DOI: https://doi.org/10.1038/s41598-025-31417-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41501238
تاريخ النشر: 2026-01-07
المؤلف: Ahmed G. Abo‐Khalil وآخرون
الموضوع الرئيسي: كشف العزلة في أنظمة الطاقة
نظرة عامة
تتناول البحث التحدي الحاسم لاكتشاف العزلة في أنظمة الطاقة الشمسية المتصلة بالشبكة، مشددة على قيود طرق الانجراف الترددي النشط الحالية، لا سيما مناطق عدم الكشف الكبيرة (NDZ) ومعلمات الاضطراب الثابتة. للتغلب على هذه القضايا، يقترح المؤلفون طريقة جديدة مدفوعة بالذكاء الاصطناعي تعتمد على الانجراف الترددي النشط القابل للتكيف باستخدام التعلم المعزز (RL) لتحسين سلوك الاضطراب ديناميكيًا. تركز هذه الطريقة على ضبط نسبة القطع ($C_f$) وعامل التصحيح المحسن ($C_r’$)، الذي يتم تحديثه بناءً على معدل تغير التردد ($\frac{df}{dt}$) و $C_f$. تشير النتائج إلى أن طريقة AFD القابلة للتكيف تحسن بشكل كبير من سرعة اكتشاف العزلة إلى 0.12-0.17 ثانية وتقلل من NDZ إلى أقل من 1%، مع الحفاظ على تشويه التوافقيات الكلي (THD) ضمن ≤2%.
في الختام، تظهر خوارزمية AFD القابلة للتكيف المعتمدة على التعلم المعزز استجابة محسنة وامتثال لمتطلبات IEEE Std. 929 لاكتشاف العزلة. يسمح إطار Q-learning الخفيف الوزن الخاص بالطريقة بضبط المعلمات في الوقت الحقيقي، مما يجعلها مناسبة لتطبيقات العاكس المدمجة. تؤكد التحقق التجريبي فعاليتها، على الرغم من أن المؤلفين يشيرون إلى قيود في ظروف الشبكة الضعيفة أو المشوهة بشدة، حيث قد تتعرض الموثوقية للخطر. ستستكشف الأبحاث المستقبلية تطبيق هذه الطريقة على تكوينات الميكروغريد الأكثر تعقيدًا وتقييم قابليتها للتوسع من خلال محاكاة متعددة العاكس واختبار الأجهزة في الحلقة (HIL).
مقدمة
تستعرض مقدمة ورقة البحث التطور التاريخي لتوليد الطاقة الكهربائية، بدءًا من التوليد المشترك المحلي في أواخر القرن التاسع عشر إلى هيمنة محطات الطاقة الكبيرة والأنظمة المركزية. تم دفع هذا التحول من خلال زيادة الطلب على الطاقة والتقدم التكنولوجي، مما قلل من دور التوليد اللامركزي. ومع ذلك، فإن التقلبات الأخيرة في أسعار النفط، وارتفاع تكاليف التشغيل، والمخاوف البيئية، والتقدم في التقنيات البديلة قد دفعت عدة دول إلى إعادة هيكلة قطاعات الكهرباء لديها. تهدف هذه إعادة الهيكلة إلى تعزيز المنافسة والموثوقية والمرونة في سوق الطاقة، مما يسهل ظهور أنظمة التوليد الموزع (DG) التي تسمح للمنتجين المشتركين بالاتصال مباشرة بشبكة التوزيع.
تؤكد الورقة على أهمية معالجة التحديات التشغيلية المرتبطة بـ DG، لا سيما ظاهرة العزلة، حيث يستمر نظام التوليد الموزع في تزويد الشبكة بالطاقة بعد الانفصال عن الشبكة الرئيسية. تشكل هذه الحالة مخاطر كبيرة على السلامة، بما في ذلك الجهد والتردد غير المنضبطين، مما قد يعرض كل من المستهلكين وعمال المرافق للخطر. للتخفيف من هذه المخاطر، تعتبر طرق اكتشاف العزلة الفعالة ضرورية، كما تقتضي اللوائح مثل IEEE Std. 1547، التي تتطلب من أنظمة الطاقة الشمسية الانفصال في غضون ثانيتين من اكتشاف حدث العزلة. تسلط المقدمة أيضًا الضوء على مفهوم منطقة عدم الكشف (NDZ)، وهو أمر حاسم لفهم قيود تقنيات اكتشاف العزلة.
