Machine learning approach for dynamic event identification in power systems with wide area measurement systems

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Barreto, Nathan Elias Maruch
Orientador(a): Aoki, Alexandre Rasi
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Inteligência artificial
Sistemas de energia eletrica
Maquinas de medição por coordenada
Engenharia Elétrica
Link de acesso: https://hdl.handle.net/1884/84896
Resumo: Orientador: Prof. Dr. Alexandre Rasi Aoki
id UFPR_4a073c4d52bd3c5e5d7e23fe68506e1c
oai_identifier_str oai:acervodigital.ufpr.br:1884/84896
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str
spelling Schumacher, Ricardo, 1992-Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia ElétricaAoki, Alexandre RasiBarreto, Nathan Elias Maruch2023-11-17T12:37:47Z2023-11-17T12:37:47Z2023https://hdl.handle.net/1884/84896Orientador: Prof. Dr. Alexandre Rasi AokiCoorientador: Prof. Dr. Ricardo SchumacherDissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica. Defesa : Curitiba, 13/02/2023Inclui referênciasResumo: 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.1 recurso online : PDF.application/pdfInteligência artificialSistemas de energia eletricaMaquinas de medição por coordenadaEngenharia ElétricaMachine learning approach for dynamic event identification in power systems with wide area measurement systemsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisengreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - NATHAN ELIAS MARUCH BARRETO.pdfapplication/pdf8632766https://acervodigital.ufpr.br/bitstream/1884/84896/1/R%20-%20D%20-%20NATHAN%20ELIAS%20MARUCH%20BARRETO.pdf94460ecf2bdb9b7ec805dda709d75b60MD51open access1884/848962023-11-17 09:37:47.901open accessoai:acervodigital.ufpr.br:1884/84896Repositório InstitucionalPUBhttp://acervodigital.ufpr.br/oai/requestinformacaodigital@ufpr.bropendoar:3082023-11-17T12:37:47Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Machine learning approach for dynamic event identification in power systems with wide area measurement systems
title Machine learning approach for dynamic event identification in power systems with wide area measurement systems
spellingShingle Machine learning approach for dynamic event identification in power systems with wide area measurement systems
Barreto, Nathan Elias Maruch
Inteligência artificial
Sistemas de energia eletrica
Maquinas de medição por coordenada
Engenharia Elétrica
title_short Machine learning approach for dynamic event identification in power systems with wide area measurement systems
title_full Machine learning approach for dynamic event identification in power systems with wide area measurement systems
title_fullStr Machine learning approach for dynamic event identification in power systems with wide area measurement systems
title_full_unstemmed Machine learning approach for dynamic event identification in power systems with wide area measurement systems
title_sort Machine learning approach for dynamic event identification in power systems with wide area measurement systems
author Barreto, Nathan Elias Maruch
author_facet Barreto, Nathan Elias Maruch
author_role author
dc.contributor.other.pt_BR.fl_str_mv Schumacher, Ricardo, 1992-
Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia Elétrica
dc.contributor.advisor1.fl_str_mv Aoki, Alexandre Rasi
dc.contributor.author.fl_str_mv Barreto, Nathan Elias Maruch
contributor_str_mv Aoki, Alexandre Rasi
dc.subject.por.fl_str_mv Inteligência artificial
Sistemas de energia eletrica
Maquinas de medição por coordenada
Engenharia Elétrica
topic Inteligência artificial
Sistemas de energia eletrica
Maquinas de medição por coordenada
Engenharia Elétrica
description Orientador: Prof. Dr. Alexandre Rasi Aoki
publishDate 2023
dc.date.accessioned.fl_str_mv 2023-11-17T12:37:47Z
dc.date.available.fl_str_mv 2023-11-17T12:37:47Z
dc.date.issued.fl_str_mv 2023
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/84896
url https://hdl.handle.net/1884/84896
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 1 recurso online : PDF.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/84896/1/R%20-%20D%20-%20NATHAN%20ELIAS%20MARUCH%20BARRETO.pdf
bitstream.checksum.fl_str_mv 94460ecf2bdb9b7ec805dda709d75b60
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv informacaodigital@ufpr.br
_version_ 1847526214290374656

Registros relacionados