Geri Dön

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

PDF İndir

  1. Tez No: 765502
  2. Yazar: SEVDA JAFARZADEH
  3. Danışmanlar: PROF. VEYSEL MURAT İSTEMİHAN GENÇ
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 118

Özet

Güç sistemlerinin düşük maliyetli ve güvenilir çalışması, sistem işletmecilerinin ana endişelerinden biridir. Ortabatı ve Kuzeydoğu ABD'de 14 Ağustos 2003'te meydana gelen elektrik kesintisi gibi son 20 yılda meydana gelen büyük elektrik kesintileri, milyonlarca müşteri için çok pahalı ve maliyetli etkilere neden olmuşlardır. Bu nedenle, güç sisteminin güvenilirliği, güç sisteminin çalışmasında önemli bir faktördür. Acil bir durum için uygun bir kararlılık tahmini ve kontrol şemasının geliştirilmesi bu çalışmanın ana hedefleri arasındadır. Bu çalışmada, PMU'lardan elde edilen sinyallerin kullanıldığı güç sistemlerinde gerçek zamanlı geçici hal kararlılık tahmini (Transient Stability Prediction (TSP)) için iki farklı yaklaşımla yeni metodolojiler önerilmiş ve incelenmiştir. Önerilen ilk yöntem, sistemin kararlılığını tahmin etmek için bir sınıflandırıcıya girdi olarak PMU sinyallerinin hesaplanan enerjisini bir ölçüm penceresinde alan sinyal işleme ve makine öğrenme yaklaşımlarına dayanmaktadır. Çok katmanlı algılayıcılar (Multi-layered perceptron (MLP'ler)), karar ağaçları (DT) ve Naive Bayes (NB) sınıflandırıcıları olan çeşitli sınıflandırıcı türleri kullanılır. TSP için kullanılan ölçüm penceresini seçmeye yönelik iki alternatif yaklaşım geliştirilmiş olup, burada uygun ölçüm penceresini oluşturmak için sahip çok katmanlı algılayıcı MLP temelli bir arıza tespit süreci de önerilmiştir. Bir yaklaşım, yalnızca arıza sonrası ölçümlerin sabit bir penceresini kullanmak, diğer yaklaşım ise arıza öncesi, arıza esnası ve arıza sonrası aşamaları kapsayan genişleyen bir ölçüm penceresi kullanmaktır. Arıza tespit prosedürü, önerilen metodolojinin çevrimiçi çerçevesinin alt süreçlerinden biridir. Bir arızanın başlangıcını tespit etmek ve arıza esnası ve arıza sonrası aşamaları belirlemek için, bir sinir ağı sınıflandırıcısı çevrim dışı olarak eğitilir. Eğitim için gerekli veri seti, farklı baralarda farklı arıza temizleme sürelerinde meydana gelen çok sayıda olası arızaya maruz kalan güç sisteminin simüle edilmesiyle elde edilen bir bilgi tabanından türetilir. Veri kümesindeki her örneğin giriş vektörü, ölçümler penceresindeki gerilim büyüklüğü zaman serisidir. Herhangi bir örnekde, örneğin penceresi bir hata periyoduyla örtüşüyorsa“1”olarak etiketlenir, aksi takdirde“0”olarak etiketlenir. Bu sınıflandırma görevi için, oluşturulan veri seti ile eğitilmiş bir gizli katmana sahip çok katmanlı bir algılayıcı (MLP) sinir ağı, önerilen metodolojideki süreçlerle entegre edilmeye uygun ve etkili bir sınıflandırıcı olarak bulunmuştur. Bir arıza ile ilişkili fazlar (aşamalar), sınıflandırıcı çıkışının“0”dan“1”e değişmesiyle arıza periyodu başladığından,“arıza öncesi”,“arıza durumu”ve“arıza sonrası”olarak tanımlanır. ′′ ve ardışık olarak“0”olduğunda biter. Başka bir deyişle, sınıflandırıcı bir hata oluşuncaya kadar 0 etiketi verir ve daha sonra sınıflandırıcının giriş penceresi arıza aşaması ile ilgili herhangi bir ölçüm içermeyene kadar çıkışı“1”olacaktır. Bir arızayı tespit ettikten ve sonraki aşamalarını belirledikten sonra, güç sisteminin geçici hal kararlılığı, gelişen dinamiklerin ardışık üç aşamasından alınan PMU ölçümlerini benimseyen güvenilir bir sınıflandırıcı tarafından çevrimiçi olarak tahmin edilir. Bu tezde incelenen sınıflandırıcılar, MLP, Naive Bayes ve karar ağacı modelleri olan makine öğrenme araçlarıdır. Bu