Integrating discrete wavelet transform with neural networks and machine learning for fault detection in microgrids

Las microrredes son esenciales para la integración de fuentes de energía renovables a la red eléctrica. Sin embargo, la detección de fallas resulta compleja debido al flujo bidireccional de energía. Los sistemas tradicionales basados ​​en relés presentan dificultades en las microrredes, principalmente debido a las limitadas corrientes de falla provenientes de los inversores de energía renovable conectados a la red. Para abordar estos desafíos, este artículo propone una nueva metodología para la detección y clasificación de fallas en una microrred renovable. Las principales contribuciones abarcan dos aspectos clave. En primer lugar, mejora el rendimiento de la detección de fallas en microrredes caracterizadas por relaciones no lineales, incluyendo sistemas fotovoltaicos, hidrocinéticos y de carga eléctrica variable. En segundo lugar, la combinación de la transformada wavelet discreta con diversos tipos de redes neuronales y técnicas de aprendizaje supervisado proporciona una metodología robusta para la detección y clasificación de fallas. El enfoque propuesto se evalúa utilizando un banco de pruebas de alimentadores IEEE-5 que representa una configuración de red en anillo realista. Los resultados muestran que el modelo de red neuronal de función de base radial presentó resultados prometedores, con un bajo error de predicción de 1,31 × 10⁻³¹, lo que destaca su potencial práctico para mejorar la confiabilidad y el rendimiento del sistema. Además, se llevaron a cabo diversas pruebas modificando la resistencia del suelo para entrenar las redes neuronales, demostrando su eficacia para identificar con precisión las condiciones de falla. Asimismo, esta investigación obtuvo resultados prometedores con otros modelos, como la máquina de vectores de soporte y el modelo autorregresivo no lineal con entrada externa, lo que subraya la adaptabilidad de estos modelos en la detección de fallas.