KFUPM ePrints

FAULT DIAGNOSIS IN DISTRIBUTION GRIDS UNDER LOAD AND RENEWABLE ENERGY UNCERTAINTIES

l FAULT DIAGNOSIS IN DISTRIBUTION GRIDS UNDER LOAD AND RENEWABLE ENERGY UNCERTAINTIES. PhD thesis, King Fahd University of Petroleum and Minerals.

[img]PDF (Final Version) - Accepted Version
Restricted to Abstract Only until 19 September 2019.

8Mb

Arabic Abstract

إن الهدف الأساسي لشركات التوزيع الكهربية هو توفير إمدادات طاقة عالية الجودة وموثوقة لعملائها. حيث يتسبب أي انقطاع في شبكات التوزيع في خسارة دقائق العميل "CML " ومعظمها يحدث بسبب الأخطاء الموجودة لفترات أطول. ولذلك فهناك اهتمام بحثي متزايد لتشخيص أخطاء توزيع الشبكة بكفاءة لتقليل خسائر الإيرادات عن طريق تسريع عملية الاستعادة عقب حدوث أي انقطاع. لسوء الحظ، فإن تكامل موارد الطاقة المتجددة وما يرتبط بها من عدم اليقين بالإضافة إلى الخصائص المتأصلة لشبكة التوزيع يجعل تشخيص الأخطاء معقدًا. ومع ذلك، فإن الانتشار الأخير من وحدات قياس الطور "PMU " فى شبكات الكهرباء يجعل تشخيص الأخطاء أسهل وذلك بالإضافة إلى قدرتها على ملاحظة حالة الشبكة حيث أنها توفر بيانات موثوقة ودقيقة. الهدف الرئيسي لهذه الأطروحة هو تطوير مخطط تشخيص أخطاء شامل " IFD " لشبكات التوزيع مع مراعاة تكامل مصادر الطاقة المتجددة وما يترتب على ذلك من عدم التيقن. يبدأ هذا البحث باقتراح صياغة وضع جديد ومثالي لوحدة قياس الطور "PMU " لضمان مراقبة شبكة التوزيع في حالات الطوارئ المختلفة لشبكات الكهرباء والحد من قنوات وحدة قياس الطور "PMU " المتوفرة. وبهدف تطوير مخطط تشخيص أخطاء ذكي " IFD "، تقوم هذه الأطروحة بتصميم مغذيات التوزيع التي تتضمن حالات عدم اليقين في الطلب على الأحمال والطاقة المتجددة. ومن ثم، توظيف تقنيات معالجة الإشارة المتطورة وهي تحويل المويجات المتقطعة (DWT) وتحويل ستوكويل(ST) لاستخراج الميزات والخصائص المفيدة من الإشارات الحالية المسجلة من وحدات قياس الطور "PMU " . يجلب الأسلوب المقترح الميزات والخصائص المستخرجة كمدخلات إلى أدوات التعلم الآلي "Machine learning " بما في ذلك الشبكة العصبونية الاصطناعية متعددة الطبقات "Multilayer perceptron neural networks " ، ومتجه الدعم الآلي "Support vector machine "، وآلة التعلم العالي "Extreme learning machine " للتشخيص، أي للكشف عن الأخطاء وتصنيفها وتحديد موقعها. وإلى جانب ذلك، يؤكد هذا البحث على فعالية المخطط المقترح لتشخيص الأخطاء الذكي " IFD " ويظهر استقلاليته في حالات عدم اليقين في الطلب على الأحمال وتوليد الطاقة المتجددة، ووجود تشوش قياس، والمقاومة الكهربائية للخطأ وزاوية الخطأ بين فرق الجهد والتيار الكهربائي " fault inception angle ". وأخيرًا، يقوم هذا البحث ببناء نموذج مبدئي لمخطط تشخيص الأخطاء الذكي " IFD " من خلال دمج وحدة قياس الطور "PMU " الفيزيائي مع ماكينة المحاكي الرقمي للوقت الحقيقي (RTDS). وقد أثبتت النتائج المقدمة فاعلية النموذج المبدئي لمخطط تشخيص الأخطاء الذكي " IFD " حيث تظهر نتائج مقاربة مع نتائج المحاكاة.

English Abstract

The primary goal of the distribution companies is to deliver quality and reliable power supply to their customers. Any interruption in distribution grids causes’ customer minute loss and most of them occur due to the faults existing for longer periods. Therefore, there is a growing research interest to diagnose distribution grid faults efficiently to reduce outage duration and revenue losses by expediting the restoration process. Unfortunately, the integration of renewable energy resources and their associated uncertainties along with the inherent properties of the distribution grids make their fault diagnosis complicated. However, the recent proliferation of phasor measurement units (PMU) to the electricity grids makes the fault diagnosis easier in addition to their grid observability purpose as they provide reliable and accurate data. The main objective of this dissertation is to develop a versatile intelligent fault diagnosis (IFD) scheme for distribution grids considering the integration of renewable energy resources along with their associated uncertainties. This research starts with proposing a novel optimal PMU placement (OPP) formulation to ensure distribution grid observability under various contingency cases of the electricity grids and channel limitation of the available PMU. With a view to developing the IFD scheme, this dissertation models the distribution feeders incorporating the load demand and renewable energy generation uncertainties. Then, it employs advanced signal processing techniques namely the discrete wavelet transform (DWT) and Stockwell transform (ST) to extract useful features from the PMU recorded current signals. The proposed approach fetches the extracted features as inputs to the machine learning tools including the multilayer perceptron neural network, support vector machine, and extreme learning machine to diagnose i.e., to detect, classify, and locate the faults. Besides, this research confirms the efficacy of the proposed IFD scheme and shows its independence on the load demand and renewable energy generation uncertainties, presence of measurement noise, and fault resistance and inception angle. Finally, this research builds a laboratory prototype IFD scheme by integrating the physical PMU with the Real Time Digital Simulator (RTDS) machine. The presented results validate the effectiveness of the prototype IFD scheme as they show a good agreement with the simulation results.



Item Type:Thesis (PhD)
Subjects:Research
Electrical
Divisions:College Of Engineering Sciences > Electrical Engineering Dept
Committee Advisor:Abido, M. A.
Committee Co-Advisor:Al-Hamouz, Zakariya
Committee Members:El-Amin , Ibrahim Mohamed and Habiballah, Ibrahim Omar and Mahmoud, Kassas
ID Code:140810
Deposited By:MD SHAFIULLAH (g201306850)
Deposited On:20 Sep 2018 08:08
Last Modified:20 Sep 2018 08:08

Repository Staff Only: item control page