Publicación: Clasificación y localización de fallas en sistemas de transmisión con IBR mediante CNN-LSTM
Autores
Resumen en español
Los sistemas de transmisión modernos enfrentan nuevos desafíos en la protección y localización de fallas debido a la creciente penetración de recursos basados en inversores (IBR). A diferencia de la generación convencional, los IBR presentan lazos de control rápidos y mecanismos de limitación de corriente que alteran significativamente la respuesta dinámica del sistema ante fallas, reduciendo la efectividad y la confiabilidad de los esquemas de protección tradicionales basados en magnitudes fasoriales y supuestos de comportamiento estacionario. En este contexto, se propone un enfoque híbrido para la clasificación y localización de fallas en sistemas de transmisión, basado en la Transformada de Clarke y una arquitectura de aprendizaje profundo CNN--LSTM. La Transformada de Clarke se emplea para obtener una representación compacta de las señales trifásicas de tensión y corriente, mientras que la red CNN permite la extracción automática de características espaciales relevantes, y la red LSTM modela la dependencia temporal asociada a los transitorios de falla. El modelo es entrenado y evaluado utilizando datos obtenidos a partir de simulaciones detalladas del sistema, considerando distintos tipos de falla, ubicaciones a lo largo de la línea, variaciones operativas y escenarios tanto con generación convencional como con alta penetración de IBR. Los resultados obtenidos muestran un desempeño robusto del modelo propuesto en ambos escenarios, evidenciando su capacidad para capturar las dinámicas no lineales introducidas por los convertidores electrónicos de potencia y mantener una estimación precisa del tipo y la ubicación de la falla. En conjunto, el enfoque presentado se perfila como una alternativa viable y prometedora para aplicaciones avanzadas de protección y monitoreo en sistemas de potencia modernos.
Resumen en inglés
Modern transmission systems face new challenges in fault protection and location due to the increasing penetration of inverter-based resources (IBRs). Unlike conventional generation, IBRs exhibit fast control loops and current-limiting mechanisms that significantly modify the dynamic response of the system during fault conditions, reducing the effectiveness and reliability of traditional protection schemes based on phasorial quantities and steady-state assumptions. In this context, a hybrid approach for fault classification and location in transmission systems is proposed, based on the Clarke Transform and a CNN--LSTM deep learning architecture. The Clarke Transform is employed to obtain a compact representation of three-phase voltage and current signals, while the CNN enables the automatic extraction of relevant spatial features and the LSTM captures the temporal dependencies associated with fault transients. The model is trained and evaluated using data obtained from detailed system simulations, considering different fault types, locations along the line, operating conditions, and scenarios with both conventional generation and high IBR penetration. The obtained results demonstrate a robust performance of the proposed model under both scenarios, highlighting its ability to capture the nonlinear dynamics introduced by power electronic converters while maintaining accurate fault type classification and fault location estimation. Overall, the proposed approach emerges as a viable and promising solution for advanced protection and monitoring applications in modern power systems.
PDF 
FLIP 
