Application of hybrid simulation and improvement of decision tree algorithms for real-time transient stability prediction based on PMU measurements
PMU ölçümlerine dayalı gerçek zamanda geçici hal kararlılığı kestirimi için hibrit simülasyon uygulaması ve karar ağacı algoritmalarının geliştirilmesi
- Tez No: 655363
- Danışmanlar: PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 87
Özet
Artan yük talebiyle ağırlaşan ve aynı zamanda yenilenebilir enerji kaynaklarının yüksek entegrasyonu nedeniyle eşi görülmemiş olan stresli çalışma koşulları nedeniyle, modern güç sistemleri, muhtemel beklenmedik olaylara/bozucu etkilere karşı daha savunmasız hale gelmiştir. Bu beklenmedik durumlar bazen kademeli arızalara dönüşebilecek ve hatta ciddi kesintilere yol açabilecek bir dizi koruma eylemini tetikleyebilir. Güç sistemini geçici hal kararsızlığına sürükleyen bir arıza durumunda, acil durum kontrol işlemlerini gerçekleştirmek ve yeterli zaman sağlamak için güvenlik durumunun hızlı bir şekilde tahmin edilmesi hayati olabilir. Son yıllarda, Makine Öğrenimi (MÖ) teknikleri de dahil olmak üzere yapay zekâ yöntemleri, güç sistemlerinin gerçek zamanlı Geçici Hal Kararlılık Değerlendirmesine (GKD), temel olarak sistem kararlılık durumunun kesin ve hızlı bir değerlendirmesini sağlama kabiliyetleri nedeniyle, geniş ölçüde uygulanmıştır. Denetimli makine öğrenimi modelleri, bir güç sisteminin kararlılık durumu ile farklı baraların zaman senkronizasyonlu fazör ölçümleri arasındaki karmaşık ilişkiyi kolayca öğrenebildiğinden, çevrimiçi uygulamalar için geliştirilecek büyük miktarlarda sentezlenmiş senkrofazör verileriyle eğitilirler. Pratik sistemlerde, senkrofazörler, DC ve uyumlu bozulmalar, geçişler ve giriş sinyallerindeki gürültüler gibi farklı dalga şekli bozulmalarının varlığında Fazör Ölçüm Birimleri (FÖD'lar) tarafından ölçülür. Genel olarak, bu tür dalga biçimi bozulmaları, FÖD'ların işleyişini önemli ölçüde bozabilir. Bu bozukluklar, MÖ tabanlı algoritmaları yanıltabilecek yanlış ve hatalı ölçümlere yol açar. Sonuç olarak, hatalı ölçümleri, MÖ tabanlı GKD modellerine beslemeden önce ortadan kaldırmak veya azaltmak gerekir. Temel olarak, ölçüm hatalarını ortadan kaldırmak veya azaltmak için genel ve güvenilir bir algoritma tasarlamanın ve geliştirmenin ilk gerekliliği, FÖD veri kümelerinin gerçek temsillerini sağlayan geniş bir gerçekçi senkrofazör veri kümesinin özelliklerini analiz etmektir. Geleneksel olarak, GDK çalışmalarında, büyük ölçekli senkrofazör verileri, fazör tabanlı veya yarı-statik simülasyon yöntemleriyle üretilir. Bununla birlikte, fazör tabanlı simülatörlerin çıktıları genellikle gerçek FÖD verilerinin özniteliklerinden yoksundur. Bu, gerçekçi olmayan, hatasız senkrofazörler üretilmesine yol açar. Açıkçası, hatasız veriler pratik verilere iyi bir alternatif değildir ve bunları eğitim veya doğrulama süreçlerinde kullanmak güvenilmez algoritmalar oluşturmaya neden olabilir. Ayrıca araştırmacıların idealist, deneysel sonuçlara dayalı yanlış sonuçlar çıkarmasına neden olabilir. Literatürde, nominal sinüzoidal rejimin dışında kesin ve gerçekçi yanıtlar elde etmek için farklı bileşenlerin geniş bant modellerini modellemek için önerilen birçok Elektromanyetik Geçici Hal (EGH) tabanlı benzetim tekniği vardır. Bununla birlikte, tam EGH tipi benzetimler işlem süresiyle ilgili sınırlamalara sahip değildir. EGH tipi programlar tarafından üretilen sentetik veriler çok gerçekçi olsa da ağır hesaplama yükü, uygulamalarını kısıtlamaktadır. Büyük ölçekli gerçekçi FÖD verilerinin üretilmesiyle ilgili yukarıda belirtilen sorunlara göre, bu tezin ilk amacı, makul bir zamanda çok sayıda gerçekçi senkrofazör verisi oluşturmak için yeni bir hibrit tip benzetim yöntemi önermektedir. Hibrit tip benzetiminin temel amacı, orijinal ağı, gerekli