En ny ANN-baserad metod för felupptäckt och klassificering i moderna TCSC-kompenserade överföringsledningar integrerade med DFIG-baserade vindkraftparker med användning av WST

Varför det blir svårare att hålla lamporna tända

När mer elektricitet kommer från vindparker blir vårt elnät renare men också svårare att skydda. Enheter som ökar kapaciteten i transmissionsledningar och de speciella generatorerna som används i moderna vindparker kan förändra hur elektriska fel ser ut för skyddsreläer. Denna studie undersöker ett nytt sätt att snabbt och pålitligt upptäcka och klassificera sådana fel, vilket hjälper till att förebygga strömavbrott och utrustningsskador i ett nät med stor andel förnybar kraft.

Vindkraft och smart hårdvara på linjen

Arbetet fokuserar på långa högspänningslinjer som både transporterar kraft från en vindpark och är utrustade med en serieenhet kallad thyristorstyrd seriekondensator. Denna enhet låter operatörer justera hur mycket kraft linjen kan bära genom att ändra dess effektiva elektriska styvhet. Samtidigt använder vindparken en generatortyp som tillåter fin styrning av effekt men som ger felströmmar som skiljer sig från de hos traditionella kraftverk. Tillsammans gör dessa egenskaper att fel på linjen blir svårare att känna igen med klassiska skyddsmetoder som förutsätter ett stabilare, mer förutsägbart beteende.

Varför gamla felidentifierare har problem

Traditionellt digitalt skydd förlitar sig ofta på verktyg som delar upp signaler i frekvensband, till exempel diskret wavelettransform. I praktiken kan dessa metoder vara känsliga. Deras prestanda beror på val som samplingsfrekvens och antal nivåer, och de är känsliga för exakt när i spänningscykeln ett fel börjar. I ett system där vindhastigheten varierar, seriekondensatorn ständigt justeras och brytningar eller brus stör signalerna, kan dessa detektorer misstolka vilken fas som är felaktig eller till och med missa en farlig händelse. Många befintliga system kräver dessutom mätningar i båda ändar av linjen och en kommunikationslänk, vilket ökar kostnad och komplexitet.

Ett nytt sätt att lyssna på nätet

Författarna föreslår en annan strategi som bara använder de tre fasströmmarna och jordströmmen vid en enda punkt på nätverkssidan. De applicerar ett signalbehandlingsverktyg kallat wavelet scattering transform, som bygger upp en flerskiktsbeskrivning av hur strömvågformen förändras över tid och frekvens. Till skillnad från äldre metoder är dess funktioner utformade för att vara stabila när signaler förskjuts i tiden och robusta mot brus och små förvrängningar. Bland de många scattering‑utgångarna väljer metoden en kompakt uppsättning av de mest informativa värdena, vilket kraftigt minskar datamängden samtidigt som nyckelmönstren som avslöjar vilken typ av fel som inträffat bevaras.

Att lära ett neuralt nätverk att namnge felet

Dessa destillerade funktioner matas sedan in i ett framåtriktat neuralt nätverk som tränats för att känna igen tio vanliga feltyper, inklusive olika kombinationer av faser och anslutningar till jord. För att testa idén byggde forskarna en detaljerad dator modell av en 100 kilometer lång, 120 kilovolt ledning med en realistisk vindpark och seriekondensator, och simulerade mer än tretusen felscenarier. De varierade felläge, resistans, startvinkel, vindhastighet och kompensationsnivå, och testade senare det tränade nätverket på hundratals nya fall, inklusive switchhändelser, brusiga mätningar och mycket svaga fel som ger små strömmar.

Hur väl den nya metoden presterar

När de jämförde sitt tillvägagångssätt med mer konventionella metoder som använder waveletkoefficienter som funktioner var skillnaden tydlig. De äldre schemana nådde som bäst runt 98 procent träffsäkerhet i att enbart avgöra att ett fel föreligger, och sjönk till ungefär hälften av det när de ombads att ange exakt feltyp. Däremot tillät de scattering‑baserade funktionerna det neurala nätverket att uppnå perfekt noggrannhet för både detektion och klassificering över alla testscenarier. Metoden skiljde sig också klart mellan verkliga fel och ofarliga händelser såsom laständringar eller kondensatorbrytningar, och den förblev pålitlig även när strömtransformatorerna var mättade eller starkt brus lades till.

Vad detta betyder för framtidens kraftnät

För icke‑specialister är huvudbudskapet att studien erbjuder ett smartare öra för nätet, ett som kan urskilja problemen i en upptagen, bullrig miljö formad av förnybar kraft. Genom att kombinera ett robust sätt att beskriva strömvågformer med ett tränat neuralt nätverk ger metoden snabba och exakta felbeslut med mätningar från en enda plats. Detta kan hjälpa nätägare att skydda komplexa transmissionskorridorer som inkluderar både avancerade kompensationsenheter och stora vindparker, och därigenom underlätta att hålla lamporna tända när energiomställningen accelererar.

Citering: 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

Nyckelord: skydd av kraftsystem, integration av vindkraft, fel på transmissionsledningar, neuralt nätverksklassificerare, wavelet scattering transform