⚡ 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

Dit artikel stelt een op Deep Q-Network gebaseerd adaptief coördinatiekader voor DC-reactor foutstroombegrenzers voor dat de impedantie en schakelsequenties in hybride AC/DC-microgrids dynamisch optimaliseert, waarbij het conventionele vaste strategieën aanzienlijk overtreft op het gebied van foutstroomreductie, spanningsherstel en beschermingsselectiviteit onder hoge penetratie van hernieuwbare energie.

Oorspronkelijke auteurs: B. Venkata Ramana¹, Sridhar Savarapu²

Gepubliceerd 2026-07-14

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: B. Venkata Ramana¹, Sridhar Savarapu²

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een hybride AC/DC-microgrid voor als een bruisende, hoogtechnologische stad met twee soorten verkeersaders: één voor wisselstroom (AC) en één voor gelijkstroom (DC). Deze stad wordt gevoed door een mix van traditionele generatoren en een vloedgolf aan hernieuwbare energiebronnen, zoals windturbines en zonnepanelen. Het probleem? Wanneer er een "verkeersongeval" plaatsvindt (een kortsluiting of fout), raken de oude verkeersagenten (de beveiligingsrelais) in de war. Omdat de hernieuwbare energiebronnen zo onvoorspelbaar zijn en op vreemde manieren stroom kunnen leveren, werken de oude regels voor het stoppen van het ongeval niet meer. De verkeersopstoppingen worden erger en de verkeerde straten worden afgesloten.

Lama een tijdje probeerden ingenieurs dit op te lossen met "slimme barrières" genaamd Fault Current Limiters (FCL's). Beschouw deze als automatische drempels die omhoog schieten wanneer een crash wordt gedetecteerd om de stroomstoot af te remmen. Echter, het artikel betoogt dat de oude manier van het gebruiken van deze barrières—door ze een vaste hoogte te geven of eenvoudige, vooraf geschreven regels te gebruiken—hetzelfde is als proberen een Formule 1-auto te besturen met een kaart uit 1990. Het werkt simpelweg niet wanneer de omstandigheden op de weg veranderen, zoals wanneer de stad overschakelt van verbonden zijn met het hoofdnet naar het zelfstandig draaien (eilandmodus), of wanneer de zon en wind van output veranderen.

Het Grote Idee van het Papier: Een Video Game AI voor Energienetten

De auteurs stellen een nieuwe, superintelligente oplossing voor: een Deep Reinforcement Learning (DRL) agent. Als het oude beveiligingssysteem een regelboek is, dan is dit nieuwe systeem een video game AI die leert door te spelen.

Zo werkt het in de echte wereld van de simulatie:

De Trainingsgrond: De onderzoekers bouwden een gedetaillele digitale tweeling van hun hybride microgrid in een computerprogramma genaamd MATLAB/Simulink. Ze hebben het niet slechts één keer getest; ze lieten hun AI "speler" 5.000 keer tegen de grid botsen in verschillende scenario's. Ze gooiden alles naar de AI: verschillende typen elektrische fouten, verschillende locaties en variërende niveaus van hernieuwbare energie (van 20% tot 80% van het totale vermogen).
Het Leerproces: De AI (specifiek een Deep Q-Network, of DQN) leerde om de "snelheidsdrempels" (de DC Reactor FCL's) in realtime aan te passen. De AI leerde dat er soms een zeer hoge barrière nodig is om een enorme stroomstoot te stoppen, en dat de barrière op andere momenten juist lager moet zijn om de spanning stabiel te houden zodat de lichten niet gaan flikkeren. De AI vond de perfecte balans door miljoenen combinaties te proberen en "punten" te krijgen (beloningen) voor het veilig houden van het net en "punten te verliezen" (straffen) wanneer het net in de war raakte of de spanning te laag werd.
De Tweestapsverdediging: Het systeem heeft een tweestapsreactieplan.
- Fase 1 (De Reflex): Op het moment dat een fout wordt gedetecteerd (binnen 0 tot 10 milliseconden), grijpt de lokale hardware automatisch in om een maximale barrière op te werpen. Dit is een snelle, reflexmatige beweging die gebeurt voordat de AI zelfs maar klaar is met nadenken.
- Fase 2 (Het Brein): Net een fractie van een seconde later (na 10 milliseconden) neemt de AI het over. De AI kijkt naar de hele stad, berekent de exacte beste instelling voor elke barrière en geeft opdracht om ze aan te passen. De AI doet dit elke 5 milliseconden, waarbij de bescherming constant wordt bijgesteld naarmate de situatie verandert.

