Deep Reinforcement Learning-Based Adaptive Coordination of DC Reactor Fault Current Limiters for Protection of Hybrid AC/DC Microgrids with High Renewable Penetration
本文提出了一种基于深度Q网络（Deep Q-Network）的直流电抗器故障电流限制器自适应协调框架，该框架通过动态优化混合交流/直流微电网中的阻抗和开关序列，在提高可再生能源渗透率的情况下，其在故障电流抑制、电压恢复以及保护选择性方面的表现显著优于传统的固定策略。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，一个混合式交流/直流微电网就像一座繁忙的高科技城市，拥有两种类型的电力高速公路：一种用于交流电（AC），另一种用于直流电（DC）。这座城市由传统发电机和来自风力涡轮机、太阳能电池板等大量可再生能源的混合动力驱动。问题在于，当发生“交通事故”（短路或故障）时，旧的“交警”（保护继电器）会感到困惑。因为可再生能源具有不可预测性，并且会以奇特的方向输送功率，旧的规则无法有效阻止这些事故。交通拥堵变得更加严重，错误的街道也会被关闭。
长期以来，工程师们一直试图通过被称为“故障电流限制器”（FCL）的“智能障碍物”来解决这个问题。你可以把它们想象成自动弹出的“减速带”，在检测到碰撞时弹出，以减缓电流的激增。然而，论文指出，使用这些障碍物的旧方法——即设定固定的高度或使用简单的预设规则——就像是试图用一张1990年的地图来驾驶一辆一级方程式赛车。当城市状况发生变化时（例如，当微电网从连接主电网切换到独立运行模式时，或者当阳光和风力输出发生变化时），这种方法根本行不通。
论文的核心思想：电力系统的“电子游戏AI”
作者提出了一种全新的、超级智能的解决方案：深度强化学习（DRL）智能体。如果说旧的保护系统是一本规则手册，那么这个新系统就是一个通过“玩游戏”来学习的视频游戏AI。
以下是其在模拟环境中的运作方式：
- 训练场： 研究人员使用名为MATLAB/Simulink的计算机程序，为他们的混合微电网构建了一个详细的“数字孪生”。他们不仅仅测试了一次；他们让他们的AI“玩家”在不同的场景下“撞车”了5,000次。他们向AI投放了各种挑战：不同类型的电气故障、不同的故障位置，以及不断变化的再生能源水平（从总功率的20%到80%不等）。
- 学习过程： 这个AI（具体来说是一个深度Q网络，即DQN）学会了实时调整“减速带”（直流电抗器FCL）。它学到了有时需要极高的障碍来阻挡巨大的浪涌，而有时则需要较低的障碍以保持电压稳定，防止灯光闪烁。通过尝试数百万种组合，并根据保持电网安全获得的“积分”（奖励）以及电网混乱或电压过低导致的“扣分”（惩罚），它找到了完美的平衡点。
- 两阶段防御机制： 该系统有一个两步反应计划。
- 第一阶段（反射）： 在检测到故障的瞬间（0到10毫秒内），本地硬件会自动介入，建立起最大高度的障碍。这是一种快速的反射动作，发生在AI完成思考之前。
- 第二阶段（大脑）： 紧随其后（10毫秒之后），AI接管控制。它观察整个城市，计算出每个障碍物的最佳设置值，并指挥它们进行调整。它每5毫秒进行一次微调，随着情况的变化不断优化保护措施。
论文指出哪些有效（以及哪些无效）
论文非常明确地指出了哪些方法是无效的。它明确排除了使用固定设置的障碍物来应对高可再生能源比例的现代电网的想法。同时，它也反对仅依赖于那些在电网切换模式（如从并网模式切换到孤岛模式）时不会改变的预设规则。作者在模拟中展示了这些旧方法会导致“配合失误”，即错误的断路器跳闸，导致健康的城市部分陷入黑暗，而故障依然存在。
相比之下，AI驱动的方法在模拟中表现出了卓越的结果：
- 零配合失误： 在20种测试场景中，AI系统实现了零配合失误事件。而旧的固定系统出现了3次，另一种自适应方法出现了2次。
- 更好的电压： 当故障发生时，AI将电压维持在 0.87 pu（标幺值），而表现最好的前代方法仅能维持在 0.50 pu。这意味着灯光更亮，设备更安全。
- 更快的响应： AI帮助更快地清除了故障，主继电器动作时间为 312 ms，而固定系统为 400 ms。
- 电流削减： 它成功地将主连接点的峰值故障电流降低到了 1.98 kA，与完全没有限制器的情况相比，降幅达 47.9%。
我们有多可靠？
值得注意的是，这些令人印象深刻的数据来自于模拟实验。作者是在计算机模型中进行测试，而非在现实世界的物理电网中。他们在数学逻辑上非常有信心，展示了AI如何学会处理从三相故障到单相接地故障的所有情况，即使在可再生能源渗透率高达 70% 的情况下也是如此。
论文总结道，虽然这是一个重大进步，但下一步是在真实硬件上进行验证。作者计划在“硬件在环”（Hardware-in-the-loop）系统中进行测试（即AI控制一个连接到物理设备的实时模拟器），并观察它如何处理通信延迟或网络攻击。但就目前而言，在数字世界的模拟中，这个AI“交通警察”已经学会了如何以旧规则手册无法实现的效率、速度和稳定性，来守护这座混合城市的安全与稳定。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。