REINFORCEMENT LEARNING BASED APPROACH FOR ENHANCED PROTECTION RELAYS IN AC MICROGRIDS. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF (PhD thesis) Thesis_desertation_Final__Submitted5.pdf Restricted to Repository staff only until 20 November 2026. Download (7MB)

Arabic Abstract

تُعرف مرحلات الحماية باستقرارها وموثوقيتها وقدرتها على التمييز بين الأعطال، مما يوفر حماية فعالة للمعدات. ومع ذلك، فإن التيارات الناتجة عن الأعطال عالية المقاومة غالبًا ما تشبه تيارات الأحمال من حيث القيم، مما يشكل تحديات أمام مرحلات الحماية وقد يؤدي إلى فشلها في العمل خلال هذه الأعطال. تقدم هذه الأطروحة نموذجًا قائمًا على التعلم المعزز العميق كحل مكمل لمرحلات الحماية، مصممًا للكشف الدقيق عن الأعطال ذات المقاومة العالية والمنخفضة في الشبكات الكهربائية التي تحتوي على مولدات طاقة متجددة. تتضمن النماذج المقترحة تطوير نموذج حماية المسافات باستخدام بنية هجينة تجمع بين الشبكات العصبية الالتفافية (CNN) ووحدات الذاكرة ذات التكرار المقيد (GRU) ، مما يتيح الكشف عن السيناريوهات المعقدة للأعطال من خلال استغلال الميزات المكانية والزمنية للبيانات. بالإضافة إلى ذلك، تم تطبيق إطار عمل قائم على التعلم المعزز باستخدام الشبكات العصبية ذات الانتباه الزمني الملتف (TCAN) على مرحلات حماية المسافات، مما يُحسن من قدرات التمييز بين الأعطال واتخاذ القرارات. تشمل التحسينات الإضافية تطوير نموذج للحماية التفاضلية يعتمد على إطار عمل TCAN ، حيث تم تصميم هذا النموذج خصيصًا للكشف عن الأعطال وعزلها في المعدات مثل المحولات والمولدات. كما تم تقديم نموذج للحماية من تيار الحمل الزائد الاتجاهي باستخدام مبادئ التعلم المعزز المستندة إلى TCAN ، والذي يُعزز وظائف المرحلات من خلال دمج اتجاه الأعطال في عملية التشغيل. تُعالج هذه النماذج بشكل جماعي التحديات الرئيسية المتعلقة بالكشف عن الأعطال وتساهم في تطوير مرحلات حماية موثوقة وفعّالة لأنظمة الطاقة الحديثة. وقد تم التحقق من أداء النماذج المقترحة باستخدام تكوين جهاز تحكم نموذجي يعتمد على الدائرة المغلقة للأجهزة (C-HIL) مُدمج بمحاكي رقمي في الوقت الحقيقي (RTDS) . أظهرت الاختبارات الشاملة التي أجريت على شبكات مختلفة تحتوي على مصادر طاقة متجددة كفاءة النموذج ومتانته ومقاومته للضوضاء في ظل سيناريوهات تشغيل وأعطال متنوعة. كما تؤكد النتائج التجريبية إمكانية تطبيق النموذج في الوقت الفعلي، مع تحقيق دقة تقارب 100% وتفوقت كثيرا على أنظمة الحماية التقليدية.

English Abstract

Protection relays are known for their stability, reliability, and ability to discriminate faults, safeguarding equipment effectively. Among these, specific types such as distance relays, differential relays, and directional overcurrent relays have played vital roles in safeguarding power systems. Distance relays are known for their ability to protect transmission lines by measuring impedance to detect faults. Differential relays excel in protecting equipment like transformers, lines, and generators by detecting differences in currents entering and leaving a system. Directional overcurrent relays add enhanced functionality by considering fault direction to provide selective and reliable protection. However, high-impedance fault currents, which often resemble load currents in magnitude, continue to pose challenges, potentially leading to operational failures during such faults. This dissertation introduces a Deep Reinforcement Learning (DRL)-based model as a complementary solution to protection relays, designed to accurately detect both low- and high-impedance faults in AC grids with distributed generation (DG). The proposed models includes A distance protection model that is developed using a hybrid architecture that combines Convolutional Neural Networks (CNN) and Gated Recurrent Units (GRU), enabling the detection of complex fault scenarios by leveraging spatial and temporal data features. Additionally, a Temporal Convolution Attention-Based Neural Network (TCAN) reinforcement learning framework is applied to distance protection relays, improving their fault discrimination and decision-making capabilities. Further enhancements include the development of a differential protection model based on the TCAN framework. A directional overcurrent protection model is also introduced, employing TCAN reinforcement learning principles to integrate fault directionality into relay operations. These models collectively address critical challenges in fault detection and contribute to the advancement of reliable and efficient protection relays for modern power systems. The performance of introduced models is validated through a prototype controller Hardware-in-the-Loop (C-HIL) configuration integrated with a Real-Time Digital Simulator (RTDS). Comprehensive testing across various networks incorporating distributed energy resources confirms the model's efficiency, robustness, and noise immunity under diverse fault conditions and operating scenarios. Experimental results highlight the model's potential for real-time applications, achieving near-perfect accuracy and substantially outperforming conventional protection schemes.

Item Type:	Thesis (PhD)
Subjects:	Electrical
Department:	College of Engineering and Physics > Electrical Engineering
Committee Advisor:	Abido, M. A.
Committee Co-Advisor:	Al-Ismail, F.S.
Committee Members:	Kassas, M. and Habiballah, I.O. and Khalid, M.
Depositing User:	MOHAMMED AL-SABA (g199523500)
Date Deposited:	30 Nov 2025 05:12
Last Modified:	30 Nov 2025 05:12
URI:	http://eprints.kfupm.edu.sa/id/eprint/143753