Ein auf LSTM basierendes Rahmenwerk zur Anomalieklassifikation für von Leistungselektronik dominierte Netze

Das von Leistungselektronik dominierte Netz (PEDG) stellt einen Paradigmenwechsel dar, der zu einer Zunahme von dezentralen Energiequellen (DERs) zur Stromerzeugung führen wird. Mit der Verbreitung des PEDG müssen Netz-Anomalien erkannt und gemindert werden. Die Erkennung dieser Systeme muss sich an verändernde Netztopologien anpassen und bietet somit eine Möglichkeit für datengestützte Lösungen, die von lokalen und übergeordneten Steuerungen im PEDG betrieben werden. Diese Arbeit präsentiert ein Fehlererkennungsschema für Leitungsfehler, das auf dem Long Short-Term Memory (LSTM) neuronalen Netzwerk basiert, um schnell zu bestimmen, wann Leitungsfehler auftreten. Der Trainingsprozess und die Datensammlung der vorgeschlagenen LSTM-basierten Fehlererkennung für Leitungsfehler können auf einen multiklassen Klassifikator erweitert werden, um andere Anomalien im PEDG zu erkennen. Die Leistung der vorgeschlagenen LSTM-basierten Anomalieerkennung wird durch mehrere Fallstudien validiert. Die Ergebnisse zeigen vielversprechende Leistungen für die Echtzeit- und effektive Anomalieerkennung in weniger als 20 ms, um katastrophale Ereignisse im PEDG zu verhindern.