面向离网风电塔柢的故障定位误差数据驱动降低方法
系统与控制
2026-05-25 v1 系统与控制
摘要
故障定位精度对于风电塔柢网络的运行可靠性和快速恢复至关重要。然而，越来越多的逆变器式资源的集成改变了故障期间的电流和电压行为，挑战了传统相量-based 诊断方法的有效性。针对这一情况，本文引入一种先进的机器学习解决方案，通过集成由门控残差网络 (Gated Residual Network) 驱动的纠正模型，增强了确定性故障距离估算器，以最小化剩余故障定位误差。通过综合的特征工程和选择过程，开发了改进的预测器，并在基于 PSCAD 的真实世界风电塔柢模型中模拟的多样化故障情景下进行训练，包括故障类型、阻值、位置、启动角以及发电渗透率的变化。使用 Optuna 框架进行超参数优化，并对方法的鲁棒性进行统计学验证。结果表明，准确性显著提升，故障定位误差整体降低了 76%。该方法展现了强大的可扩展性和对拓扑和运行变化的适应性。该方法推动了现代电力系统数据驱动故障定位框架的部署。
引用
@article{arxiv.2511.21300,
title = {Data-Driven Reduction of Fault Location Errors in Onshore Wind Farm Collectors},
author = {A. J. Alves Junior and M. J. B. B. Davi and R. A. S. Fernandes and M. Oleskovicz and D. V. Coury},
journal= {arXiv preprint arXiv:2511.21300},
year = {2026}
}