Análise de componentes principais para diagnóstico pós-falta em sistemas elétricos de grande porte

Abstract

Resumo: Os sistemas de medição fasorial sincronizada estão sendo amplamente utilizados ao redor do mundo, e se tornaram elementos essenciais na evolução da operação dos sistemas elétricos de potência de grande porte. Estes sistemas são baseados em unidades de medição fasorial, chamadas PMUs, as quais são capazes de gravar e comunicar dados da dinâmica dos sistemas elétricos de potência de forma sincronizada por GPS e com alta taxa de amostragem, gerando assim um enorme conjunto de dados. Neste trabalho é apresentada uma metodologia para seleção de dados para análise pós-falta, através da redução da dimensionalidade, utilizando a análise de componentes principais. A análise de componentes principais é uma técnica que permite identificar como diferentes variáveis numéricas variam em conjunto, tendo como princípio a combinação das múltiplas variáveis numéricas em um conjunto menor de variáveis, que são combinações lineares ponderadas do conjunto original. Para validar a metodologia proposta, foram usados dados reais e foram identificados alguns recentes casos reais conhecidos de ocorrências no sistema interligado nacional, para que a análise pós-falta conseguisse detectar uma anomalia. A validação dos resultados obtidos foi feita utilizando um algoritmo de detecção de anomalias baseado em um modelo gaussiano. Com a aplicação da metodologia, comprovou-se a possibilidade de se utilizar um conjunto de dados menor do que o original, porém mantendo as características dos atributos. Demonstrou-se um caso em que foi possível fazer a redução de 190 atributos, para um conjunto de oito componentes principais mantendo a precisão no F1 Score. Esta metodologia automática de seleção de dados traz benefícios para análise pós-falta devido ao ganho de desempenho obtido com a redução do conjunto de dados dos atributos elétricos, sem perda significativa na precisão da capacidade de detecção de anomalia.

Abstract: Synchronized phasor measurement systems are being widely used around the world, and have become essential elements in the evolution of the operation of large electrical power systems. These systems are based on phasor measurement units, called PMUs, which are able to record and communicate data on the dynamics of the SEPs in a synchronized way by GPS and with a high sampling rate, thus generating a huge dataset. This work presents a methodology for selecting data for post-fault analysis, through dimensionality reduction, using principal component analysis. Principal component analysis is a technique that allows identifying how different numerical variables vary together, based on the principle of combining multiple numerical variables into a smaller variables set, which are weighted linear combinations of the original set. To validate the proposed methodology, real data were used and some recent known real cases of occurrences in the national interconnected system were identified, so that the post-fault analysis could detect an anomaly. The validation of the obtained results was done using an anomaly detection algorithm using a Gaussian model. With the application of the methodology, the possibility of using a smaller data set than the original was proved, while maintaining the characteristics of the attributes. A case was demonstrated in which it was possible to reduce 190 attributes to a set of eight main components while maintaining accuracy in the F1 Score. This automatic data selection methodology benefits post-fault analysis due to the performance gain obtained by reducing the electrical attribute dataset, without significant loss in the accuracy of anomaly detection capability.