طرق
تركز النتائج التجريبية المقدمة في هذا القسم على أداء خوارزمية الانجراف الترددي النشط المحسن (AFD) لاكتشاف العزلة خلال حدث فصل الشبكة. توضح الشكل 8 استجابة النظام، مشددة على المعلمات الرئيسية مثل جهد الشبكة ($V_{\text{grid}}$)، جهد العاكس ($V_{\text{inv}}$)، تردد النظام، وإشارات التحكم. قبل العزلة، يبقى $V_{\text{grid}}$ مستقرًا؛ ومع ذلك، عند الانفصال، ينخفض إلى الصفر، مما يؤكد فقدان الاتصال بالمرافق. يستمر جهد العاكس في البداية في تزويد الأحمال المحلية بالطاقة ولكنه يبدأ في التدهور، مما يشير إلى الانخراط النشط لآلية اكتشاف العزلة.
تبدأ استجابة التردد، الموضحة في الشكل 8(c)، عند 60 هرتز مستقر ولكنها تزيد بعد العزلة بسبب الاضطراب الذي أدخلته خوارزمية AFD. تساعد هذه الزيادة في انحرافات التردد في تسريع عملية الاكتشاف، مما يؤدي في النهاية إلى تفعيل آلية الفصل عندما تتجاوز الانحرافات الحدود المسموح بها. يوضح الشكل 8(d) إشارة التحكم ($C_r’$)، التي تشهد انتقالًا ملحوظًا عند اكتشاف حالة العزلة، مما يؤكد إيقاف تشغيل العاكس. الوقت الإجمالي من حدوث العزلة إلى فصل العاكس هو حوالي 0.12 ثانية، وهو أقل بكثير من متطلبات IEEE Std. 929 البالغة ثانيتين، مما يوضح فعالية خوارزمية AFD المحسنة في ضمان اكتشاف العزلة بسرعة وامتثال.
نتائج
تظهر نتائج الدراسة أن طريقة اكتشاف العزلة المضادة المعتمدة على التعلم المعزز (RL) القابلة للتكيف (AFD) تتفوق بشكل كبير على تقنيات AFD التقليدية. تشير النتائج الرئيسية إلى أن هذه الطريقة تحقق أوقات اكتشاف العزلة في نطاق المللي ثانية، مما يضمن الامتثال لمعايير الشبكة ويحسن استجابة النظام. علاوة على ذلك، فإن الضبط الديناميكي للمعلمات يقلل بشكل فعال من منطقة عدم الكشف (NDZ)، وهي قيود حاسمة في طرق AFD التقليدية.
تساهم تنفيذ استراتيجية التعلم المعتمدة على المكافآت المحسنة أيضًا في تقليل الاضطرابات في الشبكة، مما يمنع الاهتزازات غير الضرورية ويحافظ على جودة الطاقة. تسمح قابلية توسيع النهج المعتمد على RL بتطبيقه بشكل فعال على أنظمة الطاقة الشمسية (PV) بأحجام مختلفة وتحت ظروف شبكة مختلفة. تعزز هذه المزايا مجتمعة من موثوقية وكفاءة AFD في بيئات الشبكة الذكية المعاصرة. تختتم القسم بعرض نتائج المحاكاة والتجارب التي تؤكد التقنيات المقترحة التي تم مناقشتها في القسم 3.