modelleme doğruluğuna dayanarak, bir parça fazör tabanlı simülatörü tarafından benzetimi yapılırken diğeri EGH simülatörü tarafından yürütülecek şekilde iki parçaya bölünmektir. Daha ayrıntılı ve doğru sonuçların gerekli olduğu daha küçük kısım için EGH tipi benzetim kullanılır. Bu bölüm FÖD'leri veya dinamik davranışları ayrıntılı modellerinin daha küçük zaman adımlarıyla benzetimlerini gerçekleştirerek daha doğru bir şekilde karakterize edilecek diğer herhangi bir elemanı içerebilir. Ağın geniş bölümlerini kucaklayan diğer bölümün fazör tabanlı simülatörü tarafından benzetimi gerçekleştirilir. Bu kısımda, bileşenlerin daha az ayrıntılı modelleri yeterli olmakla birlikte, simülatörün hızlı hesaplama yeteneği önemlidir. Buna göre, ara yüz fazör tabanlı ve EGH simülatörleri, her iki simülatörün esasını devralan bir hibrit tip benzetimi oluşturur. Makine öğrenimi tabanlı GKD modellerinde tahmin edilebilir değişkenler olarak kullanılmak üzere yeterli miktarda gerçekçi FÖD verisi oluşturulduktan sonra, ikinci amaç olarak, öznitelik alanından oldukça hatalı ölçümleri verimli bir şekilde kaldırarak veya FÖD ölçüm hatalarını Yapay Sinir Ağı (YSA) tekniklerini kullanarak azaltarak girdi veri kümesini önceden işlemeye çalışırız. Bu bağlamda, ilk olarak, hatalı ölçümleri öznitelik uzayından izole etmek ve kaldırmak için yeni bir senkrofazör veri düzenleme yöntemi önerilmiştir. Bu yöntemle, zaman serisi ölçümlerinin hatalı bölümleri etkin bir şekilde kaldırılırken, kalan ilgili bilgiler geçici hal kararlılık tahmin doğruluğunu artırmak için saklanır. Ardından, hatalı ölçümlerle başa çıkmanın ikinci ve ana yöntemi olarak, ölçüm hatalarını azaltmak için YSA tabanlı bir algoritma kullanılır. Bu yaklaşımda, iki katmanlı bir YSA, üç farklı ağ eğitim fonksiyonu ile eğitilir (örneğin, Ölçekli Eşlenik Gradyan (ÖEG), Levenberg-Marquardt (LM) ve Bayes Düzenleme (BD)) ve ardından performansları değerlendirilir ve Ortalama Kare Hata (OKH), Regresyon R-Değeri (RRD) ve Eğitim Yakınsama Hızı (EYH) dikkate alınarak karşılaştırılır. ÖEG geri yayılım algoritması, satır araması gerektirmeyen tek eşlenik gradyan algoritmasıdır ve çok iyi bir genel amaçlı eğitim algoritmasıdır. LM geri yayılım algoritması. Orta büyüklükteki ağlar için hızlı bir eğitim algoritmasıdır. Ayrıca eğitim seti çok büyük olduğunda kullanım için hafıza azaltma özelliğine sahiptir. BR geri yayılım algoritması, iyi genelleşen ağlar üretmek için LM eğitim algoritmasının değiştirilmiş formudur. Optimum ağ mimarisini belirleme zorluğunu yeterince azaltır. İyi bir genelleme başarımı elde etmek için, 585.000 eğitim örneği sinir ağına beslenir. Eğitim prosedürü, maksimum döneme (100) ulaştığında veya genelleme gelişmeyi bıraktığında otomatik olarak durur. Ağ eğitildikten sonra, yani tüm ağırlıkların ve önyargıların ayarlanması, test örnekleri ile test edilebilir. Uygulanan modellerin başarımlarının kapsamlı bir görüntüsüne sahip olmak için bunları 409.500 geciktirme örneği ile test ediyoruz. Önerilen yöntemlerin etkinliği 127 baralı BSKK (Batı Sistemleri Koordinasyon Konseyi) test sisteminde test edilmiştir. BSKK127- baralı sistemi, düğümlerin ve dalların sayısını azaltarak BSKK179- baralı sisteminden türetilmiştir. Bu sistem, benzer geçici kararlılık değerlendirme çalışmaları için ünlü bir test sistemidir. 127 bara'lık sistemde 37 generatör ve 211 iletim hattı bulunmaktadır. 