Machine learning approach for dynamic event identification in power systems with wide area measurement systems
Resumo
Resumo: Ao longo dos últimos dez anos, a disponibilidade de WAMS (Wide Area Measurement Systems) tem constantemente aumentado e, com isso, a necessidade de se otimizar seu uso em relação a uma ampla gama de capacidades requeridas nos centros de operação. Concorrentemente, o sistema brasileiro tem observado diversos eventos em múltiplos níveis de criticalidade e, portanto, formas de rapidamente identificar irregularidades na rede elétrica têm sido requisitadas pelos operadores. Todavia, mesmo com tal diversidade de eventos registrados por PMUs (Phasor Measurement Unit), há dificuldades em se consolidar um banco de dados de eventos e, ademais, sistemas diferem uns dos outros - isto é, os volumes de dados requeridos para machine learning e a especificidade de cada sistema criam desafios para a construção de aplicações para detecção e identificação de eventos em uma dada rede. De tal maneira, o presente trabalho propõe uma forma de endereçar tais restrições e habilitar o uso de modelos de machine learning na vida real ao modelar um sistema real, simular uma grande quantia de eventos (como medição de PMU) e executar o processo de aprendizado de máquina com esses dados simulados. Tendo posse de qualquer conjunto de dados que contenha medições de evento da mesma PMU simulada, uma validação da aplicabilidade e performance do modelo obtido pode ser feita. Assim, um processo reprodutível e escalável foi definido pelo trabalho a partir de um estudo de caso no corredor Salto Caxias, um subsistema da rede elétrica paranaense operado pela COPEL, que forneceu três conjuntos de dados contendo eventos registrados em uma PMU dessa área. Alguns componentes como barras, linhas de transmissão, transformadores, geradores, PSSs, excitadores e controles de turbina foram modelados dentro da Power System Toolbox, embasada em MATLAB, para simulação de eventos. O algoritmo de machine learning selecionado para provar o conceito estabelecido foi rede neural artificial, definindo-se quatro classes possíveis para reconhecimento - "Curto-circuito", "Perda de Carga", "Perda de Linha" e "Normal". Com o modelo de machine learning definido e treinado, se aplicaram os dados de eventos reais nele. Os resultados mostram que as métricas da rede neural no processo de aprendizado foram geralmente suficientes para aplicação em vida real, mas que sua performance nos conjuntos de dados de eventos reais foi abaixo da registrada com os dados simulados. Todavia, considerando-se que os dados reais providenciados são de eventos longínquos à PMU observada e ao próprio sistema modelado, distorções e atenuações de sinal são inerentes. Assim, pode-se dizer que o método proposto é aplicável, com mais etapas de pré-processamento de dados, a qualquer dado sistema - caso ele seja minuciosamente modelado e haja disponibilidade de conjuntos de dados de eventos internos ao sistema. Abstract: Over the last ten years, the availability of WAMS (Wide Area Measurement Systems) has steadily increased and, with it, the need to optimize its usage concerning a large array of capabilities required at the operation centers. Concurrently, the Brazilian system has witnessed various events at multiple levels of criticality, and, thus, ways to quickly identify irregularities in the grid have been more and more requested by power transmission and distribution companies. The introduction of machine learning models and algorithms in such a context has been explored by the scientific community. However, even with such a diversity of events and their PMU (Phasor Measurement Unit) measurements, there is hardship in consolidating an event database and systems differ from each other - that is, the data volume required for machine learning and the specificity of each power system create challenges in constructing applications for detection and identification of events in a given grid. As such, the present work proposes a way to address those constraints and further enable the real-life application of machine learning models in a power system with WAMS through the modeling of a real-life system, simulating a large database of events as if they were registered through a PMU in said system and training machine learning models on this simulated data. If one has any dataset containing event measurements from the same PMU (which was simulated), a validation of model performance and applicability can be performed. A reproducible and scalable process was defined to achieve this through one case study for the Salto Caxias subsystem of the Paraná state grid, operated by COPEL, who provided the author with three event datasets captured from a PMU in the aforementioned system. Some components of the system were modeled in MATLAB-based Power System Toolbox for dynamic simulation, such as generators, PSSs, exciters, and turbine governors in addition to buses, transmission lines, and transformers. The selected algorithm for this proof-of-concept was artificial neural network, defining four distinct possible classes it can recognize - "Short-circuit", "Load Loss", "Line Loss" and "Normal". With the machine learning model defined and trained, its application was executed on real event datasets. The results show that the metrics of the neural network model on the learning process were generally sufficient for real-life solutions, but its performance on the real event datasets was below that of the performance on simulated data. However, considering that the provided datasets were from events that happened far away from the selected PMU and its modeled system, signal distortions and attenuations are present. Thus, it can be stated that the proposed method is applicable, with further data preprocessing, to any given system - as long as it is thoroughly modeled and there is availability of datasets of events that happened within it.
Collections
- Dissertações [220]