Impedance-Based Approach for Locating Short-Circuit Faults in Inverter-Based Active Distribution Networks
Notice bibliographique
Résumé
This paper proposes an impedance-based approach for locating short-circuit faults in active distribution networks (DNs). This topic is a crucial task for operators, especially in grids with inverter-based distributed generators (IBDGs). Various methods have been proposed in this research area, including traveling waves, impedance-based methods, and artificial intelligence (AI) techniques. Among them, the impedance-based scheme provides a simple and efficient feature that could be used in AI-based techniques. In this paper, an enhanced fault localization method based on impedance estimation is introduced. This method comprises two main components: (i) fault distance determination and (ii) faulty section identification. When developing the proposed method, the modeling of inverter-based resources under symmetrical and asymmetrical faults is considered, which includes the impact and behavior of such sources in the proposed approach. Unlike conventional impedance-based methods, the proposed approach does not require network information such as structure, lines, load data, or voltage and current measurements along the feeder at multiple points. The proposed method can be utilized as a feature in AI-based techniques, significantly enhancing accuracy and reducing the complexity of such techniques. To validate the efficacy of the proposed approach, various series of time-domain case studies are performed, in addition to mathematical proofs. The results demonstrate the effectiveness of the proposed scheme in accurately locating faults with varying resistances at different positions in the presence of inverter-based distributed generators.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».