Güç sistemlerinde geçici hal kararsızlığının ve gelişiminin derin öğrenme ve karar ağacı tabanlı yöntemler ile geniş alan ölçümlerine dayalı olarak erken kestirimi
Wide area measurement based early prediction of power system transient instability and its evolution using deep learning and decision tree based algorithms
- Tez No: 569712
- Danışmanlar: PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 128
Özet
Son yıllarda, modern güç sistemlerinde, sistem gözlenebilirliğinin ve güvenliğinin artırılması için Geniş Alan İzleme Koruma ve Kontrol (GAİKOK) sistemleri tesis edilmektedir. GAİKOK sistemlerinde kullanılagelen Fazör Ölçüm Birimleri (FÖB) vasıtasıyla elde edilen senkrofazör ölçümlerinin izlenmesi ve değerlendirilmesi ile beraber, sistemde oluşan arızaların belirlenmesi ve bu arızalar sonucu gelişen sistem kararsızlıklarının erken tespit edilmesi günümüz teknolojisinde mümkün gözükmektedir. FÖB'lerden elde edilen gerçek zaman senkrofazör ölçümlerinin makine öğrenmesi tabanlı yöntemlerle değerlendirilerek güç sisteminin çevrimiçi sürekli izlenerek, olası arıza durumlarına sınıflandırılması çalışmanın birinci kısmını oluşturmaktadır. Arızanın meydana gelme ve sistemden temizlenme zamanlarının yüksek doğrulukla tespit edilmesi, güç sistemi kararsızlıklarının değerlendirilmesi ve düzeltici kontrol uygulamaları için bir tetikleyici sinyal görevi görmektedir. Geniş alan ölçümleri ile sistemin olası arıza durumlarının;“arıza yok”,“arıza oldu”,“arıza devam ediyor”ve“arıza temizlendi”olarak gerçek zamanlı sınıflandırılması, sistemi herhangi bir kararsızlıktan korumak için alınacak önlemlere karar vermek/başlatmak için gereken ilk adımı oluşturmaktadır. Bu çalışma kapsamında makine öğrenmesi tabanlı sınıflandırıcı olarak Evrişimli Sinir Ağları (ESA) ve karar ağacı tabanlı bir topluluk öğrenme modeli olan LightGBM kullanılmaktadır. Yapılan çalışmalar sonucunda olası arıza durumları yüksek doğrulukla sınıflandırılmaktadır. Elektrik güç sistemlerinde sistem güvenliğini tehdit eden kritik arızalar sonrasında oluşan geçici hal kararsızlıkları, hızla gelişen geniş çaplı sistem çökmelerine neden olabilmektedir. FÖB ölçümlerinin güç sistemlerindeki artan sayısı ile birlikte kontrol merkezlerinde büyük hacimli veriler toplanmaktadır. Makine öğrenmesi teknikleri aracılığı ile kontrol merkezlerinde toplanan bu büyük veriler üzerinden sistem kararlılık durumu hakkında bilgi sahibi olmak mümkündür. Önerilen GAİKOK sisteminin ikinci aşaması ile büyük ölçekli enterkonnekte güç sistemlerinde ani ve hızlı gelişen kritik geçici hal kararsızlıklarının, gerçek zamandan hızlı (erken) tespit edilmesi amaçlanmaktadır. Sistemde gelişebilecek geçici hal karasızlıklarının çevrimiçi ve erken tespit edilmesi için, zamana bağlı değişen arıza sonrası senkrofazör ölçümleri makine öğrenmesi teknikleri ile değerlendirilecektir. Arızanın temizlenmesinin ardından kısa bir gözlem penceresinden alınacak olan geniş alan ölçümleri, sistem kararlılık durumunun kestiriminde kullanılacaktır. Bu yaklaşımla, sistemdeki olası kararsızlık durumları henüz ilk safhalarındayken belirlenerek uygun kontrol eylemlerinin başlatılması ve sistemde yaşanabilecek büyük çaplı çökmelerinin önüne geçilebilmesi sağlanabilecektir. Geçici hal kararsızlığının erken kestirimi çalışmaları kapsamında, yanlış bir