çalışmada, sınıflandırıcı tarafından kullanılacak ölçüm penceresi için iki alternatif yaklaşım öneriyoruz: (a) arıza öncesi, arıza sonrası ve arıza sonrası aşamaların genişleyen bir PMU ölçümleri penceresi, (b) arıza sonrası sabit boyutlu PMU ölçüm penceresi. İlk yaklaşımda, ön arızadan ve sistemin dahil edilmesinden yararlanıyoruz. İkinci yaklaşımda, sınıflandırıcıya girişi karmaşıklaştırmadan yalnızca gelişen dinamikleri karakterize eden hata sonrası dinamikler kullanılır. Her iki yaklaşım için de, sınıflandırıcıyı eğitmeden önce, bara gerilim büyüklükleri veya faz açıları olan PMU sinyallerinin karşılık gelen segmentine uygun bir özellik çıkarma yöntemi uygulanır. Özellik çıkarımı, Hilbert katsayıları kullanılarak her sinyalinin enerji hesabıyla gerçekleştirilir. TSP'de enerji konseptinin kullanılması, ölçüm gürültülerine ve eksik verilere karşı dayanıklı (robust) tahminler sağlarken farklı boyutlarda sinyalleri işleme esnekliği sağlar. Ayrıca, özellik seçim (feature selection) yöntemlerini doğrudan uygulanabilir hale getirerek TSP'yi daha az sayıda PMU ile mümkün kılar. Önerilen yöntemler, iki farklı test sistemine ve büyük ölçekli Türkiye iletim sisteminin bir modeline uygulanmıştır. İkinci yaklaşımda, bir güç sisteminin gerçek zamanlı olarak geçici kararlılığını tahmin etmek için Koopman modu (Koopman mode) analizine dayalı yeni bir metodoloji önerilmiştir. Yöntem, PMU ölçümlerinin kayan bir örnekleme penceresine dayalı olarak sistemin kararlılığını değerlendirir ve gelecekteki örnekleri tahmin ederek ve hesaplanan Koopman özdeğerlerini inceleyerek gelişen kararsızlıkları tespit eder. Bu yöntemde sistem sürekli olarak izlenir ve PMU'lardan ardışık olarak kayan ölçüm pencereleri elde edilir. Her ölçüm penceresi için Koopman tabanlı kararlılık tahmin yöntemi gerçekleştirilir. Bu süreç, bir bozulmanın başlamasını takiben geçici hal kararlılığının gelişimini değerlendirmek için güç sisteminin açı dinamiklerini sürekli olarak izler ve buna göre sistemin kararlılık durumunu sınıflandırır. Her zaman penceresi için, sistemin kararlılığının mevcut durumu aşağıdakilerden biri olarak sınıflandırılır: (a) kararlı, (b) kararsız veya (c) alarm durumu. Bu yaklaşım aynı zamanda, sınırlı bir zaman ufkunda gelecekteki örnekleri tahmin ederek tespit edilemeyen, yavaş gelişen kararsızlıkları içeren alarm durumlarını da belirleyebilir. Bu koşulların belirlenmesi, gerektiğinde gerçekleştirilecek bir dizi uygun acil durum kontrol eyleminin hazırlanması için ek süre sağlar. Bir sınıflandırma modelinin tahmin başarısı, yanlış pozitifleri ve yanlış negatifleri içeren bir karışıklık matrisi kullanılarak değerlendirilebilir. Bu çalışmada incelenen tahmin problemi göz önüne alındığında, önerilen yaklaşımın başarısı, kararsızlıkların ne kadar erken doğru tahmin edildiğine çok bağlıdır: Kayan bir ölçüm penceresi kullanarak ardışık sınıflandırma sürecini benimseyen bu yöntem ve alternatifleri, tahmin için izin verilen sürenin yeterince büyük olduğu tüm durumlar için %100 doğru olduğunu kanıtlamaktadır. Kararsızlığın erken tahmini, gerçek zamanlı stabilite tahmininde çok önemli olduğundan, bir kararsızlığın tespitinden kesin bir forma dönüşmesine kadar geçen süre, gerçek zamanlı bir kararlılık değerlendirme sürecinin başarısını değerlendirmede önemli bir faktördür. Bu çalışmada hem tahmin doğruluğu hem de kararsızlıkları tespit etmek için harcanan zaman dikkate alınarak başka bir performans indeksi tanımlanmıştır. Önerilen yöntemin kullanılmasıyla gelişen kararsızlıklarda rol oynayan eşevreli (coherent) generatör gruplarnın belirlenmesi, ayrıca kararsız durumlar için bir