مناقشة
في قسم المناقشة من الورقة، يتم تقييم تقنيات اكتشاف العزلة المختلفة لأنظمة الطاقة الشمسية المتصلة بالشبكة، مع تسليط الضوء على نقاط قوتها وضعفها. تعتبر التقنيات السلبية، التي تراقب معلمات مثل الجهد والتردد، فعالة ولكنها غالبًا ما تظهر منطقة عدم كشف كبيرة (NDZ)، خاصة تحت ظروف تحميل معينة. تقدم التقنيات النشطة، مثل الانجراف الترددي النشط (AFD)، اضطرابات لاكتشاف العزلة ولكن يمكن أن تؤدي إلى تدهور جودة الطاقة والاستقرار. تؤكد الورقة على الحاجة إلى تحسين الطرق لتقليل NDZ وتعزيز موثوقية الاكتشاف، لا سيما في السيناريوهات التي تحتوي على أحمال مقاومية، وحثية، وسعوية (RLC) متوازية، والتي تشكل تحديات للتقنيات الحالية.
الحل المقترح يتضمن طريقة AFD القابلة للتكيف المعتمدة على التعلم المعزز (RL) التي تضبط ديناميكيًا نسبة القطع ($C_f$) وعامل التصحيح الجديد ($C_r’$) بناءً على ردود الفعل الفورية للنظام. تهدف هذه الطريقة إلى تحسين سرعة الاكتشاف وتقليل الاضطرابات مع الحفاظ على الامتثال لمعايير مثل IEEE Std. 929 وIEEE Std. 1547. يتعلم وكيل RL التكيف مع المعلمات استجابةً لظروف الشبكة المتغيرة، مما يحسن بشكل كبير من دقة الاكتشاف ويقلل من NDZ. تؤكد التحقق التجريبي فعالية الطريقة في تعزيز موثوقية اكتشاف العزلة مع ضمان جودة الطاقة، مما يمثل تقدمًا كبيرًا في مجال أنظمة الطاقة الشمسية المتصلة بالشبكة.
DOI: https://doi.org/10.1038/s41598-025-31417-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41501238
Publication Date: 2026-01-07
Author(s): Ahmed G. Abo‐Khalil et al.
Primary Topic: Islanding Detection in Power Systems
Overview
The research addresses the critical challenge of islanding detection in grid-connected photovoltaic (PV) systems, highlighting the limitations of existing active frequency drift (AFD) methods, particularly their large non-detection zones (NDZ) and fixed perturbation parameters. To overcome these issues, the authors propose a novel AI-driven adaptive AFD method utilizing reinforcement learning (RL) to dynamically optimize perturbation behavior. This approach focuses on adjusting the chopping fraction ($C_f$) and an enhanced correction factor ($C_r’$), which is updated based on the rate of change of frequency ($\frac{df}{dt}$) and $C_f$. The results indicate that the adaptive AFD method significantly improves islanding detection speed to 0.12-0.17 seconds and reduces the NDZ to below 1%, while maintaining total harmonic distortion (THD) within ≤2%.
In conclusion, the proposed reinforcement-learning-based adaptive AFD algorithm demonstrates enhanced responsiveness and compliance with IEEE Std. 929 requirements for islanding detection. The method’s lightweight Q-learning framework allows for real-time parameter tuning, making it suitable for embedded inverter applications. Experimental validation confirms its effectiveness, although the authors note limitations in weak or highly distorted grid conditions, where reliability may be compromised. Future research will explore the application of this method to more complex microgrid configurations and assess its scalability through multi-inverter simulations and hardware-in-the-loop (HIL) testing.
Introduction
The introduction of the research paper outlines the historical evolution of electrical energy generation, transitioning from localized cogeneration in the late 19th century to the dominance of large power plants and centralized systems. This shift was driven by increasing energy demand and technological advancements, which diminished the role of decentralized generation. However, recent fluctuations in oil prices, high operational costs, environmental concerns, and advancements in alternative technologies have prompted several countries to restructure their electricity sectors. This restructuring aims to enhance competition, reliability, and flexibility in the energy market, facilitating the emergence of distributed generation (DG) systems that allow co-producers to connect directly to the distribution grid.