Wat het Papier Zegt te Werken (en Wat Niet)

Het papier is zeer duidelijk over wat niet werkt. Het sluit expliciet de mogelijkheid uit dat een enkele, vaste instelling voor de barrières een modern net met veel hernieuwbare energie kan afhandelen. Het voert ook een argument tegen het uitsluitend vertrouwen op vooraf berekende regels die niet veranderen wanneer het net van modus wisselt (zoals van netverbonden naar eilandmodus gaan). De auteurs laten in hun simulaties zien dat deze oudere methoden leiden tot "miscoördinatie", waarbij de verkeerde schakelaars uitschakelen, waardoor gezonde delen van de stad in het donker komen te zitten terwijl de fout nog steeds aanwezig is.

In contrast hiermee toonde de AI-gestuurde aanpak opmerkelijke resultaten in hun simulaties:

Geen Verwarring: In elijk 20 testscenario's vertoonde het AI-systeem nul miscoördinatiegebeurtenissen. Het oude vaste systeem had er 3, en een andere adaptieve methode had er 2.
Betere Spanning: Wanneer een fout optrad, hield de AI de spanning op 0,87 pu (per unit), terwijl de beste vorige methode slechts 0,50 pu wist te behouden. Dit betekent dat de lichten veel helderder bleven en de apparatuur veiliger was.
Snellere Respons: De AI hielp de fouten sneller te verhelpen, met een primaire relaisbedrijfstijd van 312 ms, vergeleken met 400 ms voor het vaste systeem.
Stroomreductie: Het slaagde erin de piekstroom bij het hoofdaansluitpunt te verminderen tot 1,98 kA, een reductie van 47,9% vergeleken met het niet gebruiken van een limiter.

Hoe Zeker Zijn We?

Het is belangrijk op te merken dat deze indrukwekkende cijfers uit simulaties komen. De auteurs hebben hun tests uitgevoerd in een computermodel, niet op een fysiek elektriciteitsnet in de echte wereld. Ze zijn zeer zelfverzekerd over de wiskunde en de logica, en tonen aan dat de AI leerde om alles te hanteren, van driefasige fouten tot lijn-naar-grond fouten, zelfs wanneer de penetratie van hernieuwbare energie zo hoog was als 70%.

Het papier concludeert dat hoewel dit een grote stap voorwaarts is, de volgende stap is om te bewijzen dat het werkt op echte hardware. De auteurs zijn van plan dit te testen op een "hardware-in-the-loop" systeem (waarbij de AI een real-time simulator aanstuurt die verbonden is met fysieke apparatuur) en om te zien hoe het omgaat met communicatievertragingen of cyberaanvallen. Maar voor nu, in de digitale wereld van hun simulaties, heeft deze AI "verkeersagent" geleerd om de hybride stad veiliger, sneller en stabieler te houden op een manier die de oude regelboeken nooit zouden kunnen.