adalanma kontrol tasarımına katkı sağlamaktadır. Önerilen yaklaşımın etkinliği, performansını farklı ölçeklerde üç test sistemi ile simüle ederek gösterilmiştir. Güvenilirliğin yanı sıra, güç sisteminin işletme maliyeti işletme sahipleri için önemlidir ve güç sisteminin güvenilirliğini etkileyebilir. Güç sisteminin ekonomik çalışma durumu ve güvenilirliği çelişkili konulardır. Güç sisteminin güvenilir bir şekilde çalışması, yüksek maliyetli üretime yol açabilir ve güç sisteminin ekonomik çalışması, güç sisteminin güvensiz çalışmasına neden olabilir. Bu tezde, güvenilir ve uygun maliyetli çalışmasını sağlamak için bir güç sisteminde optimum güç akışı için yeni bir metodoloji önerilmiştir. Metodoloji, risk kısıtlamalı bir optimal güç akışını benimser ve takviyeli öğrenme (RL) kullanarak acil durumlarda yük atma ve jeneratörlerin mekanik tork azaltma dahil olmak üzere düzeltici kontrol eylemleri tasarlamak için verimli bir prosedür geliştirir. Takviyeli öğrenme, farklı çalışma koşulları ve beklenmedik durumlar için bir dizi uygun kontrol eylemi belirlememizi ve bunları gerçek zamanlı olarak uygulamamızı sağlayan bir tür karar verme aracıdır. RL tabanlı ajanın eğitim süreci, büyük güç sistemleri için aşırı zaman alıcı olduğundan, eylem uzaylarının büyüklüğü nedeniyle, ajanın eğitim süreci sırasında eylem alanını sınırlayan dinamik mod ayrıştırmasına dayalı bir yaklaşım önerilmiştir. Önerilen şema, küçük boyutlu iki alanlı bir güç sistemi ve 127 baralı WSCC test sistemi dahil olmak üzere iki test sistemi üzerinde uygulanmıştır. Güç sistemlerinin işletme maliyetlerinin önemli bir kısmı, üretim birimlerinin yakıt maliyetine tekabül etmektedir. Bu nedenle, güç sisteminin yakıt maliyetinin minimizasyonu, güç sisteminin ekonomik işleyişinde çok önemli bir rol oynar. Ayrıca güç sistemlerindeki çeşitli arızalar ve beklenmedik durumlar, yaygın elektrik kesintileri ve takip eden para kayıpları gibi geri dönüşü olmayan sonuçlara neden olabilir. Sistemin hem yakıt maliyeti hem de güvenilirlik düzeyi göz önüne alındığında, belirli bir yükleme koşulu için kabul edilebilir güvenilirliğe sahip optimal bir güç akışı çözümü sağlamanın çok önemli olduğu sonucuna varılabilir. Buna göre sistemin çalışma noktalarının risk düzeyi doğru bir şekilde araştırılmalıdır. Bu çalışmada, bazı koşullar altında maliyetli olmayan bir kontrol eylemi alarak ciddi beklenmedik durumlardan sonra sistem stabilize edilebildiğinden, rotor açısı yörünge tabanlı önem derecesi indeksleri yerine, acil durum kontrol eyleminin maliyeti, acil durumun şiddeti olarak alınmıştır. Çalışma noktasının riski olarak eğitimli pekiştirici öğrenmeye dayalı ajan tarafından sağlanan acil durum kontrol eylemlerinin maliyeti kullanılarak, risk tabanlı bir optimizasyon problemi formüle edilmiştir. Formüle edilmiş optimizasyon probleminin çözümünü bulmak için iki optimizasyon tekniği kullanılır. Birincisi, popülasyon tabanlı optimizasyon tekniklerinden biri olan Genetik Algoritma, GA, ikincisi ise örüntü arama yerel yaklaşımlarının iyi bilinen örneklerinden biri olan Hooke-Jeeves yöntemidir. Bu algoritmalarda aday çözümler hem maliyet fonksiyonu hem de kısıtlar ile değerlendirilir. Hem Genetik algoritma hem de Hooke-Jeeves yöntemi kullanılarak hem iki alanlı hem de 127 baralı test sistemleri için risk kısıtlaması olan ve olmayan optimum çalışma noktaları elde edilmiş ve sonuçlar tartışılmıştır. Her iki test sisteminde de risk kısıtlı optimizasyon problemi için elde edilen optimum OP'nin kısıtsız OP'ye göre daha düşük risk ve geçici kararlılık kısıtlı probleme göre daha düşük yakıt maliyeti sağladığı görülmektedir.

