Een nieuwe ANN-gebaseerde methode voor foutdetectie en -classificatie in moderne TCSC-gecompenseerde transmissielijnen geïntegreerd met DFIG-gebaseerde windparken met gebruik van WST

Waarom het moeilijker wordt om het licht aan te houden

Nu meer elektriciteit uit windparken komt, wordt ons net schoner maar ook ingewikkelder om te beschermen. Apparaten die de capaciteit van transmissielijnen verhogen en de speciale generatoren die in moderne windparken worden gebruikt, kunnen veranderen hoe elektrische fouten er voor beveiligingsrelais uitzien. Deze studie onderzoekt een nieuwe manier om zulke fouten snel en betrouwbaar te herkennen en te classificeren, wat helpt black-outs en schade aan apparatuur te voorkomen in een netwerk met veel hernieuwbare energie.

Windenergie en slimme hardware op de lijn

Het werk richt zich op lange hoogspanningslijnen die stroom van een windpark vervoeren en uitgerust zijn met een serieschakeling, de thyristor controlled series capacitor. Dit apparaat stelt bedienaars in staat om te sturen hoeveel vermogen de lijn kan dragen door de effectieve elektrische stijfheid te veranderen. Tegelijkertijd gebruikt het windpark een generatortype dat fijne vermogensregeling mogelijk maakt maar foutstromen produceert die afwijken van die van traditionele energiecentrales. Samen maken deze eigenschappen het moeilijker om fouten op de lijn te herkennen met klassieke beschermingsmethoden die uitgaan van stabieler, voorspelbaarder gedrag.

Waarom oude foutdetectoren moeite hebben

Traditionele digitale bescherming leunt vaak op hulpmiddelen die signalen in frequentiebanden ontleden, zoals de discrete wavelettransformatie. In de praktijk kunnen deze methoden fragiel zijn. Hun prestaties hangen af van keuzes zoals bemonsteringssnelheid en aantal niveaus, en ze zijn gevoelig voor het exacte moment in de spanningscyclus waarop een fout begint. In een systeem waar windsnelheid verandert, de seriescondensator voortdurend wordt bijgesteld en schakelingen of ruis de signalen verstoren, kunnen deze detectoren verkeerd inschatten welke fase fout heeft of zelfs een gevaarlijke gebeurtenis missen. Veel bestaande schema’s hebben ook metingen aan beide uiteinden van de lijn en een communicatielink nodig, wat kosten en complexiteit verhoogt.

Een nieuwe manier om naar het net te luisteren

De auteurs stellen een andere aanpak voor die alleen luistert naar de drie fasestromen en de aardstroom op één punt aan de netzijde. Ze passen een signaalverwerkingstool toe, de wavelet scattering transformatie, die een gelaagde beschrijving opbouwt van hoe het stroomgolfvorm in tijd en frequentie verandert. In tegenstelling tot oudere methoden zijn de kenmerken ontworpen om stabiel te zijn bij tijdverschuivingen van het signaal en robuust tegen ruis en kleine vervormingen. Uit de vele scattering-uitgangen selecteert de methode een compacte set van de meest informatieve waarden, wat de hoeveelheid data sterk vermindert terwijl de kernpatronen die aangeven welk type fout heeft plaatsgevonden behouden blijven.

Een neurale netwerk leren de fout te benoemen

Deze gecondenseerde kenmerken worden vervolgens ingelezen in een feedforward neurale netwerk dat is getraind om tien veelvoorkomende fouttypes te herkennen, inclusief verschillende combinatie van fasen en verbindingen met aarde. Om het idee te testen bouwden de onderzoekers een gedetailleerd computermodel van een 100 kilometer lange, 120 kilovolt lijn met een realistisch windpark en seriescondensator, en simuleerden ze meer dan drie duizend foutgevallen. Ze varieerden foutlocatie, weerstand, aanvangshoek, windsnelheid en het compensatieniveau, en testten later het getrainde netwerk op honderden nieuwe gevallen, inclusief schakelgebeurtenissen, ruis in de metingen en zeer zwakke fouten die kleine stromen produceren.

Hoe goed het nieuwe schema presteert

Bij vergelijking met meer conventionele methoden die waveletcoëfficiënten als kenmerken gebruiken, was het verschil duidelijk. De oudere schema’s bereikten in het beste geval rond 98 procent succes bij enkel het vaststellen dat er een fout is, en daalden tot ongeveer de helft van dat niveau wanneer gevraagd werd het exacte type fout te benoemen. Daarentegen maakten de scattering-gebaseerde kenmerken het voor het neurale netwerk mogelijk om perfecte nauwkeurigheid te bereiken voor zowel detectie als classificatie in alle testscenario’s. De methode onderscheidde ook duidelijk echte fouten van onschuldige gebeurtenissen zoals lastveranderingen of condensatorschakelingen, en bleef betrouwbaar zelfs wanneer de stroomtransformatoren verzadigd waren of er sterke ruis werd toegevoegd.

Wat dit betekent voor toekomstige netten

Voor niet-specialisten is de kernboodschap dat de studie een slimmer oor voor het net biedt, een dat het geluid van problemen kan onderscheiden in een druk, rumoerig milieu dat wordt gevormd door hernieuwbare energie. Door een robuuste manier om stroomgolfvormen te beschrijven te combineren met een getraind neurale netwerk, levert de methode snelle en nauwkeurige foutbeslissingen op basis van metingen op één locatie. Dit kan nutsbedrijven helpen complexe transmissiecorridors te beschermen die zowel geavanceerde compensatieapparaten als grote windparken bevatten, en zo het makkelijker maken het licht aan te houden nu de energietransitie versnelt.

Bronvermelding: 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

Trefwoorden: bescherming van elektrische netten, integratie van windparken, fouten op transmissielijnen, neurale netwerkclassificator, wavelet scattering transformatie