Ein neuartiger ANN-basierter Ansatz zur Fehlererkennung und -klassifizierung in modernen, mit TCSC kompensierten Übertragungsleitungen, die mit DFIG-basierten Windparks integriert sind und WST nutzen

Warum es zunehmend schwieriger wird, die Lichter an zu halten

Mit steigendem Anteil von Strom aus Windparks wird unser Stromnetz zwar sauberer, aber auch komplexer zu schützen. Geräte, die die Kapazität von Übertragungsleitungen erhöhen, sowie die speziellen Generatoren moderner Windparks können das Erscheinungsbild elektrischer Fehler für Schutzrelais verändern. Diese Studie untersucht eine neue Methode, um solche Fehler schnell und zuverlässig zu erkennen und zu klassifizieren, wodurch Stromausfälle und Geräteschäden in einem Netz mit hohem Anteil erneuerbarer Energie verhindert werden können.

Windkraft und intelligente Hardware in der Leitung

Die Arbeit konzentriert sich auf lange Hochspannungsleitungen, die sowohl Leistung von einem Windpark transportieren als auch mit einem Reihenkompensationsgerät namens thyristorgesteuerter Serienkondensator (TCSC) ausgestattet sind. Dieses Gerät ermöglicht es Betreibern, die Tragfähigkeit der Leitung durch Änderung ihrer effektiven elektrischen Steifigkeit anzupassen. Gleichzeitig verwendet der Windpark einen Generatortyp, der eine feine Leistungsregelung erlaubt, aber Fehlerströme erzeugt, die sich von denen konventioneller Kraftwerke unterscheiden. Zusammen erschweren diese Merkmale die Erkennung von Fehlern auf der Leitung mit klassischen Schutzmethoden, die stabileres und vorhersehbareres Verhalten voraussetzen.

Warum herkömmliche Fehlerdetektoren Probleme haben

Traditioneller digitaler Schutz stützt sich oft auf Werkzeuge, die Signale in Frequenzbänder zerlegen, wie die diskrete Wavelet-Transformation. In der Praxis können diese Methoden fragil sein. Ihre Leistung hängt von Parametern wie Abtastrate und Anzahl der Ebenen ab, und sie sind empfindlich gegenüber dem genauen Zeitpunkt im Spannungszyklus, zu dem ein Fehler beginnt. In einem System, in dem sich die Windgeschwindigkeit ändert, der Serienkondensator ständig angepasst wird und Schaltvorgänge oder Störungen die Signale beeinflussen, können diese Detektoren die fehlerhafte Phase falsch bewerten oder sogar ein gefährliches Ereignis übersehen. Viele bestehende Konzepte benötigen außerdem Messungen an beiden Enden der Leitung und eine Kommunikationsverbindung, was Kosten und Komplexität erhöht.

Eine neue Art, dem Netz zuzuhören

Die Autoren schlagen einen anderen Ansatz vor, der nur die dreiphasigen Ströme und den Erdungsstrom an einem einzigen Punkt auf der Netzseite abtastet. Sie wenden ein Signalverarbeitungswerkzeug namens Wavelet-Scattering-Transformation (WST) an, das eine geschichtete Beschreibung davon erstellt, wie sich die Stromwelle über Zeit und Frequenz verändert. Im Gegensatz zu älteren Methoden sind ihre Merkmale so gestaltet, dass sie bei zeitlichen Verschiebungen stabil bleiben und robust gegenüber Rauschen und kleinen Verzerrungen sind. Aus den vielen Scattering-Ausgaben wählt die Methode eine kompakte Menge der informativsten Werte aus, reduziert damit die Datenmenge stark und erhält gleichzeitig die Schlüsselmuster, die verraten, welche Art von Fehler aufgetreten ist.

Ein neuronales Netz beibringen, den Fehler zu benennen

Diese destillierten Merkmale werden dann in ein Feedforward-Neuronales Netz eingespeist, das darauf trainiert wurde, zehn gängige Fehlerarten zu erkennen, einschließlich verschiedener Phasenkombinationen und Erdschlussverbindungen. Zur Prüfung des Konzepts erstellten die Forscher ein detailliertes Computermodell einer 100 Kilometer langen, 120-Kilovolt-Leitung mit einem realistischen Windpark und Serienkondensator und simulierten mehr als dreitausend Fehlerfälle. Sie variierten Fehlerort, Widerstand, Einschaltwinkel, Windgeschwindigkeit und Kompensationsgrad und testeten das trainierte Netz später an Hunderten neuer Fälle, einschließlich Schaltvorgängen, verrauschten Messungen und sehr schwachen Fehlern, die nur kleine Ströme erzeugen.

Wie gut das neue Verfahren funktioniert

Im Vergleich mit konventionelleren Methoden, die Wavelet-Koeffizienten als Merkmale nutzen, war der Unterschied deutlich. Die älteren Verfahren erzielten bestenfalls rund 98 Prozent Trefferquote bei der reinen Fehlererkennung und fielen auf etwa die Hälfte dieser Rate, wenn es darum ging, den exakten Fehlertyp zu benennen. Im Gegensatz dazu erlaubten die scattering-basierten Merkmale dem neuronalen Netz, in allen Testszenarien perfekte Genauigkeit sowohl bei Erkennung als auch bei Klassifizierung zu erreichen. Die Methode unterschied außerdem klar zwischen echten Fehlern und harmlosen Ereignissen wie Lastwechseln oder Kondensatorschaltungen und blieb zuverlässig, selbst wenn Stromwandler sättigten oder starkes Rauschen hinzukam.

Was das für zukünftige Stromnetze bedeutet

Für Nichtfachleute lautet die zentrale Botschaft: Die Studie bietet ein sensibleres Ohr für das Netz, das in einer geschäftigen, verrauschten Umgebung, die durch erneuerbare Energien geprägt ist, die Geräusche von Problemen herausfiltern kann. Durch die Kombination einer robusten Beschreibung von Stromwellenformen mit einem trainierten neuronalen Netz liefert die Methode schnelle und präzise Fehlerentscheidungen anhand von Messungen an nur einem Ort. Dies könnte Netzbetreibern helfen, komplexe Übertragungsstrecken zu schützen, die sowohl fortschrittliche Kompensationsgeräte als auch große Windparks enthalten, und so das Aufrechterhalten der Stromversorgung zu erleichtern, während die Energiewende an Fahrt gewinnt.

Zitation: Oda, E.S., Habib, A.M.M., Elnaghi, B.E. et al. A novel ANN-based approach for fault detection and classification in modern TCSC-compensated transmission lines integrated with DFIG-based wind farms utilizing WST. Sci Rep 16, 15707 (2026). https://doi.org/10.1038/s41598-026-51960-7

Schlüsselwörter: Schutz von Energiesystemen, Integration von Windparks, Fehler in Übertragungsleitungen, Neuronaler Netz-Klassifizierer, Wavelet-Scattering-Transformation