Разработка устройства для диагностики несимметричных коротких замыканий в воздушных ЛЭП 10 кВ
Ключевые слова:
электрические сети, надежность электроснабжения, короткое замыкание, несимметрия, Arduino, искусственная нейронная сеть, классификация, защита, реальное время
Аннотация
Статья посвящена разработке на базе платформы Arduino интеллектуального микропроцессорного устройства, предназначенного для определения типа и места несимметричного короткого замыкания в воздушных линиях электропередачи напряжением 10 кВ. Устройство анализирует фазные токи и напряжения, а также составляющие нулевой и обратной последовательностей тока и напряжения. Реализован алгоритм, основанный на предварительно обученной нейронной сети типа многослойного персептрона, способной в реальном времени классифицировать 12 различных видов коротких замыканий, включая однофазные, двухфазные и трехфазные, в том числе замыкания на землю. Обучение нейросети проводилось с использованием полученных данных в среде MATLAB/Simulink с последующей интеграцией алгоритма в среду Arduino. Лабораторные испытания макета с моделированием аварийных режимов подтвердили высокую точность (более 95 %), быстродействие (время отклика менее 80 мс) и стабильность работы устройства. Аппаратное решение отличается компактностью, низким энергопотреблением, простотой конфигурации и возможностью визуализации результата. Предложенное устройство может быть эффективно интегрировано в локальные системы мониторинга и релейной защиты. Особенно актуально применение устройства в распределительных сетях 6-10 кВ в условиях ограниченного финансирования, удаленности объектов и необходимости повышения надежности электроснабжения.
Литература
1. Аллаев К.Р., Холиддинов И.Х., Холиддинова М.М. Методология оценки эффективности электрических сетей с использованием нечеткой логики. – Электричество, 2025, № 2, с. 4–14.
2. Кудрин Б.И. Об энергетической стратегии и энергетической безопасности России. – Промышленная энергетика, 2008, № 12, с. 2–7.
3. Aslan Y., Yağan Y.E. Artificial Neural-Network-Based Fault Location for Power Distribution Lines Using the Frequency Spectra of Fault Data. – Electrical Engineering, 2017, vol. 99, pp. 301–311, DOI: 10.1007/s00202-016-0428-8.
4. Santos A.S. et al. Efficient Methodology for Detection and Classification of Short-Circuit Faults in Distribution Systems with Distributed Generation. – Sensors, 2022, vol. 22, DOI: 10.3390/s22239418.
5. Su C. et al. A Two-Terminal Fault Location Fusion Model of Transmission Line Based on CNN-Multi-Head-LSTM with an Attention Module. – Energies, 2023, vol. 16, No. 4, DOI: 10.3390/en16041827.
6. Javadian S.A.M., Haghifam M.-R., Rezaei N. A Fault Location and Protection Scheme for Distribution Systems in Presence of DG Using MLP Neural Networks. – IEEE Power & Energy Society General Meeting, 2009, DOI: 10.1109/PES.2009.5275863.
7. Ning K. et al. A Dual-Path Neural Network for High-Impedance Fault Detection. – Mathematics, 2025, vol. 13(2), DOI: 10.3390/math13020225.
8. Budak S., Akbal B. Estimation of High Impedance Fault Location in Electrical Transmission Lines Using Artificial Neural Networks and R-X Impedance Graph. 2020, DOI: 10.48550/arXiv.2011.03227.
9. Li W. et al. Real-Time Faulted Line Localization and PMU Placement in Power Systems Through Convolutional Neural Networks. – IEEE Transactions on Power Systems, 2018, vol. 34, No. 6, pp. 4640–4651, DOI: 10.1109/TPWRS.2019.2917794.
10. Koley E., Verma K., Ghosh S. An Improved Fault Detection Classification and Location Scheme Based on Wavelet Transform and Modular ANN for Six Phase Lines. – SpringerPlus, 2015, vol. 4 (1), DOI: 10.1186/s40064-015-1342-7.
