Ein tiefes rekurrentes Lernframework zur Klassifizierung von Mehrklassen-Fehlern in Mikrogrids unter Verwendung von LSTM- und Bi-LSTM-Modellen

Die Fehlererkennung in Mikrogrids ist ein kritischer Bestandteil der Systemstabilität und der ununterbrochenen Stromversorgung. Hier wird eine vergleichende Studie durchgeführt, die auf dreiphasigen Stromdaten zur Mehrklassen-Fehlerklassifizierung mit LSTM- und bidirektionalen LSTM-Netzwerken basiert. Fünf Hauptfehlertypen, nämlich LG, LL, LLG, LLL und LLLG, wurden unter Verwendung eines Echtzeit-Digitalsimulators (RTDS) im Netz- und Inselbetrieb simuliert. Die gesammelten Stromsignale wurden vorverarbeitet, normalisiert und für das Sequenzlernen segmentiert. Anschließend wurden beide Modelle mit der besten Hyperparameter-Einstellung trainiert, um ihre Fähigkeiten zur Fehlerklassifizierung zu verbessern. Um zu messen, wie gut sie Fehler identifizierten, wurden Bewertungsmetriken wie Genauigkeit, Präzision, Recall, F1-Score und ROC-AUC berechnet. Die Ergebnisse zeigten, dass das Bi-LSTM das LSTM und klassische maschinelle Lernmodelle durchgehend übertraf, mit einer Genauigkeit von über 99 % für die meisten Fehlertypen. Noch wichtiger ist, dass das vorgeschlagene Framework auch die Klassifizierungsleistung für LLLG-Fehler überprüfte, wobei das Bi-LSTM-Modell eine Testgenauigkeit von 98,8 % aufwies. Diese Ergebnisse bestätigen, dass das Bi-LSTM-Modell Fehler robust und präzise in Echtzeit innerhalb spezifischer Phasen von Mikrogrids klassifizieren und erkennen kann; daher bietet es eine skalierbare Grundlage für die Entwicklung intelligenter Schutzmaßnahmen in modernen Stromsystemen.