Die Zuverlässigkeit des Schutzschemas für PV-integrierte Mikronetze zu erhöhen, indem zwischen Arrayfehlern und symmetrischen Leitungsfehlern unter Verwendung eines sparsamen Autoencoders unterschieden wird.

Die ständig steigende Nachfrage nach Energie und der Druck zur Reduzierung des CO2-Fußabdrucks haben den Weg für die weit verbreitete Nutzung von photovoltaischen (PV) integrierten Mikronetzen geebnet. Die Entwicklung eines zuverlässigen Schutzschemas für PV-integrierte Mikronetze ist jedoch aufgrund des ähnlichen Spannungs-Strom-Verhaltens von PV-Arrayfehlern und symmetrischen Leitungsfehlern eine Herausforderung. Konventionelle Schutzschemata, die auf vordefinierten Schwellenwerten basieren, sind nicht in der Lage, zwischen PV-Array- und symmetrischen Fehlern zu unterscheiden, und können daher keine separaten Steuerungsaktionen für die beiden Fälle bereitstellen. In diesem Zusammenhang wurde ein Schutzschema basierend auf einem sparsamen Autoencoder (SAE) und einem tiefen neuronalen Netzwerk vorgeschlagen, um zwischen Arrayfehlern und symmetrischen Leitungsfehlern zu unterscheiden sowie Moduserkennung, Fehlererkennung, Klassifikation und Abschnittsidentifikation durchzuführen. Die von den Relaisbussen abgerufenen Spannungs-Strom-Signale werden in Graustufenbilder umgewandelt und dann als Eingabe an den SAE eingespeist, um unausgewählte Merkmalslernen durchzuführen. Die Leistung des vorgeschlagenen Schemas wurde durch Zuverlässigkeitsanalysen bewertet und mit Techniken, die auf künstlichen neuronalen Netzwerken, Support-Vektor-Maschinen und Entscheidungsbäumen basieren, sowohl im Inselmodus als auch im netzverbundenen Modus des Mikronetzes verglichen. Das Schema wurde auch für Feldanwendungen validiert, indem Echtzeitsimulationen auf dem OPAL-RT-Digitalsimulator durchgeführt wurden.