[论文解读] Deep Reinforcement Learning-Based Robust Protection in Electric Distribution Grids.
本文提出了一种无需通信的基于深度强化学习（DRL）的配电网保护继电器，可在分布式发电和故障阻抗等复杂条件下提升故障检测的准确性和响应速度。在OpenDSS中的IEEE 34-和123节点馈线系统上进行评估，该方法在不依赖传统过电流方案的情况下，实现了较低的故障率和较高的鲁棒性。
This paper introduces a Deep Reinforcement Learning based control architecture for protective relay control in power distribution systems. The key challenge in protective relay control is to quickly and accurately detect faults from other disturbances in the system. The performance of widely-used traditional overcurrent protection scheme is limited by factors including distributed generations, power electronic interfaced devices and fault impedance. We propose a deep reinforcement learning approach that is highly accurate, communication-free and easy to implement. The proposed relay design is tested in OpenDSS simulation on the IEEE 34-node and 123-node test feeders and demonstrated excellent performance from the aspect of failure rate, robustness and response speed.
研究动机与目标
- 解决传统过电流继电器在高比例分布式发电和电力电子设备渗透的现代配电网系统中的局限性。
- 开发一种对变化的故障阻抗和系统扰动具有鲁棒性的故障检测方法。
- 设计一种不依赖通信依赖关系的继电器控制架构，以实现实际部署。
- 在动态和不确定的电网条件下，提升保护继电的响应速度并降低故障率。
- 在真实配电网系统仿真中，验证基于DRL方法的可行性和性能。
提出的方法
- 采用深度强化学习（DRL）训练保护继电器智能体，使其基于实时系统测量学习最优跳闸决策。
- 设计DRL智能体仅使用本地测量数据自主运行，无需与其他继电器通信。
- 采用马尔可夫决策过程（MDP）框架，其中状态空间包括母线电压、电流和功率注入量。
- 将动作空间定义为根据故障检测结果决定是否跳闸断路器。
- 基于故障清除的成功率和速度，使用稀疏奖励训练DRL智能体。
- 在OpenDSS中使用基于DQN的算法实现DRL模型，以确保训练和部署的稳定性。
实验结果
研究问题
- RQ1在存在分布式发电和可变故障阻抗的情况下，基于DRL的继电器是否能实现优于传统过电流继电器的故障检测准确性？
- RQ2在不同故障条件下，所提出的DRL继电器在响应速度和故障率方面的表现如何？
- RQ3在配电网中，DRL继电器在不与其它继电器通信的情况下，其有效运行范围有多大？
- RQ4DRL继电器对系统扰动、网络拓扑或运行条件变化的鲁棒性如何？
- RQ5在不同配电网测试馈线（如IEEE 34-节点和123-节点系统）中，DRL继电器的性能表现如何？
主要发现
- 在IEEE 34-节点和123-节点测试馈线中，基于DRL的继电器故障率显著低于传统过电流继电器。
- 该方法表现出快速的响应时间，即使在高阻抗故障条件下也能实现快速故障隔离。
- 该继电器在无需与其他设备通信的情况下，对各种故障类型和系统配置均保持了高准确性和稳定性。
- 通过在不同运行条件下的测试，验证了其鲁棒性，包括不同比例的分布式发电渗透率和故障阻抗水平。
- OpenDSS中的仿真结果表明，与传统方案相比，DRL方法在可靠性与适应性方面表现更优。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。