Fault detection and isolation for low voltage distribution grids with distributed generation - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2019

Fault detection and isolation for low voltage distribution grids with distributed generation

Détection et localisation des défauts dans les résaux de distribution basse ténsion en présence de production décentralisée

Résumé

New smart meters, distributed generation, renewable energy sources and the concern about the environment are redefining the way to conceive and operate electrical grids. To take full advantage of the new electrical smart grids we need to monitor and protect them. The capability of self-healing is thus important in smart grids in order to ensure a proper behavior under faults and reduce power outage times. For this purpose, this thesis proposes three different methods of fault diagnosis for low voltage (LV) distribution grids and two methods of fault isolation for grid-connected photovoltaic systems (GCPVs).In electrical power distribution systems, faults are responsible for 80% of customer interruptions. While several fault location methods for distribution grids exist in the literature, the majority of them focuses on medium voltage grids and low fault resistance values that rarely surpass the 100 Ohms. Taking into account that distribution system operators usually rely on phone calls to detect and locate faults in LV grids, the need for fault detection and location techniques that cover these cases, i.e. large fault resistances and LV distribution grids, is evident.The three fault detection and location methods proposed in this thesis are:1.A conventional fault detection method based on overcurrent monitoring in combination with a method that uses sparse voltage measurements to build the voltage profile across the faulty branch for fault location.2.Gradient boosting trees(GBT), a method that has been proven to excel in many applications the last few years.3.Deep neural networks(DNN), a method that improve the traditional neural network architecture by taking advantage of an increased number of hidden layers.Simulations on a real semi-rural LV distribution grid of Portugal are performed to validate the results. A common case study is used to compare the three methods. The influencing parameters are: a) a big variety of fault resistance values (63,772 values between 1 and 1000 Ohms), b) nine different fault locations within each sector, c) two fault types (single phase to ground and three phase faults), d) a simultaneity factor of 0.5, e) a big spectrum of PV generation and load demand scenarios with 70,334 studied combinations and f) a 2% underestimation error in measurements.Overall, DNN are the most reliable solution demonstrating a 100% accuracy in fault detection and an average of 12% of error in distance estimation. Moreover, under the minimum available measurements (on at the beginning of the feeder and one at each terminal node) case their accuracy is decreased by only 4.5%.At the same time, faults in PV generators, present an increased interest as well. A big variety of faults can occur in a PV power plant. Based on their location faults can appear: a) in the PV array, b) in the power converters, c) on the dc bus and d) in the grid side. The development of fast, efficient and reliable fault detection and isolation methods for GCPVs, capable of dealing with the different types of faults, is a recognized necessity from the scientific community and a prerequisite for their integration in the smart grids.So far, to the author’s knowledge, no research has been found to monitor the GCPV as a complete system, i.e. isolating faults in every part of the plant with a single method. For this reason, two algorithms based on a signal approach are proposed as a fault isolation strategy. They use current and voltage measurements at the output of the inverter, examining faults occurring on all four of the aforementioned possible locations. The choice of the output of the inverter, i.e. the point of common coupling, as the monitoring source of the status of the GCPV system is in accordance with the location of voltage sensors used in the previous case of fault location methods in the LV distribution grid. Finally, the proposed algorithms achieve an isolation of 15 out of the 19 studied faults cases in less than 100 ms.
Pour profiter des nouveaux réseaux électriques intelligents, il faut les surveiller et les protéger. La capacité de self-healing est donc importante dans les réseaux intelligents afin d’assurer un comportement correct en cas de défaillance et de réduire les temps de pannes de courant. À cette fin, cette thèse propose trois méthodes différentes de diagnostic des défauts pour les réseaux de distribution basse tension (BT) et deux méthodes de localisation des défauts pour les systèmes photovoltaïques raccordés au réseau (SPVRR).Compte tenu du fait que: a) dans les réseaux de distribution les défauts sont responsables de 80% des interruptions des clients, b) la majorité des méthodes dans la littérature se concentre sur les réseaux de moyenne tension et les valeurs de faible résistance de défauts qui dépassent rarement les 100 Ohms et c) l’effet que les opérateurs du réseau comptent habituellement sur les appels téléphoniques pour détecter et localiser les défauts dans les réseaux de BT, la nécessité de techniques de détection et de localisation des défauts couvrant ces cas est évidente.Les trois méthodes proposées dans cette thèse sont:1. Une méthode classique de détection des défauts basée sur la surveillance des courants en combinaison avec une méthode qui utilise des mesures de tension pour construire le profil de tension à travers la branche en défaut pour la localisation des défauts.2. Gradient boosting trees (GBT), une méthode qui a fait ses preuves dans de nombreuses applications au cours des dernières années.3. Réseaux neuronaux profonds (DNN), une méthode qui améliore l’architecture traditionnelle des réseaux neuronaux en tirant parti d’un nombre accru de couches cachées.Un réseau de distribution BT réel du Portugal est utilisé pour comparer les trois méthodes. Les paramètres considérées sont : a) une grande variété de valeurs de résistance de défauts (63,772 valeurs entre 1 et 1000 Ohms;), b) neuf emplacements de défauts dans chaque secteur, c) deux types de défauts (monophasés et triphasés), d) un facteur de simultanéité de 0.5, e) une large gamme de scénarios de production photovoltaïque et de demande de charge avec 70,334 combinaisons étudiées et f) une erreur de sous-estimation de 2% dans les mesures.En general, DNN est la solution la plus fiable démontrant 100% de précision dans la détection des défauts et 12% d’erreur moyenne dans l’estimation de la distance. En outre, avec les mesures au début et en fin du feeder, leur précision est réduite de seulement 4.5%.Dans le même temps, les défauts dans les photovoltaïques, présentent un intérêt accru ainsi. Une grande variété de défauts peut se produire. En fonction de leur emplacement, les défauts peuvent apparaître: a) dans le PV, b) dans les convertisseurs, c) sur le bus dc et d) au côté du réseau. Le développement de méthodes rapides, efficaces et fiables de détection et localisation des défauts pour les SPVRR, capables de traiter les différents types de défauts, est une nécessité reconnue de la communauté scientifique et une condition préalable à leur intégration dans les réseaux intelligents.Jusqu’à présent, à la connaissance de l’auteur, aucune recherche n’a été trouvée pour surveiller le SPVRR comme un système complet. Pour cette raison, deux algorithmes basés sur une approche signal sont proposés comme stratégie de localisation. Ils utilisent des mesures de courant et de tension à la sortie de l’onduleur, en examinant les défauts survenant sur les quatre emplacements possibles susmentionnés. Le choix de la sortie de l’onduleur (point de couplage commun) étant donné que la source de surveillance de l’état du système SPVRR est conforme à l’emplacement des capteurs de tension utilisés dans le cas précédent (localisation des défauts dans le réseau BT).Enfin, les algorithmes proposés permettent la localisation de 15 sur 19 cas de défauts étudiés en moins de 100 ms.
Fichier principal
Vignette du fichier
SAPOUNTZOGLOU_2019_archivage.pdf (31.36 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)
Loading...

Dates et versions

tel-02632242 , version 1 (27-05-2020)

Identifiants

  • HAL Id : tel-02632242 , version 1

Citer

Nikolaos Sapountzoglou. Fault detection and isolation for low voltage distribution grids with distributed generation. Electric power. Université Grenoble Alpes, 2019. English. ⟨NNT : 2019GREAT083⟩. ⟨tel-02632242⟩
374 Consultations
86 Téléchargements

Partager

Gmail Facebook X LinkedIn More