Enhanced fault detection in low voltage distribution systems with innovative methods

Abstract

Dengesiz üç fazlı akımlar, güç dağıtım sistemlerinde (GDS) açık iletken arızalarının tespitini ve sınıflandırılmasını karmaşık hale getiren doğrusal olmayan sistem dinamikleri oluşturur. Mevcut literatürdeki geleneksel arıza tespit yöntemleri, eksik veri erişimi ve yetersiz modelleme teknikleri nedeniyle bu problemle baş etmede sınırlı performans sergilemektedir. Bu çalışma, söz konusu kısıtlamaları aşmak amacıyla Uzun-Kısa Vadeli Bellek (LSTM) tabanlı Karmaşık Değerli Sinir Ağları (CVNN) entegrasyonuna dayalı hibrit bir derin öğrenme mimarisi önermektedir. Yöntem, dengesiz üç fazlı dağıtım ağlarında açık iletken arızalarının tespiti ve çoklu senaryo bazlı sınıflandırılmasını hedeflemektedir. Faz dengesizliğini minimize etmek ve arıza sinyallerindeki karşıt faz bileşenlerini elimine etmek için Orantılı Topoloji Optimizasyonu (PPTO) tekniği uygulanmış; böylece arıza tespiti için yüksek kaliteli sinyal temsili sağlanmıştır. Özellik çıkarımı ve topolojik durum tahmini için, DenseNet tabanlı önceden eğitilmiş bir model, dayanıklılığı artırılmış veri temsilleriyle entegre edilmiştir. CVNN mimarisi, karmaşık değerli girdi-ağırlık uzayında hızlı hesaplama kapasitesi sunan TensorFlow Sıralı API ile gerçeklenmiş ve güç sistemlerindeki karmaşık sinyal yapılarının işlenmesi optimize edilmiştir. Önerilen yöntem, üç heterojen veri kümesinde 5-kat çapraz doğrulama ile test edilmiş ve şu performans metriklerini elde etmiştir: Sınıflandırma Doğruluğu: %99,83 / %98,22 / %98,22 F1-Skor: 0,8881 / 0,9983 / 0,88 Hassasiyet: 0,9207 / 0,9983 / 0,92 Geri Çağırma: 0,8578 / 0,9983 / 0,85 AUC (Eğri Altı Kalan Alan): 0,9433 / 0,9917 / 0,9958 Karşılaştırmalı analizlerde, yöntem Destek Vektör Makineleri (SVM), Karar Ağaçları (DT) ve Rastgele Orman (RF) gibi geleneksel sınıflandırıcıları performans açısından geride bırakmıştır. Ayrıca, (1) Stockwell Dönüşümü + SVM, (2) Hızlı Fourier Dönüşümü + SVM ve (3) Hilbert-Huang Dönüşümü + Güç Spektral Yoğunluk Analizi gibi son teknoloji yöntemlere kıyasla daha yüksek genelleme yeteneği sergilemiştir.Sonuç olarak, önerilen hibrit mimari, gerçek zamanlı arıza teşhisi için yüksek doğruluk, kararlılık ve hesaplama verimliliği sağlayarak dinamik yük profillerine sahip endüstriyel DGS’lerinde uygulanabilirliğini kanıtlamıştır. Çalışma, derin öğrenme tabanlı sistemlerin enerji dağıtım altyapılarında kritik arızaların proaktif yönetimini nasıl destekleyebileceğine dair metodolojik bir çerçeve sunmaktadır.

Enhanced fault detection in low voltage distribution systems with innovative methods Unbalanced three-phase currents introduce nonlinear system dynamics in power distribution systems (PDS), complicating the detection and classification of open-conductor faults. Conventional fault detection methodologies in the literature exhibit limited performance due to insufficient data availability and inadequate modelling techniques. To overcome these limitations, this study proposes a hybrid deep learning architecture integrating Long Short-Term Memory (LSTM) with Complex-Valued Neural Networks (CVNNs). The method aims to detect and classify open-conductor faults in unbalanced three-phase distribution networks under multiple operational scenarios. A Proportional Topology Optimization (PPTO) technique was applied to mitigate phase imbalance and eliminate adverse phase components in fault signals, thereby enhancing signal quality for accurate fault detection. For feature extraction and topological state prediction, a pre-trained DenseNet model was integrated with robust data representations. The CVNN framework, implemented using TensorFlow Sequential API, leverages complex-valued inputs and weights to enable rapid computation, effectively processing entangled signal patterns common in power systems. The proposed approach was validated on three heterogeneous datasets using 5-fold cross-validation, achieving the following performance metrics: - Classification Accuracy: 99.83% / 98.22% / 98.22% F1-Score: 0.8881 / 0.9983 / 0.88 Precision: 0.9207 / 0.9983 / 0.92 Recall: 0.8578 / 0.9983 / 0.85 AUC (Area Under the Curve): 0.9433 / 0.9917 / 0.9958 Comparative analyses demonstrated the pre-eminence of the proposed methodology over traditional classifiers such as Support Vector Machines (SVM), Decision Trees (DT), and Random Forests (RF). It also outperformed state-of-the-art techniques,including (1) Stockwell Transform + SVM, (2) Fast Fourier Transform + SVM, and (3) Hilbert-Huang Transform + Power Spectral Density Analysis. In conclusion, the hybrid architecture achieved high accuracy, stability, and computational efficiency, proving its applicability for real-time fault diagnosis in industrial PDS with dynamic load profiles. This study provides a methodological framework for leveraging deep learning systems to enable proactive management of critical faults in energy distribution infrastructure.