şekilde kestirilen“kararsız”bir durumunun getireceği maliyet, yanlış bir şekilde kestirilen“kararlı”durumun yol açacağı maliyetten çok daha fazladır. Bu probleme çözüm olarak, çevrimdışı eğitim esnasında kullanılan kayıp fonksiyonunda her bir sınıf için ağırlıklar tanımlanması ve yanlış bir şekilde kestirilen“kararsız”örneklerin kayıp fonksiyonunda daha fazla cezalandırılması için“kararsız”örneklerin ağırlıklarının,“kararlı”örneklere göre yüksek değerlerde seçilmesi önerilmektedir. Bu çalışma kapsamında öncelikle ağırlıksız kayıp fonksiyonu ile çevrimdışı eğitim ve çevirimiçi test aşamaları gerçekleştirilecektir. Ardından literatürde yapılan çalışmalardan farklı olarak yukarda tanımlanan problemin çözümü için“kararlı”ve“kararsız”örnekler için ağırlıkların nasıl belirlenebileceği tartışılmaktadır. Ağırlıkların belirlenmesi için hem sınıf bazında hemde arıza önem derecesi bazında olmak üzere iki farklı yöntem önerilmektedir. Önerilen yöntemlerden sınıf bazlı eğitim, sınıflandırıcının kararsız örnekler üzerindeki performansını, nicelik olarak her iki test sisteminde de arttırmıştır. Önerilen diğer yöntem olan, arıza önem derecesi tabanlı eğitim ise ağırlıksız duruma göre hem nicelik hem de nitelik olarak, sınıflandırıcının kararsız örnekler üzerindeki performansını arttırmıştır. Elde edilen sonuçlar, sınıf bazlı veya örnek bazlı ağırlıklandırılmış kayıp fonksiyonu ile eğitilmiş ESA'nın, kararsız örnekler üzerindeki iyileştirilmiş performanslarından dolayı çevrimiçi uygulamalar için uygun olduğunu göstermektedir. Güç sisteminde meydana gelen bozucu etkinin sistemi geçici hal kararsızlığına götüreceği anlaşıldığında, sistem işletmecisinin acil durum önleyici kontrol eylemlerini planlaması ve en kısa sürede uygulaması gerekir. Ancak oluşan her kararsızlık durumu için önerilebilecek eylemler aynı değildir. Sistemde kararsızlık durumunun oluşacağı belirlendiğinde, kararsızlığı meydana getiren bozucu etkinin önem derecesi ölçülmeli ve kestirilmelidir. Geçici hal kararsızlığının erken kestirimi ile elde edilen kararlılık durumu bilgisi, kararsızlık durumuna karşı alınacak olan düzeltici kontrol eylemlerinin planlanması için yeterli bilgiyi sağlamamaktadır. Tez çalışmasının üçüncü ve son bölümünde, önem derecesinin erken kestirimi problemi birçok sınıflı (multi-class) sınıflandırma problemi olarak ele alınmaktadır. Çalışmanın son kısmını oluşturan arıza önem derecesinin kestirimi çalışmaları kapsamında, geçici hal kararsızlığının erken kestirimi sonrası belirli bir süre daha arıza sonrası sistem dinamiklerinin gelişmesi beklenerek, arızanın gelişimine dair bir kestirim yapılmaktadır. Sistem kararlılık durumunun elde edilmesinin ardından yine bir sınıflandırıcı tarafından erken kestirimi gerçekleştirilecek olan arıza önem derecesi bilgisini, sistem kararlılık durumunu destekleyici nitelikte bir bilgi olarak görmek mümkündür. Yapılan çalışmalar, Evrişimli Sinir Ağlarının arıza önem derecesinin erken kestirimi problemi için gürültülü ölçümler olması durumunda da yüksek performans sergilediğini göstermiştir. Arıza önem derecesinin erken kestirimi çalışmalarının, arıza sonrası gelişen sistem dinamikleri hakkında önceden bilgi sahibi olabilmek adına Geniş Alan İzleme Koruma ve Kontrol sistemleri için yeni bir uygulama olabileceği elde edilen sonuçlar ile görülmektedir.