11. Sarvi M., Torabi S.M. Determination of Fault Location and Type in Distribution Systems using Clark Transformation and Neural Network. – International Journal of Applied Power Engineering, 2012, vol. 1, No. 2, pp. 75–86, DOI: 10.11591/ijape.v1i2.1678.
12. Pat. US 6385561 B1. Automatic Fault Location in Cabling Systems / J.J. Soraghan, W.H. Siew, 2002.
13. А.с. SU 185405 A1. Способ определения расстояния до места повреждения линии электропередачи и связи / Г.М. Шалыт, 1966.
14. Пат. RU 2269789 C1. Способ определения места повреждения линий электропередачи и связи и устройство для его осуществления / А.Л. Куликов, Д.А. Куликов, 2006.
15. Пат. RU 2319972 C1. Способ определения наличия дефектов проводов и кабелей в сегментах сетей с разветвленной топологией / А.В. Карпов, А.Н. Закиров, 2008.
16. Пат. UZ FAP № 01166. Устройство для регистрации дополнительных потерь электроэнергии при несимметрии нагрузок в низковольтных электрических сетях / К.Р. Аллаев, С.Э. Шаисматов, И.Х. Ходиддинов, 2016.
17. Сидоренко О.А. О методах определения симметричных составляющих напряжений и токов по результатам измерений. – Сборник трудов магистрантов Донецкого национального технического университета, 2005, вып. 4.
18. Жежеленко И.В. Показатели качества электроэнергии и их контроль на промышленных предприятиях. М.: Энергоатомиздат, 1986, 168 с.
19. Kholiddinov I., Hоliddinоvа M. Modeling a Block to Determine the Type of Damage to a Power Line Using MATLAB. – Scientific Research, 2025, vol. 5, No. 2, pp. 157–164, DOI: 10.36719/ 2789-6919/42/157-164.
#
1. Allaev K.R., Holiddinov I.H., Holiddinova M.M. Elektrichestvo – in Russ. (Electricity), 2025, No. 2, pp. 4–14.
2. Kudrin B.I. Promyshlennaya energetika – in Russ. (Industrial Power Engineering), 2008, No. 12, pp. 2–7.
3. Aslan Y., Yağan Y.E. Artificial Neural-Network-Based Fault Location for Power Distribution Lines Using the Frequency Spectra of Fault Data. – Electrical Engineering, 2017, vol. 99, pp. 301–311, DOI: 10.1007/s00202-016-0428-8.
4. Santos A.S. et al. Efficient Methodology for Detection and Classification of Short-Circuit Faults in Distribution Systems with Distributed Generation. – Sensors, 2022, vol. 22, DOI: 10.3390/s22239418.
5. Su C. et al. A Two-Terminal Fault Location Fusion Model of Transmission Line Based on CNN-Multi-Head-LSTM with an Attention Module. – Energies, 2023, vol. 16, No. 4, DOI: 10.3390/en16041827.
6. Javadian S.A.M., Haghifam M.-R., Rezaei N. A Fault Location and Protection Scheme for Distribution Systems in Presence of DG Using MLP Neural Networks. – IEEE Power & Energy Society General Meeting, 2009, DOI: 10.1109/PES.2009.5275863.
7. Ning K. et al. A Dual-Path Neural Network for High-Impedance Fault Detection. – Mathematics, 2025, vol. 13(2), DOI: 10.3390/math13020225.
8. Budak S., Akbal B. Estimation of High Impedance Fault Location in Electrical Transmission Lines Using Artificial Neural Networks and R-X Impedance Graph. 2020, DOI: 10.48550/arXiv.2011.03227.
9. Li W. et al. Real-Time Faulted Line Localization and PMU Placement in Power Systems Through Convolutional Neural Networks. – IEEE Transactions on Power Systems, 2018, vol. 34, No. 6, pp. 4640–4651, DOI: 10.1109/TPWRS.2019.2917794.
