Bayesian optimiertes CNN-Modell zur Fehlerklassifikation in einem Verteilungssystem

Ein Fehler in einem Stromversorgungssystem ist ein anomalistischer Zustand, der so schnell wie möglich erkannt werden muss. Um die Folgen des Fehlers, wie Schäden an der Vorrichtung, Verlust greifbarer Vermögenswerte und Verlust von Personalkapazitäten, zu minimieren, ist es entscheidend, das Problem umgehend zu bemerken. In einem Stromverteilungssystem gibt es mehrere Ansätze zur Erkennung verschiedener Arten von Fehlern. In diesem Papier wird ein neuartiger Ansatz mit einem Bayesian optimierten Convolutional Neural Network (CNN) verwendet, um verschiedene symmetrische sowie unsymmetrische Fehler in Stromverteilungssystemen zu erkennen und zu klassifizieren. Die Wirksamkeit des vorgeschlagenen CNN-Modells wird für ein IEEE 13-Bus radial verteiltes System validiert, das in PSCAD modelliert (und simuliert) wurde. Zeitreihen der gemessenen dreiphasigen Fehlerströme (für elf verschiedene Fehlerkategorien) werden verwendet, um Trainings- und Testdaten zu erstellen. Diese Daten wurden in die MATLAB-Software importiert, um einen CNN-Klassifikator zu entwickeln (dessen Hyperparameter mithilfe eines Bayesian-Optimierers optimiert werden), für Fehler in Stromverteilungssystemen unter verschiedenen Fehlerbedingungen durch Variation des Fehlerwiderstands, des fehlerhaften Knotens und der Fehlerentstehungswinkel. Die Ergebnisse der Simulation zeigen eindeutig, dass das vorgeschlagene Modell eine sehr hohe Kategorisierungsgenauigkeit aufweist und anderen in der Literatur verfügbaren Techniken überlegen und wettbewerbsfähig ist.