Özet (Çeviri)
In recent years, Wide Area Measurement Protection and Control (WAMPAC) systems are adopted in modern power systems to increase the system observability and security. Today's technology enables to identify the faults that are occurring in system and to detect instabilities subsequent to faults by monitoring and evaluating the data acquired from Phasor Measurement Units (PMUs) that are deployed in WAMPAC systems. The first part of the study is the continuous online monitoring of the power system and classification of power system status to possible faulty conditions by analyzing real time synchrophasor measurements that are collected from PMUs. This is done by means of machine learning based methods. The real-time classification of possible faulty conditions of the system with wide area measurements constitutes the first step to decide/initiate measures to protect the system from any instability. These possible faulty states are:“no fault”,“fault occurrance”,“fault-on”and“fault clearance”. In this study, convolutional neural networks are used to process large volumes of data. In addition to convolutional neural networks, the performance of the LightGBM (Light Gradient Boosting Machine) model, a decision tree based ensemble learning method, is also tested. As input to the machine learning models, positive sequence voltage magnitude trajectories are taken from the PMUs which are assumed to be present only in the generator buses. As a result of the studies performed, possible faulty conditions are classified with high accuracy. Catastrophic faults that lead to transient instability in electrical power systems may trigger fast evolving widespread outages such as blackouts. Large volumes of data are collected at the control centers with the increasing number of PMUs' measurements in power systems. It is possible to have information about the stability of the system through these big data collected at the control centers by means of machine learning techniques. In the second part of the thesis, it is aimed to detect the instantaneous and fast propagating transient instabilities that are occurring in large scale interconnected power systems faster (earlier) than real time. Wide area measurements to be taken from a short observation window after fault clearance will be used to estimate the system stability status. With this approach, it is possible to identify the possible instability situations in the system while it is still in its early stages and to initiate appropriate control actions and to prevent major collapses in the system. Within the scope of early prediction of transient instability studies, if the classifier predicts an instance that is actually“stable”as“unstable, the emergency control actions to be taken will attempt to make the system stronger and have little impact on the reliability and stability of the power system. However, if the classifier predicts an instance that is actually ”unstable“ as ”stable, it may cause the power system to collapse, as no measures will be taken to prevent system collapse. Therefore, the cost of wrong decision of actual unstable instance is much higher than vice versa. As a solution to this problem, it is recommended to define weights for each class in the loss function used during offline training. And it is recommended that the weights of the“unstable”instances be selected at higher values than the“stable”samples in order to penalize the mis-predicted“unstable”samples more in the loss function. In the scope of this study, first of all offline training and online test stages will be performed without weights. Then, unlike the studies carried out in the literature, it is discussed how to determine the weights for“stable”and“unstable”instances for solving the problem described above. Two different methods are proposed for determination of weights, both on the basis of class and severity index. Class-based training, increased the classifier's performance on unstable instances in both test systems. Severity index-based training, increased the performance of the classifier on unstable instances both quantitatively and qualitatively. The results show that the CNN trained with the class-based or severity index -based weighted loss function is suitable for online applications due to its improved performance on unstable instances. Stability status information obtained by early prediction of transient instability does not provide sufficient information for planning corrective control actions to be taken against instabilities. Last and third step of the thesis is to predict the severity index of the fault again utilizing the synchrophasor measurements, soon after online determination of a fault clearance. The problem of early prediction of severity index is considered as a multi-class classification problem. After obtaining the system stability status, it is possible to see the severity index information which will be predicted by a classifier as a supportive of the system stability status. Studies have shown that CNN perform well even in the case of noisy measurements for the problem of early prediction of the severity index. It is seen that early prediction of severity index studies may be a new application for Wide Area Monitoring Protection and Control systems in order to have information in advance for evolving system dynamics.
Benzer Tezler
- Data-driven prediction and emergency control of transient stability in power systems towards a risk-based optimal power flow operation
Güç sistemlerinde risk tabanlı optimal güç akışı işletimineyönelik geçici hal kararlılığın veri güdümlü tahmini veacil durum kontrolü
SEVDA JAFARZADEH
Doktora
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. VEYSEL MURAT İSTEMİHAN GENÇ
- Wide-area measurement-based early prediction and corrective control for transient stability in power systems
Güç sistemlerinde geçici hal kararlılığı için geniş alan ölçümlerine dayalı erken kestirim ve düzeltici kontrol
MOHAMMED S.M. MAHDI
Doktora
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- An artificial neural network based emergency controller to improve transient stability in power systems
Güç sistemlerinde geçici kararlılığı artırmak için yapay sinir ağı tabanlı acil durum kontrolörü
KASRA MONTAKHABI OSKOUEI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Elektrik enerji sistemlerinde bilgisayar destekli kararlılık analizi ve uygulaması
Computer aided stability analysis of electrical energy systems and application
OKAN ÖRS
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiBilecik Şeyh Edebali ÜniversitesiEnerji Sistemleri Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KURBAN
- Gri kurt algoritması kullanarak geçici hal kararlılık kısıtlı çok amaçlı optimal güç akışı çözümü
Transient stability constrained multi-objective optimal power flow using grey wolf algorithm
RIDVAN BAYANCIK
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiEge ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ULAŞ KILIÇ