A data analytics and machine learning approach for online electrical event detection from wide area measurement systems

Abstract

Resumo: Nos sistemas de transmissão, um componente chave da evolução para redes elétricas inteligentes é o Sistema de Medição Sincronizado de Fasores (SMSF), o qual é constituído de Unidades de Medição Fasorial (PMUs) com capacidade de gravar dados com taxa de amostragem de até 60 registros por segundo. As variáveis medidas incluem fasores de tensão e corrente, frequência e taxa de mudança de frequência de um sistema de energia, os quais são sincronizados pelo sistema de posicionamento global. Os dados das PMUs estão disponíveis em tempo real e fornecem informações sobre a operação do sistema elétrico, portanto, podem servir como um recurso de dados adequado para monitoramento, proteção e controle do sistema. Levando-se em consideração o cenário descrito, a presente tese visa contribuir para o controle de sistemas interligados, baseado nas medições de um SMSF real instalado na Companhia Paranaense de Energia (COPEL), por meio de análise de dados e abordagem de aprendizado de máquina, subsidiando o desenvolvimento de método de detecção, armazenamento de dados e identificação de eventos, que pode operar on-line e pode ser ajustado continuamente de acordo com a dinâmica do sistema. O cerne do desenvolvimento proposto é o método PCAZ, o qual possui nove etapas e foi testado utilizando dados de dois eventos elétricos reais ocorridos no sistema interligado nacional (SIN) em 2021. O PCA-Z em sua Etapa 1 realiza a leitura e tratamento de dados, com remoção de colunas irrelevantes e aplicação do protocolo IEEE C37.118. Na Etapa 2 é feita a identificação de outliers e na Etapa 3 a seleção da faixa operacional normal de cada quantidade monitorada. Na Etapa 4 é realizada a padronização de dados para então na Etapa 5 efetuar o cálculo da Análise de Componentes Principais (PCA). Na Etapa 6 é feito o cálculo do Z-score, no qual são obtidos, novamente, a média e o desvio padrão de cada PCA da PMU e na Etapa 7 é realizada a detecção dos eventos onde identificam-se valores fora dos limites de desvios padrão usando valores de pontuação Z. Já na Etapa 8 é analisada a correlação de Pearson para confirmar a ocorrência de evento sistêmico. Por fim, na Etapa 9 é feito o armazenamento de dados dos eventos detectados pelas PMUs. O método PCA-Z foi validado através de uma análise comparativa com um método da literatura, o qual utiliza as técnicas de floresta de isolamento, K-Means e probabilidade de outlier local (LoOP), demonstrando resultados com qualidade equivalente, porém com ganho de desempenho computacional. Considerando o SMSF analisado nesta tese, observase que o método PCA-Z é muito superior em desempenho e robustez para detectar eventos eletrodinâmicos (em tempo real) de diferentes PMUs ao mesmo tempo. Já para identificação de eventos na rede elétrica, foi desenvolvida uma solução baseada em Redes Neurais Artificiais (RNAs), a qual permiti identificar eventos como falhas de equipamentos, flutuações de tensão e padrões de carga anormais. Uma das abordagens envolve a classificação de eventos com base em dados históricos e monitoramento em tempo real. A integração de modelos de redes neurais híbridas, combinando RNAs com outras técnicas de aprendizado de máquina, podem ser explorados para melhorar ainda mais a precisão e robustez da identificação de eventos.

Abstract: In transmission systems, a key component of the evolution towards smart electrical grids is the Synchronized Phasor Measurement System (SPMS), which is made up of Phasor Measurement Units (PMUs) with the ability to record data with a sampling rate of up to 60 records per second. Measured variables include voltage and current phasors, frequency, and rate of change of frequency of a power system, which are synchronized by the global positioning system. Data from PMUs is available in real time and provides information about the operation of the electrical system, therefore it can serve as a suitable data resource for system monitoring, protection and control. Taking into account the described scenario, this thesis aims to contribute to the control of interconnected systems, based on measurements from a real SPMS installed at Companhia Paranaense de Energia (COPEL), through data analysis and a machine learning approach, supporting the development of a detection, data storage and event identification method, which can operate online and can be continuously adjusted according to the system dynamics. The core of the proposed development is the PCA-Z method, which has nine stages and was tested using data from two real electrical events that occurred in the Brazilian Interconnected Power System (BIPS) in 2021. The PCA-Z in its Stage 1 performs the reading and data processing, with removal of irrelevant columns and application of the IEEE C37.118 protocol. In Step 2, outliers are identified and in Step 3, the normal operating range for each monitored quantity is selected. In Step 4, data standardization is carried out and then in Step 5, the Principal Component Analysis (PCA) is calculated. In Step 6, the Z-score is calculated, in which the mean and standard deviation of each PMU PCA are obtained again, and in Step 7, events are detected where values outside the deviation limits are identified. standard using Z score values. In Step 8, the Pearson correlation is analyzed to confirm the occurrence of a systemic event. Finally, in Step 9, data is stored on events detected by the PMUs. The PCA-Z method was validated through a comparative analysis with a method from the literature, which uses the techniques of isolation forest, K-Means and local outlier probability (LoOP), demonstrating results with equivalent quality, but with a gain in computational performance. Considering the SMSF analyzed in this thesis, it is observed that the PCA-Z method is much superior in performance and robustness for detecting electrodynamic events (in real time) from different PMUs at the same time. To identify events in the electrical network, a solution based on Artificial Neural Networks (ANNs) was developed, which made it possible to identify events such as equipment failures, voltage fluctuations and abnormal load patterns. One approach involves classifying events based on historical data and real-time monitoring. The integration of hybrid neural network models, combining ANNs with other machine learning techniques, can be explored to further improve the accuracy and robustness of event identification.