127-baralı sisteminde gerilim fazörleri, kararlılık tahmini için en uygun olarak konumlandırılmış sınırlı sayıda FÖD'den elde edilmektedir. Çalışma kapsamında gerçekleştirilen benzetimler sonucunda, makine öğrenmesi tabanlı GKD modellerinin yüksek doğruluktan sapmasının sebebi olarak senkrofazör ölçümlerinin içerdiği yüksek hata oranları olduğu görülmüştür. Bu hatalı veriler ya öznitelik alanından kaldırılır ya da YSA tabanlı bir hata azaltma algoritması kullanarak kısmen düzeltilir. Geçici hal kararlılık tahmin doğruluğunun, hatalı ölçümler izole edildiğinde ve öznitelik alanından çıkarıldığında %3'e, YSA teknikleri kullanılarak ölçüm hataları azaltıldığında ise %7'ye kadar arttığı gösterilmiştir. Çalışma kapsamında gerçekleştirilen benzetimler sonucunda, makine öğrenmesi tabanlı GKD modellerinin yüksek doğruluktan sapmasının sebebi olarak seknrofazör ölçümlerinin içerdiği yüksek hata oranları olduğu görülmüştür. Bu hatalı veriler ya öznitelik alanından kaldırılır ya da YSA tabanlı bir hata azaltma algoritması kullanarak kısmen düzeltilir. Geçici hal kararlılık tahmin doğruluğunun, hatalı ölçümler izole edildiğinde ve öznitelik alanından çıkarıldığında %3'e, YSA teknikleri kullanılarak ölçüm hataları azaltıldığında ise %7'ye kadar arttığı gösterilmiştir.
Özet (Çeviri)
Because of the stressed operating conditions, which are aggravated by the growing load demand, and which are also unprecedented due to the high penetration of renewable energy sources, modern power systems have become more vulnerable to their credible contingencies. These contingencies could sometimes trigger a series of protection actions that might develop into cascading failures and might even lead to serious blackouts. In case of a disturbance driving the power system to transient instability, a fast prediction of its security status could be vital for allowing sufficient time to take emergency control actions. Recently, artificial intelligence methods, including Machine Learning (ML) techniques, have been broadly applied to real-time Transient Stability Assessment (TSA) of power systems, mainly because of their high capability to provide a precise and quick assessment of system stability status. Since supervised ML models can easily learn the complex relationship between the stability status of a power grid and the time-synchronized phasor measurements of different buses, they are trained by a vast amount of synthesized synchrophasor data to be developed for on-line applications. In practical systems, synchrophasors are measured by the Phasor Measurement Units (PMUs) in the presence of different waveform distortions such as DC and harmonic distortions, transients, and noises on their input signals. Generally, such waveform distortions can significantly impair the functioning of the PMUs. These impairments lead to inaccurate, uninformative, and erroneous measurements that can mislead the ML-based algorithms. As a result, it is necessary to remove or mitigate erroneous measurements before feeding them to ML-based TSA models. Basically, the first requirement to design and develop a general and reliable algorithm for removing or mitigating measurement errors is analyzing the characteristics of a large set of realistic synchrophasor data that providing true representations of PMU datasets. Conventionally, in TSA studies, large-scale synchrophasor data are generated by phasor-based or quasi-static simulation methods. However, outputs of phasor-based simulators are often devoid of actual PMU data attributes. This leads to generating unrealistically error-free synchrophasors. Obviously, error-free data is not a good alternative to the practical data, and using them either in training or validation process may result in creating unreliable and pseudo-accurate algorithms and also could cause specialists to make incorrect conclusions based on idealistic, experimental results. In the literature, there have been many Electromagnetic Transient (EMT)-based simulation techniques proposed for modeling broadband models of different components in order to achieve precise and realistic responses outside the nominal sinusoidal regime. Nevertheless, fully EMT-type simulations are not