10. Koley E., Verma K., Ghosh S. An Improved Fault Detection Classification and Location Scheme Based on Wavelet Transform and Modular ANN for Six Phase Lines. – SpringerPlus, 2015, vol. 4 (1), DOI: 10.1186/s40064-015-1342-7.
11. Sarvi M., Torabi S.M. Determination of Fault Location and Type in Distribution Systems using Clark Transformation and Neural Network. – International Journal of Applied Power Engineering, 2012, vol. 1, No. 2, pp. 75–86, DOI: 10.11591/ijape.v1i2.1678.
12. Pat. US 6385561 B1. Automatic Fault Location in Cabling Systems / J.J. Soraghan, W.H. Siew, 2002.
13. A.s. SU 185405 A1. Sposob opredeleniya rasstoyaniya do mesta povrezhdeniya linii elektroperedachi i svyazi (A Method for Determining the Distance to the Location of Damage to Power Lines and Communications) / G.M. Shalyt, 1966.
14. Pat. RU 2269789 C1. Sposob opredeleniya mesta povrezh-deniya liniy elektroperedachi i svyazi i ustroystvo dlya ego osushchestveleniya (A Method for Determining the Location of Damage to Power Transmission and Communication Lines and a Device for Its Implementation) / A.L. Kulikov, D.A. Kulikov, 2006.
15. Pat. RU 2319972 C1. Sposob opredeleniya nalichiya defektov provodov i kabeley v segmentah setey s razvetvlennoy topologiey (A Method for Determining the Presence of Defects in Wires and Cables in Network Segments with an Extensive Topology) / A.V. Karpov, A.N. Zakirov, 2008.
16. Pat. UZ FAP No. 01166. Ustroystvo dlya registratsii dopolnitel'nyh poter' elektroenergii pri nesimmetrii nagruzok v nizkovol'tnyh elektricheskih setyah (A Device for Recording Additional Power Losses in Case of Load Asymmetry in LV Electrical Networks) / K.R. Allaev, S.E. Shaismatov, I.H. Hodiddinov, 2016.
17. Sidorenko O.A. Sbornik trudov magistrantov Donetskogo natsional’nogo tehnicheskogo universiteta – in Russ. (Proceedings of Master Students of Donetsk National Technical University), 2005, iss. 4.
18. Zhezhelenko I.V. Pokazateli kachestva elektroenergii i ih kontrol’ na promyshlennyh predpriyatiyah (Electricity Quality Indicators and Their Monitoring at Industrial Enterprises). M.: Energoatomizdat, 1986, 168 p.
19. Kholiddinov I., Holiddinova M. Modeling a Block to Determine the Type of Damage to a Power Line Using MATLAB. – Scientific Research, 2025, vol. 5, No. 2, pp. 157–164, DOI: 10.36719/ 2789-6919/42/157-164
2. Кудрин Б.И. Об энергетической стратегии и энергетической безопасности России. – Промышленная энергетика, 2008, № 12, с. 2–7.
3. Aslan Y., Yağan Y.E. Artificial Neural-Network-Based Fault Location for Power Distribution Lines Using the Frequency Spectra of Fault Data. – Electrical Engineering, 2017, vol. 99, pp. 301–311, DOI: 10.1007/s00202-016-0428-8.
4. Santos A.S. et al. Efficient Methodology for Detection and Classification of Short-Circuit Faults in Distribution Systems with Distributed Generation. – Sensors, 2022, vol. 22, DOI: 10.3390/s22239418.
5. Su C. et al. A Two-Terminal Fault Location Fusion Model of Transmission Line Based on CNN-Multi-Head-LSTM with an Attention Module. – Energies, 2023, vol. 16, No. 4, DOI: 10.3390/en16041827.
6. Javadian S.A.M., Haghifam M.-R., Rezaei N. A Fault Location and Protection Scheme for Distribution Systems in Presence of DG Using MLP Neural Networks. – IEEE Power & Energy Society General Meeting, 2009, DOI: 10.1109/PES.2009.5275863.
