione o sottoestensione), portando a fallimenti del coordinamento. Sebbene i limitatori di corrente di guasto (FCL), specificamente i DCR-FCL (limitatori a reattanza DC), offrano una soluzione hardware limitando le correnti di guasto, le attuali strategie di coordinamento si basano su soglie di impedenza fisse o tecniche di ottimizzazione offline (ad esempio, Algoritmi Genetici, Ottimizzazione a Sciame di Particelle). Tali approcci statici non riescono ad adattarsi ai rapidi cambiamenti stocastici della topologia della microrete, alle transizioni di isolamento (islanding) e ai livelli variabili di penetrazione delle RES, rendendo le impostazioni pre-calcolate subottimali o non valide in scenari in tempo reale.

Metodologia
L'articolo propone un framework di Deep Reinforcement Learning (DRL) che utilizza un agente Deep Q-Network (DQN) per ottenere il coordinamento adattivo dei DCR-FCL. La metodologia è strutturata come segue:

Modellazione del Sistema: Un sistema di prova per microrete ibrida AC/DC è modellato in MATLAB/Simulink, caratterizzato da una sottorete AC a 11 kV e una sottorete DC a 800 V interconnesse da un convertitore di interconnessione bidirezionale. Il sistema include turbine eoliche, unità PV, batterie di accumulo e generatori diesel. Le unità DCR-FCL sono posizionate strategicamente al Punto di Accoppiamento Comune (PCC), ai terminali delle DG e in sezioni critiche delle linee.
Formulazione DRL (MDP): Il problema di coordinamento è formulato come un Processo Decisionale di Markov (MDP):
- Spazio degli Stati ( $S$ ): Include tensioni di bus, correnti di linea, correnti delle DG, posizione del guasto stimata, tipo di guasto, generazione totale di RES e modalità operativa (connessa alla rete o isolata).
- Spazio delle Azioni ( $A$ ): Duty cycle discreti ( $D \in \{0, 0.1, \dots, 1.0\}$ ) per gli switch IGBT all'interno di ciascuna unità DCR-FCL, che controllano direttamente l'impedenza limitatrice effettiva ( $Z_{FCL}$ ).
- Funzione di Ricompensa ( $R$ ): Una somma pesata di ricompense per mantenere le correnti di linea entro i limiti, mantenere stabili le tensioni di bus (0.85–1.05 pu), garantire il corretto coordinamento tra relè primario e di riserva e mantenere la selettività (isolando solo la zona guasta).
Schema di Coordinamento a Due Stadi:
- Stadio I (Risposta Autonoma Locale): Al rilevamento del guasto (0–10 ms), i controllori locali attivano immediatamente la massima impedenza limitatrice per sopprimere i picchi iniziali di corrente di guasto, indipendentemente dalla latenza di comunicazione.
- Stadio II (Coordinamento Globale DRL): Dopo la finestra iniziale, un Centro di Decisione Centrale (DMC) che ospita l'agente DQN addestrato riceve l'intero stato del sistema tramite uno strato IoT. L'agente calcola i duty cycle ottimali per tutti i FCL e simultaneamente aggiorna le impostazioni dei DOCR per garantire un'ottimale coordinazione della protezione (OPC). Questo processo si ripete ogni 5 ms.
Addestramento: L'agente DQN è addestrato su 5.000 episodi in un ambiente stocastico che copre vari tipi di guasto (LG, LL, LLG, 3Φ), posizioni, resistenze e livelli di penetrazione delle RES (20–80%).

Contributi Chiave
L'articolo rivendica i seguenti contributi specifici:

Prima Applicazione di DRL ai DCR-FCL: Presenta la prima applicazione di Deep Q-Networks al coordinamento adattivo di limitatori a reattanza DC in microreti ibride AC/DC, andando oltre l'ottimizzazione statica.
Framework Unificato a Due Stadi: Integra il controllo dell'impedenza FCL direttamente con l'ottimizzazione delle impostazioni DOCR, creando un framework unificato che bilancia dinamicamente la soppressione della corrente di guasto, il supporto di tensione e il coordinamento dei relè.
Estensione alle Topologie Ibride: L'architettura estende i precedenti concetti di coordinamento multi-FCL (originariamente per sistemi AC radiali) a complesse microreti ibride AC/DC, incorporando la dinamica del convertitore di interconnessione e le caratteristiche di guasto sul lato DC.
Benchmarking Comprensivo: Lo studio fornisce un benchmark prestazionale unificato confrontando lo schema DRL proposto con strategie FCL fisse e schemi di impedenza virtuale (VI-FCL) adattivi attraverso diversi scenari di guasto e livelli di penetrazione delle RES.

Risultati
I risultati delle simulazioni dimostrano che l'approccio basato su DRL proposto supera significativamente le strategie convenzionali e basate su regole adattive:

Coordinamento dei Relè: Lo schema DRL ha ottenuto zero eventi di mancato coordinamento in 20 casi di test, mentre gli schemi FCL fissi e VI-FCL adattivi hanno registrato rispettivamente 3 e 2 eventi di mancato coordinamento.
Riduzione della Corrente di Guasto: Lo schema DRL ha ridotto il picco di corrente di guasto al PCC del 47,9% (fino a 1,98 kA), superando leggermente gli schemi fissi (44,7%) e VI adattivi (47,4%).
Stabilità della Tensione: Durante i guasti, lo schema DRL ha mantenuto una tensione minima di bus di 0,87 pu, un netto miglioramento rispetto allo 0,50 pu ottenuto dal miglior approccio precedente. Ciò indica una capacità superiore di bilanciare la limitazione della corrente con il supporto di tensione.
Velocità: Il tempo di intervento del relè primario è stato ridotto a 312 ms con lo schema DRL, rispetto ai 400 ms per i FCL fissi, portando a un'eliminazione del guasto più rapida.
Adattabilità: L'agente si è adattato con successo alla modalità di funzionamento isolata e all'alta penetrazione di RES (70%) senza riaddestramento, mentre gli schemi statici sono falliti o hanno performato scarsamente in queste condizioni dinamiche.
Fattibilità in Tempo Reale: Il tempo di calcolo per l'inferenza DQN è stato misurato a 0,8 ms, ben entro l'intervallo decisionale di 5 ms, confermando l'applicabilità in tempo reale.

Significatività e Rivendicazioni
Gli autori posizionano questo lavoro come il culmine di un programma di ricerca che ha avanzato sistematicamente la tecnologia FCL dal singolo dispositivo alle applicazioni intelligenti guidate dall'IA in tempo reale. L'articolo afferma che il framework proposto affronta il limite fondamentale delle attuali strategie di protezione: la loro incapacità di adattarsi alle condizioni operative dinamiche e incerte delle moderne microreti. Sfruttando il DRL, il sistema può percepire l'intero stato della rete e apprendere politiche ottimali che ottimizzano simultaneamente la soppressione della corrente di guasto, il ripristino della tensione e l'integrità del coordinamento dei relè. Gli autori asseriscono che questo approccio fornisce una soluzione completa per proteggere le microreti ibride AC/DC con alta penetrazione di rinnovabili, rappresentando un passo significativo verso l'affidabilità della protezione delle smart grid.

Il lavoro futuro identificato dagli autori include la validazione Hardware-in-the-Loop (HIL), l'estensione al Multi-Agent DRL per reti più grandi, l'analisi di robustezza contro ritardi di comunicazione e minacce cyber, e l'investigazione del Reinforcement Learning basato su modelli per ridurre i requisiti di dati di addestramento.

Articoli simili