without limitations related to processing time. Although the synthetic data generated by EMT-type programs are very realistic, the heavy computational burden restricts their application. According to the aforementioned problems associated with producing a large scale of realistic PMU data, the first objective of this thesis is to propose a new hybrid-type simulation method to generate a vast amount of realistic synchrophasor data at a reasonable time. Once a sufficient amount of realistic PMU data are generated to be used as predictor variables in ML-based TSA models, as the second objective, we attempt to preprocess input dataset by efficiently removing highly erroneous measurements from feature space or by mitigating PMU data errors using Artificial Neural Network (ANN) techniques. In this respect, at first, a new method of synchrophasor data arrangement is proposed to isolate and remove erroneous measurements from feature space. With this method, the erroneous parts of the time-series measurements are effectively removed, while the remaining relevant information is retained to enhance the transient stability prediction accuracy. Next, as a second, and main, method of dealing with erroneous measurements, an ANN-based algorithm is used to mitigate the measurement errors. In this approach, a two-layer ANN is trained with three different network training functions (e.g., Levenberg-Marquardt (LM), Scaled Conjugate Gradient (SCG), and Bayesian Regularization (BR)), and then their performances are evaluated and compared considering the Mean Squared Error (MSE), Regression R-Value (RRV), and Training Convergence Speed (TCS). The efficacy of the proposed methods is investigated in 127-bus WSCC (Western Systems Coordinating Council) test system. Throughout the precise and innovative simulations of the study, it is found out that, in sub-transient and transient conditions, the dataset of synchrophasor measurements contain a large amount of erroneous data, which are the fundamental cause of the derailment of ML-based TSA models. These erroneous data are either removed from feature space or partially corrected using an ANN-based error mitigation algorithm. It is shown that the transient stability prediction accuracy improves up to 3% when the erroneous measurements are isolated and removed from feature space, and it enhances up to 7% when the measurement errors are mitigated using ANN techniques.
Benzer Tezler
- Tam zamanında üretim sistemi ve imalat kaynak planlaması (MRP II) sistemi ile ilişkileri
Just-in-time productıon system and its relatıons with MRP II (Material Resource Plannıng)
BAYBARS ELİÇİN
Yüksek Lisans
Türkçe
1993
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiDOÇ.DR. MEHMET TANYAŞ
- MRP ve Jit üretim yöntemi sistemlerinin incelenmesi ve karşılaştırılması
Başlık çevirisi yok
H.BURÇİN FALAY
Yüksek Lisans
Türkçe
1997
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. BÜLENT DURMUŞOĞLU
- Optimizing rotary-wing UAV trajectory tracking: A comparative study of optimization methods
Döner kanatlı İHA yörünge takibinin optimize edilmesi: Optimizasyon yöntemlerinin karşılaştırmalı bir çalışması
AHMET SABAH
Yüksek Lisans
İngilizce
2024
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL BAYEZİT
- Melez akış tipi çizelgeleme problemi için tepkisel bir algoritma
A reactive algorithm for the hybrid flow shop scheduling problem
ABDULLAH AKTEL
Doktora
Türkçe
2015
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET MUTLU YENİSEY
- Ürün geliştirme projeleri için yalın ilkelere dayalı melez proje kontrol sistemi tasarımı
Hybrid project control system design for product development projects based on lean principles
SERDAR BAYSAN
Doktora
Türkçe
2015
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET BÜLENT DURMUŞOĞLU