7. Ning K. et al. A Dual-Path Neural Network for High-Impedance Fault Detection. – Mathematics, 2025, vol. 13(2), DOI: 10.3390/math13020225.
8. Budak S., Akbal B. Estimation of High Impedance Fault Location in Electrical Transmission Lines Using Artificial Neural Networks and R-X Impedance Graph. 2020, DOI: 10.48550/arXiv.2011.03227.
9. Li W. et al. Real-Time Faulted Line Localization and PMU Placement in Power Systems Through Convolutional Neural Networks. – IEEE Transactions on Power Systems, 2018, vol. 34, No. 6, pp. 4640–4651, DOI: 10.1109/TPWRS.2019.2917794.
10. Koley E., Verma K., Ghosh S. An Improved Fault Detection Classification and Location Scheme Based on Wavelet Transform and Modular ANN for Six Phase Lines. – SpringerPlus, 2015, vol. 4 (1), DOI: 10.1186/s40064-015-1342-7.
11. Sarvi M., Torabi S.M. Determination of Fault Location and Type in Distribution Systems using Clark Transformation and Neural Network. – International Journal of Applied Power Engineering, 2012, vol. 1, No. 2, pp. 75–86, DOI: 10.11591/ijape.v1i2.1678.
12. Pat. US 6385561 B1. Automatic Fault Location in Cabling Systems / J.J. Soraghan, W.H. Siew, 2002.
13. А.с. SU 185405 A1. Способ определения расстояния до места повреждения линии электропередачи и связи / Г.М. Шалыт, 1966.
14. Пат. RU 2269789 C1. Способ определения места повреждения линий электропередачи и связи и устройство для его осуществления / А.Л. Куликов, Д.А. Куликов, 2006.
15. Пат. RU 2319972 C1. Способ определения наличия дефектов проводов и кабелей в сегментах сетей с разветвленной топологией / А.В. Карпов, А.Н. Закиров, 2008.
16. Пат. UZ FAP № 01166. Устройство для регистрации дополнительных потерь электроэнергии при несимметрии нагрузок в низковольтных электрических сетях / К.Р. Аллаев, С.Э. Шаисматов, И.Х. Ходиддинов, 2016.
17. Сидоренко О.А. О методах определения симметричных составляющих напряжений и токов по результатам измерений. – Сборник трудов магистрантов Донецкого национального технического университета, 2005, вып. 4.
18. Жежеленко И.В. Показатели качества электроэнергии и их контроль на промышленных предприятиях. М.: Энергоатомиздат, 1986, 168 с.
19. Kholiddinov I., Hоliddinоvа M. Modeling a Block to Determine the Type of Damage to a Power Line Using MATLAB. – Scientific Research, 2025, vol. 5, No. 2, pp. 157–164, DOI: 10.36719/ 2789-6919/42/157-164.
#
1. Allaev K.R., Holiddinov I.H., Holiddinova M.M. Elektrichestvo – in Russ. (Electricity), 2025, No. 2, pp. 4–14.
2. Kudrin B.I. Promyshlennaya energetika – in Russ. (Industrial Power Engineering), 2008, No. 12, pp. 2–7.
3. Aslan Y., Yağan Y.E. Artificial Neural-Network-Based Fault Location for Power Distribution Lines Using the Frequency Spectra of Fault Data. – Electrical Engineering, 2017, vol. 99, pp. 301–311, DOI: 10.1007/s00202-016-0428-8.
4. Santos A.S. et al. Efficient Methodology for Detection and Classification of Short-Circuit Faults in Distribution Systems with Distributed Generation. – Sensors, 2022, vol. 22, DOI: 10.3390/s22239418.
5. Su C. et al. A Two-Terminal Fault Location Fusion Model of Transmission Line Based on CNN-Multi-Head-LSTM with an Attention Module. – Energies, 2023, vol. 16, No. 4, DOI: 10.3390/en16041827.
