حفاظت تطبیقی در ریزشبکه با استفاده از knn مبتنی بر مولفه‌های متقارن جریان خطا

حفاظت مطمئن ریزشبکه‌ها به دلیل عدم قطعیت منابع تجدیدپذیر و عملکرد غیرشعاعی، با چالش‌های قابل توجهی روبروست. این مقاله یک طرح حفاظتی تطبیقی نوین مبتنی بر داده‌کاوی با استفاده از الگوریتم k-نزدیک‌ترین همسایه (knn) ارائه می‌دهد که تنها بر اندازه‌گیری‌های محلی (مقادیر موثر و مولفه‌های متقارن) متکی است و نیازی به زیرساخت ارتباطی ندارد. نوآوری‌های کلیدی این طرح شامل استقلال کامل از کانال‌های مخابراتی (که منجر به کاهش هزینه و افزایش قابلیت اطمینان می‌شود)، قابلیت تشخیص و طبقه‌بندی همزمان خطا با استفاده از داده‌های محلی، و در نظر گرفتن جامع عدم قطعیت‌های عملیاتی (شامل مقاومت خطا، سطوح مختلف تولید منابع تجدیدپذیر، میزان بار و حالت‌های کاری متفاوت ریزشبکه) در فرآیند تحلیل و آموزش است. به منظور ارزیابی، یک پایگاه داده جامع از سناریوهای مختلف با استفاده از شبیه‌سازی در نرم‌افزار digsilent  ایجاد و الگوریتم knn در پایتون پیاده‌سازی گردید. نتایج کلیدی، کارایی بسیار بالای روش پیشنهادی را تایید می‌کند؛ به طوری که متوسط دقت کلی الگوریتم knn در تشخیص و طبقه‌بندی صحیح خطا در تمام تجهیزات حفاظتی شبکه آزمون، حدود 95.2 درصد به دست آمد. قابل ذکر است که دقت در بسیاری از نقاط حفاظتی بالاتر از 98 درصد و در برخی موارد به 100 درصد نیز رسید. این یافته‌ها نشان می‌دهد رویکرد پیشنهادی مبتنی بر knnراه‌کاری موثر، دقیق و قابل اطمینان برای حفاظت تطبیقی ریزشبکه‌ها بدون نیاز به ارتباطات و با در نظر گرفتن عدم قطعیت‌های دنیای واقعی ارائه می‌دهد.

adaptive protection in microgrid using knn based on fault current symmetric components

reliable protection of microgrids faces significant challenges due to the uncertainty of renewable resources and non-radiative operation. this paper presents a novel adaptive protection scheme based on data mining using the k-nearest neighbor (knn) algorithm, which relies only on local measurements (effective values ​​and symmetric components) and does not require a communication infrastructure. key innovations of this design include complete independence from communication channels (leading to cost reduction and increased reliability), the ability to simultaneously detect and classify faults using local data, and comprehensive consideration of operational uncertainties (including fault tolerance, different levels of renewable generation, load levels, and different microgrid operating modes) in the analysis and training process. for evaluation, a comprehensive database of different scenarios was created using simulation in digsilent software and the knn algorithm was implemented in python. the key results confirm the very high efficiency of the proposed method; so that the overall average accuracy of the knn algorithm in correctly detecting and classifying faults in all protection devices of the test network was about 95.2%. it is worth noting that the accuracy in many protection points was higher than 98% and in some cases reached 100%. these findings indicate that the proposed knn-based approach provides an effective, accurate, and reliable solution for adaptive protection of microgrids without the need for communications and considering real-world uncertainties.