Новый метод на основе ИНС для обнаружения и классификации повреждений в современных линиях передачи с ТКСО, интегрированных с ветроэлектростанциями на базе DFIG с использованием ВРП

Почему поддерживать подачу энергии становится сложнее

По мере того как всё больше электроэнергии поступает от ветропарков, наша сеть становится экологичнее, но и сложнее в защите. Устройства, увеличивающие пропускную способность линий передачи, и специальные генераторы, используемые в современных ветропарках, изменяют вид электрических повреждений для защитных реле. В этом исследовании предлагается новый способ быстрого и надёжного обнаружения и классификации таких повреждений, что помогает предотвращать отключения и повреждение оборудования в сети с высокой долей возобновляемой энергии.

Ветроэнергетика и «умное» оборудование на линии

Работа сосредоточена на длинных высоковольтных линиях, которые одновременно передают энергию от ветропарка и оснащены серийным устройством — тиристорно управляемым последовательно включённым конденсатором. Это устройство позволяет операторам регулировать пропускную способность линии, меняя её эффективную электрическую жёсткость. В то же время ветропарк использует тип генератора, позволяющий тонко управлять отдачей, но формирующий токи повреждения, отличающиеся от токов традиционных электростанций. Вместе эти особенности затрудняют распознавание повреждений классическими методами защиты, которые предполагают более стабильное и предсказуемое поведение.

Почему старые детекторы не справляются

Традиционная цифровая защита часто опирается на инструменты, разбивающие сигнал по частотным диапазонам, такие как дискретное вейвлет-преобразование. На практике эти методы могут быть хрупкими. Их работа зависит от таких параметров, как частота дискретизации и число уровней, и они чувствительны к моменту начала повреждения в фазе напряжения. В системе с изменяющейся скоростью ветра, постоянной подстройкой последовательного конденсатора и помехами от переключений или шума эти детекторы могут неверно определить повреждённую фазу или даже пропустить опасное событие. Многие существующие схемы также требуют измерений на обоих концах линии и канала связи, что повышает стоимость и сложность.

Новый способ «слушать» сеть

Авторы предлагают иной подход, использующий только трёхфазные токи и нулевой (земляной) ток в одной точке со стороны сети. Они применяют инструмент обработки сигналов — вейвлет-скаттеринг-преобразование, которое строит многоуровневое описание того, как форма тока меняется во времени и по частоте. В отличие от старых методов, его признаки устойчивы к временным сдвигам сигналов и робустны к шуму и небольшим искажениям. Из множества выходов скаттеринга метод отбирает компактный набор наиболее информативных значений, существенно сокращая объём данных при сохранении ключевых шаблонов, раскрывающих тип повреждения.

Обучение нейронной сети на идентификацию повреждений

Эти сжатые признаки затем подаются на вход прямой нейронной сети, обученной распознавать десять распространённых типов повреждений, включая разные комбинации фаз и замыканий на землю. Чтобы проверить идею, исследователи создали подробную модель на компьютере для 100-километровой линии 120 кВ с реалистичным ветропарком и последовательным конденсатором и смоделировали более трёх тысяч случаев повреждений. Они варьировали место повреждения, сопротивление, начальный угол, скорость ветра и уровень компенсации, а затем тестировали обученную сеть на сотнях новых случаев, включая переключения, зашумлённые измерения и очень слабые повреждения с малыми токами.

Насколько хорошо работает новая схема

При сравнении с более традиционными методами, использующими вейвлет-коэффициенты в качестве признаков, разница была очевидна. Старые схемы в лучшем случае достигали примерно 98 процентов успеха при простой детекции наличия повреждения и падали примерно вдвое при попытке точно определить его тип. В отличие от них, признаки на основе скаттеринга позволили нейронной сети достичь идеальной точности и в обнаружении, и в классификации во всех сценариях тестирования. Метод также чётко отличал реальные повреждения от безвредных событий, таких как изменение нагрузки или переключение конденсатора, и оставался надёжным даже при насыщении трансформаторов тока или наличии сильного шума.

Что это значит для будущих энергосетей

Для неспециалистов ключевая мысль такова: исследование предлагает более «чуткое ухо» для сети, способное выделять звуки проблем в загруженной, шумной среде, сформированной возобновляемой энергетикой. Сочетая робустное описание форм тока и обученную нейронную сеть, метод даёт быстрые и точные решения о повреждениях, опираясь на измерения в одной точке. Это может помочь энергокомпаниям защищать сложные коридоры передачи, включающие как передовые компенсирующие устройства, так и крупные ветропарки, облегчая поддержание электроснабжения по мере ускорения энергетического перехода.

Цитирование: 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

Ключевые слова: защита энергосистем, интеграция ветропарков, повреждения линий передачи, классификатор на нейронной сети, вейвлет-скаттеринг-преобразование