6. Javadian S.A.M., Haghifam M.-R., Rezaei N. A Fault Location and Protection Scheme for Distribution Systems in Presence of DG Using MLP Neural Networks. – IEEE Power & Energy Society General Meeting, 2009, DOI: 10.1109/PES.2009.5275863.
7. Ning K. et al. A Dual-Path Neural Network for High-Impedance Fault Detection. – Mathematics, 2025, vol. 13(2), DOI: 10.3390/math13020225.
8. Budak S., Akbal B. Estimation of High Impedance Fault Location in Electrical Transmission Lines Using Artificial Neural Networks and R-X Impedance Graph. 2020, DOI: 10.48550/arXiv.2011.03227.
9. Li W. et al. Real-Time Faulted Line Localization and PMU Placement in Power Systems Through Convolutional Neural Networks. – IEEE Transactions on Power Systems, 2018, vol. 34, No. 6, pp. 4640–4651, DOI: 10.1109/TPWRS.2019.2917794.
10. Koley E., Verma K., Ghosh S. An Improved Fault Detection Classification and Location Scheme Based on Wavelet Transform and Modular ANN for Six Phase Lines. – SpringerPlus, 2015, vol. 4 (1), DOI: 10.1186/s40064-015-1342-7.
11. Sarvi M., Torabi S.M. Determination of Fault Location and Type in Distribution Systems using Clark Transformation and Neural Network. – International Journal of Applied Power Engineering, 2012, vol. 1, No. 2, pp. 75–86, DOI: 10.11591/ijape.v1i2.1678.
12. Pat. US 6385561 B1. Automatic Fault Location in Cabling Systems / J.J. Soraghan, W.H. Siew, 2002.
13. A.s. SU 185405 A1. Sposob opredeleniya rasstoyaniya do mesta povrezhdeniya linii elektroperedachi i svyazi (A Method for Determining the Distance to the Location of Damage to Power Lines and Communications) / G.M. Shalyt, 1966.
14. Pat. RU 2269789 C1. Sposob opredeleniya mesta povrezh-deniya liniy elektroperedachi i svyazi i ustroystvo dlya ego osushchestveleniya (A Method for Determining the Location of Damage to Power Transmission and Communication Lines and a Device for Its Implementation) / A.L. Kulikov, D.A. Kulikov, 2006.
15. Pat. RU 2319972 C1. Sposob opredeleniya nalichiya defektov provodov i kabeley v segmentah setey s razvetvlennoy topologiey (A Method for Determining the Presence of Defects in Wires and Cables in Network Segments with an Extensive Topology) / A.V. Karpov, A.N. Zakirov, 2008.
16. Pat. UZ FAP No. 01166. Ustroystvo dlya registratsii dopolnitel'nyh poter' elektroenergii pri nesimmetrii nagruzok v nizkovol'tnyh elektricheskih setyah (A Device for Recording Additional Power Losses in Case of Load Asymmetry in LV Electrical Networks) / K.R. Allaev, S.E. Shaismatov, I.H. Hodiddinov, 2016.
17. Sidorenko O.A. Sbornik trudov magistrantov Donetskogo natsional’nogo tehnicheskogo universiteta – in Russ. (Proceedings of Master Students of Donetsk National Technical University), 2005, iss. 4.
18. Zhezhelenko I.V. Pokazateli kachestva elektroenergii i ih kontrol’ na promyshlennyh predpriyatiyah (Electricity Quality Indicators and Their Monitoring at Industrial Enterprises). M.: Energoatomizdat, 1986, 168 p.
19. Kholiddinov I., Holiddinova M. Modeling a Block to Determine the Type of Damage to a Power Line Using MATLAB. – Scientific Research, 2025, vol. 5, No. 2, pp. 157–164, DOI: 10.36719/ 2789-6919/42/157-164