Technische Samenvatting: Deep Reinforcement Learning-gebaseerde Adaptieve Coördinatie van DC-reactor Foutstroombegrenzers voor Hybride AC/DC Microgrids

Probleemstelling
De toenemende integratie van hernieuwbare energiebronnen (RES) en gedistribueerde opwekking (DG) in hybride AC/DC microgrids heeft de karakteristieken van foutstromen fundamenteel veranderd, wat leidt tot bidirectionele vermogensstromen en dynamische impedantieprofielen. Deze veranderingen verstoren conventionele beschermingscoördinatieschema's ernstig, met name voor directionele overstroomrelais (DOCR) en afstandrelais. Het "infeed-effect" van DG-units veroorzaakt vaak misbedieningen van relais (overreach of underreach), wat leidt tot coördinatiefouten. Hoewel foutstroombegrenzers (FCL's), specifiek DC-reactor FCL's (DCR-FCL's), een hardwarematige oplossing bieden door de foutstromen te beperken, vertrouwen bestaande coördinatiestrategieën op vaste impedantiedrempels of offline optimalisatietechnieken (bijv. Genetische Algoritmen, Particle Swarm Optimization). Deze statische benaderingen slagen er niet in zich aan te passen aan de snelle, stochastische veranderingen in de microgrid-topologie, eilandmodus-transities en variërende RES-penetratieniveaus, waardoor vooraf berekende instellingen suboptimaal of ongeldig worden in real-time scenario's.

Methodologie
Het artikel stelt een Deep Reinforcement Learning (DRL) framework voor dat gebruikmaakt van een Deep Q-Network (DQN) agent om een adaptieve coördinatie van DCR-FCL's te bereiken. De methodologie is als volgt gestructureerd:

Systeemmodellering: Een hybride AC/DC microgrid test-systeem wordt gemodelleerd in MATLAB/Simulink, met een 11 kV AC-subnetwerk en een 800 V DC-subnetwerk die verbonden zijn via een bidirectionele interlinking converter. Het systeem bevat windturbines, PV-units, batterijopslag en dieselgeneratoren. DCR-FCL-units zijn strategisch geplaatst bij de Point of Common Coupling (PCC), DG-terminals en kritieke lijnsecties.
DRL Formulering (MDP): Het coördinatieprobleem wordt geformuleerd als een Markov Decision Process (MDP):
- Toestandsruimte ( $S$ ): Omvat busspanningen, lijnstromen, DG-stromen, geschatte foutlocatie, fouttype, totale RES-opwekking en de operationele modus (netgekoppeld versus eilandmodus).
- Actieruimte ( $A$ ): Discrete duty cycle-instellingen ( $D \in \{0, 0.1, \dots, 1.0\}$ ) voor de IGBT-schakelaars binnen elke DCR-FCL-unit, die direct de effectieve beperkende impedantie ( $Z_{FCL}$ ) regelen.
- Beloningsfunctie ( $R$ ): Een gewogen som van beloningen voor het houden van lijnstromen binnen grenzen, het stabiel houden van busspanningen (0.85–1.05 pu), het waarborgen van de correcte primaire/back-up relaiscoördinatie en het handhaven van selectiviteit (alleen de gefaalde zone isoleren).
Tweefasen Coördinatieschema:
- Fase I (Lokale Autonome Respons): Bij foutdetectie (0–10 ms) schakelen lokale controllers onmiddellijk in met een maximale beperkende impedantie om de initiële foutstroompieken te onderdrukken, onafhankelijk van communicatielatentie.
- Fase II (DRL Globale Coördinatie): Na de initiële periode ontvangt een centraal Decision-Making Center (DMC) dat een getrainde DQN-agent host, de volledige systeemtoestand via een IoT-laag. De agent berekent optimale duty cycles voor alle FCL's en werkt simultaan de DOCR-instellingen bij om optimale beschermingscoördinatie (OPC) te waarborgen. Dit proces herhaalt zich elke 5 ms.
Training: De DQN-agent wordt getraind over 5.000 episodes in een stochastische omgeving die verschillende fouttypen (LG, LL, LLG, 3Φ), locaties, weerstanden en RES-penetratieniveaus (20–80%) omvat.

