基于集成机器学习与软件在环验证的智能电网实时CCT感知故障分析及自愈技术

《IEEE Access》：Real-Time CCT-Aware Fault Analytics for Self-healing in Smart Grids Using Ensemble Machine Learning With Software-in-the-Loop Validation

　　

摘要：

在可再生能源占比高、电力流动方向双向化且系统惯性降低的现代电力系统中，传统的保护方案面临挑战，需要在关键清除时间内实现快速、灵活的故障隔离。本文提出了一种基于关键清除时间的集成机器学习框架，用于故障分析与保护协调。利用DIgSILENT PowerFactory为IEEE 39节点系统以及经过风能整合改造后的IEEE 9节点系统分别生成了268,200种和197,180种电磁暂态故障场景。研究评估了包括XGBoost、随机森林、支持向量机以及QDA在内的多种模型及其组合在故障检测、故障线路识别、故障位置估算、继电保护协调以及关键清除时间预测方面的性能。其中RF+XGBoost组合表现最佳，分类任务的准确率接近99%，关键清除时间预测的准确率也高达99%。通过MATLAB中的软件在环测试框架，并结合IEC 61850 GOOSE通信延迟参数进行验证，该框架可实现121毫秒的总保护清除时间，相比关键清除时间还有94.7%的安全裕度。所提出的框架能够实现注重系统稳定性的保护协调，为现代电力系统的实时保护提供了一套统一且具有实用价值的解决方案。