Özet (Çeviri)

Cost-efficient and reliable operation of power systems is one of the main concerns of the utilities. The large disturbances and major blackouts occurred in last two decades such as the blackout that took place on 14 August 2003 in the Midwest and Northeast US have ruinous and costly effect for millions of customers. The development of a proper stability prediction and control scheme for an emergency condition is the main objective of this study. In this study, a novel framework using two different approaches is proposed and investigated for real-time transient stability prediction (TSP) in power systems where the signals obtained from PMUs are utilized. The first proposed method is based on signal processing and machine learning approaches which take the computed energy of PMU signals in a window of measurements as an input to a classifier to predict the stability of the system. Several types of classifiers, which are multi-layered perceptrons (MLPs), decision trees (DT), and Naïve Bayes (NB) classifiers, are employed. Two alternative approaches of choosing the window of measurements used for TSP are developed, where an MLP-based fault detection process is also proposed to form the proper window of measurements. One approach is to use a fixed window of only post-fault measurements, whereas the other approach is to use an expanding window of measurements covering pre-fault, fault-on and post-fault stages. Utilization of the energy concept in TSP gives the flexibility to process signals in different sizes while providing predictions that are robust to measurement noises and missing data. It also makes feature selection methods directly applicable, making the TSP possible with fewer PMUs. The proposed methods are applied to two different test systems and a large-scale model of the Turkish power system. In the second approach, a novel methodology based on Koopman mode analysis is proposed to predict the transient stability of a power system in real-time. The method assesses the stability of the system based on a sliding sampling window of PMU measurements, and it detects the evolving instabilities by predicting future samples and investigating the computed Koopman eigenvalues. This approach is also able to identify alarm conditions, which include slowly evolving instabilities that may not be detected by predicting future samples in a limited time horizon. Identifying these conditions provides additional time to prepare a proper set of emergency control actions to be performed when necessary. Using the proposed method, groups of coherent generators that play a role in the evolving instabilities can also be identified, contributing to the design of a defensive islanding scheme for unstable cases. The efficacy of the proposed approach is demonstrated by simulating its performance with three test systems of different scales. Economical operation condition of the power system and its reliability are two contradicting issues. Reliable operation of the power system can lead to a high-cost operation, while economical operation of the power system might result in an unreliable operation of the power system. In this thesis, a novel methodology for the optimal power flow in a power system is proposed to ensure its reliable and cost-effective operation. The methodology adopts a risk-constrained optimal power flow and develops an efficient procedure to design corrective control actions including load shedding and mechanical torque reduction of generators in emergency conditions using reinforcement learning (RL). Reinforcement learning is a type of decision making tool which enables us to determine a set of proper control actions for different operating conditions and contingencies and to implement them in real-time. Since the training process of the RL-based agent is excessively time-consuming for large power systems, because of the enormity of their actions' spaces, an approach based on dynamic mode decomposition which limits the action space during the training process of agent is proposed. The proposed scheme is implemented on two test systems including a small-sized two-area power system and the 127-bus WSCC test system. A considerable amount of operating costs of the power systems corresponds to the fuel cost of the generation units. Therefore, fuel-cost minimization of the power system plays a crucial role in the economic operation of the power system. Furthermore, various faults and contingencies on the power systems might cause irrecoverable results such as widespread blackouts and following loss of money. Considering both fuel cost and reliability level of the system, it can be concluded that it is crucial to provide an optimal power flow solution with acceptable reliability for a given loading condition. Accordingly, the risk level of the system's operating points should be investigated properly. In this study, instead of rotor angle trajectory-based severity indices, the cost of the emergency control action is taken as a severity of the contingency. Using the cost of emergency control actions provided by the trained reinforcement learning-based agent as risk of the operating point, a risk-based optimization problem has been formulated. Two optimization techniques are employed to find the solution of the formulated optimization problem. The first one is Genetic Algorithm, GA, which is one of the well-known populated-based optimization techniques and the second one is Hooke–Jeeves method which is one of the well-known examples of pattern search local approaches. In these algorithms, the candidate solutions are evaluated with both cost function and constraints. The optimum operating points with and without risk constraints has been obtained for the two area and 127-bus test systems using both Genetic algorithm and Hooke-Jeeves method and the results are discussed.