The paper emphasizes the importance of addressing operational challenges associated with DG, particularly the phenomenon of islanding, where a distributed generation system continues to supply power to the grid after disconnection from the main network. This situation poses significant safety risks, including uncontrolled voltage and frequency, which can endanger both consumers and utility workers. To mitigate these risks, effective islanding detection methods are essential, as mandated by regulations such as IEEE Std. 1547, which requires PV systems to disconnect within 2 seconds of detecting an islanding event. The introduction also highlights the concept of the non-detection zone (NDZ), which is critical for understanding the limitations of islanding detection techniques.
Methods
The experimental results presented in this section focus on the performance of an Enhanced Active Frequency Drift (AFD) algorithm for islanding detection during a grid disconnection event. Figure 8 illustrates the system’s response, highlighting key parameters such as grid voltage ($V_{\text{grid}}$), inverter voltage ($V_{\text{inv}}$), system frequency, and control signals. Prior to islanding, $V_{\text{grid}}$ remains stable; however, upon disconnection, it drops to zero, confirming the loss of utility connection. The inverter voltage initially continues to supply power to local loads but begins to decay, indicating the active engagement of the islanding detection mechanism.
The frequency response, shown in Figure 8(c), starts at a stable 60 Hz but increases post-islanding due to the perturbation introduced by the AFD algorithm. This amplification of frequency deviations aids in accelerating the detection process, ultimately triggering the disconnection mechanism when deviations exceed permissible limits. Figure 8(d) depicts the control signal ($C_r’$), which experiences a marked transition upon detection of the islanding condition, confirming the inverter’s shutdown. The total time from islanding occurrence to inverter disconnection is approximately 0.12 seconds, significantly below the IEEE Std. 929 requirement of 2 seconds, demonstrating the effectiveness of the Enhanced AFD algorithm in ensuring rapid and compliant islanding detection.
Results
The results of the study demonstrate that the reinforcement learning (RL)-based adaptive anti-islanding detection (AFD) method significantly outperforms traditional AFD techniques. Key findings indicate that this method achieves islanding detection times in the milliseconds range, thereby ensuring compliance with grid standards and improving system responsiveness. Furthermore, the dynamic tuning of parameters effectively reduces the non-detection zone (NDZ), which is a critical limitation in conventional AFD methods.
The implementation of an optimized reward-based learning strategy also contributes to minimizing grid disturbances, thereby preventing unnecessary oscillations and preserving power quality. The scalability of the RL-based approach allows it to be effectively applied to photovoltaic (PV) systems of varying sizes and under different grid conditions. Collectively, these advantages enhance the reliability and efficiency of AFD in contemporary smart grid environments. The section concludes with a presentation of simulation and experimental results that validate the proposed techniques discussed in Section 3.
Discussion
In the discussion section of the paper, various islanding detection techniques for grid-connected photovoltaic (PV) systems are evaluated, highlighting their strengths and weaknesses. Passive techniques, which monitor parameters like voltage and frequency, are effective but often exhibit a significant Non-Detection Zone (NDZ), particularly under specific load conditions. Active techniques, such as Active Frequency Drift (AFD), introduce disturbances to detect islanding but can degrade power quality and stability. The paper emphasizes the need for improved methods to reduce NDZ and enhance detection reliability, particularly in scenarios with parallel resistive, inductive, and capacitive (RLC) loads, which pose challenges for existing techniques.
The proposed solution involves a reinforcement learning (RL)-based adaptive AFD method that dynamically adjusts the chopping fraction ($C_f$) and a newly introduced correction factor ($C_r’$) based on real-time system feedback. This approach aims to optimize detection speed and minimize disturbances while maintaining compliance with standards like IEEE Std. 929 and IEEE Std. 1547. The RL agent learns to adapt parameters in response to varying grid conditions, significantly improving detection accuracy and reducing NDZ. Experimental validation demonstrates the method’s effectiveness in enhancing islanding detection reliability while ensuring power quality, marking a significant advancement in the field of grid-connected PV systems.