Belangrijkste Bijdragen
Het artikel claimt de volgende specifieke bijdragen:

Eerste Toepassing van DRL op DCR-FCL: Het presenteert de eerste toepassing van Deep Q-Networks voor de adaptieve coördinatie van DC-reactor FCL's in hybride AC/DC microgrids, waarmee het verder gaat dan statische optimalisatie.
Verenigd Tweefasen Framework: Het integreert FCL-impedantiecontrole direct met DOCR-instellingoptimalisatie, wat een verenigd framework creëert dat dynamisch de balans vindt tussen foutstroomonderdrukking, spanningsondersteuning en relaiscoördinatie.
Uitbreiding naar Hybride Topologieën: De architectuur breidt eerdere concepten voor multi-FCL coördinatie (oorspronkelijk voor radiale AC-systemen) uit naar complexe hybride AC/DC microgrids, waarbij rekening wordt gehouden met de dynamiek van de interlinking converter en de DC-zijde foutkarakteristieken.
Uitgebreide Benchmarking: De studie biedt een verenigde prestatiebenchmark door het voorgestelde DRL-schema te vergelijken met vaste DCR-FCL-strategieën en adaptieve Virtual Impedance (VI-FCL) schema's over diverse foutscenario's en RES-penetratieniveaus.

Resultaten
Simulatie-resultaten tonen aan dat de voorgestelde DRL-benadering conventionele en adaptieve regelgebaseerde strategieën aanzienlijk overtreft:

Relaiscoördinatie: Het DRL-schema behaalde nul miscoördinatiegebeurtenissen over 20 testgevallen, terwijl vaste FCL- en adaptieve VI-FCL-schema's respectievelijk 3 en 2 miscoördinatiegebeurtenissen ervoeren.
Foutstroomreductie: Het DRL-schema verminderde de piekfoutstroom bij de PCC met 47,9% (naar 1,98 kA), wat de vaste (44,7%) en adaptieve VI (47,4%) schema's licht overtreft.
Spanningsstabiliteit: Tijdens fouten behield het DRL-schema een minimale busspanning van 0,87 pu, een duidelijke verbetering ten opzichte van de 0,50 pu behaald door de beste eerdere benadering. Dit duidt op een superieur vermogen om de balans te vinden tussen stroombeperking en spanningsondersteuning.
Snelheid: De primaire relaisbedieningstijd werd verminderd tot 312 ms onder het DRL-schema, vergeleken met 400 ms voor vaste FCL's, wat leidt tot snellere foutafhandeling.
Adaptiviteit: De agent paste zich succesvol aan de eilandmodus en hoge RES-penetratie (70%) aan zonder hertraining, terwijl statische schema's faalden of slecht presteerden onder deze dynamische omstandigheden.
Real-Time Haalbaarheid: De rekentijd voor DQN-inferentie werd gemeten op 0,8 ms, ruim binnen het 5 ms beslissingsinterval, wat de real-time toepasbaarheid bevestigt.

Betekenis en Claims
De auteurs positioneren dit werk als het sluitstuk van een onderzoeksprogramma dat de FCL-technologie systematisch heeft geavanceerd van single-device toepassingen naar intelligente, AI-gestuurde real-time coördinatie. Het artikel claimt dat het voorgestelde framework de fundamentele beperking van bestaande beschermingsstrategieën aanpakt: hun onvermogen om zich aan te passen aan de dynamische en onzekere operationele condities van moderne microgrids. Door gebruik te maken van DRL kan het systeem de volledige netwerktoestand waarnemen en optimale beleidsregels leren die gelijktijdig foutstroomonderdrukking, spanningsherstel en de integriteit van de relaiscoördinatie optimaliseren. De auteurs stellen dat deze benadering een uitgebreide oplossing biedt voor de bescherming van hybride AC/DC microgrids met een hoge RES-penetratie, wat een belangrijke stap voorwaarts is voor de betrouwbaarheid van de smart grid-bescherming.

Toekomstig werk geïdentificeerd door de auteurs omvat hardware-in-the-loop (HIL) validatie, uitbreiding naar multi-agent DRL voor grotere netwerken, robuustheidsanalyse tegen communicatievertragingen en cyberdreigingen, en het onderzoek naar model-gebaseerde RL om de vereisten voor trainingsdata te verminderen.

Meer zoals dit