Benzer Tezler

  1. Tez No

    501590

    Sürücü benzetim sistemi ile sürücülerden elde edilen EEG sinyallerinden acil fren durumunun Yapay Sinir Ağları ile tahmin edilmesi

    From the eeg signals obtained from the drivers with the drive simulator, the emergency braking situation is estimated by artificial neural networks

    BİLAL SARIKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    BiyomühendislikDumlupınar Üniversitesi

    İleri Teknolojiler Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA TOSUN

  2. Tez No

    735184

    Otonom araçlarda clothoid tabanlı lineer zamanla değişen model öngörülü kontrol

    Clothoid based linear time varying model predictive control in autonomous vehicles

    MUSTAFA CANER SEZER

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. AFİFE LEYLA GÖREN

  3. Tez No

    663591

    Investigation of the candidate tumor suppressor gene CTCF using multi-omics data mining

    CTCF aday tümör süpresör geninin multi-omik veri madenciliği ile araştırılması

    ESRA DURSUN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Biyoistatistikİstanbul Medipol Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ KIVANÇ KÖK

  4. Tez No

    905242

    Füze kontrol tahrik sistemi yüksek sıcaklık bölgelerinin peltier modülleri ile soğutulması

    Cooling of high temperature zones of missile control actuation system with peltier modules

    BERK BOYRAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Makine MühendisliğiSakarya Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. HALİT YAŞAR

  5. Tez No

    355535

    Taşıtlar arası iletişimde yapay zekâ temelli konum kestirimi ve uygulaması

    Artifical intelligence based vehicular path prediction for inter-vehicular communication and its application

    MURAT DÖRTERLER

    Doktora

    Türkçe

    Türkçe

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Elektronik-Bilgisayar Eğitimi Ana Bilim Dalı

    PROF. DR. ÖMER FARUK BAY

Geri Dön