Συμβολή μεθόδων μηχανικής μάθησης στην εκτίμηση και τον έλεγχο δυναμικής ασφάλειας συστημάτων ηλεκτρικής ενέργειας

Abstract

Security is defined as the capability of maintaining the continuous operation of a power system under normal operation and following significant perturbations. As the increase in electric power demand outpaces the installation of new transmission and generation facilities, power systems are forced to operate with narrower security margins; therefore fast and reliable assessment of the system security is necessary. In the field of Dynamic Security Assessment (DSA) much attention has been paid to preventive, as well as corrective control. Preventive control refers to a set of actions that are applied when a potentially dangerous violation is detected through DSA. Corrective actions are applied to offset a security violation after the occurrence of a threatening contingency. The scope of this dissertation is to apply machine learning methods to the dynamic security assessment and control of power systems. Machine learning methods are seen to have features that can bring benefits in comparison to analytical methods. Once developed, they provide solutions very fast. Furthermore they have the ability to recognize, if a system condition has previously occurred and predict its security accordingly. Similarly, if properly designed, they can adapt to new conditions by learning from situations previously seen. Finally they provide a high degree of discovery, i.e. they have the ability to uncover salient, but previously unknown, characteristics of, or relationships in, a system Decision Trees (DT) are applied to propose security rules, which can be used for corrective load shedding strategy as well as security constrained economic dispatch determination. A modified algorithm for the construction of Decision Trees, that utilizes genetic algorithms to formulate characteristic groups of load buses, is also proposed and applied to derive load-shedding schemes. The DT method is further developed and an automatic learning hybrid method for corrective dynamic security is proposed, based on a Self Organized Map (SOM) that classifies the power system's security state according to its load profile. DTs nested in nodes with mixed security states are applied to investigate further their security status. Radial Basis Function Neural Networks (RBFNN) and Support Vector Machines (SVM) are applied on DSA, tested with various feature selection techniques. A hybrid method of RBFNN and Particle Swarm Optimization (PSO) is developed for the definition of remedial actions as well as appropriate preventive control. A Reinforcement Learning framework is proposed for the determination of a spinning reserve policy of an autonomous power system. The algorithm is trained online and compared to deterministic spinning reserve policies. Finally a machine learning method that combines PSO with a modified SOM algorithm is developed for the determination of control islanding of power systems. The methods are applied on realistic models of Cyprus and Hellenic power systems, the MicroGrid and MultiMicroGrid as well as IEEE test systems.

Η ασφάλεια ορίζεται ως η ικανότητα ενός συστήματος ηλεκτρικής ενέργειας να διατηρήσει τη συνεχή λειτουργία του, τόσο υπό κανονικές συνθήκες όσο και κάτω από σοβαρές διαταραχές. Τα σύγχρονα συστήματα αναγκάζονται να λειτουργούν με ολοένα και μικρότερα περιθώρια ασφάλειας καθώς η ζήτηση ηλεκτρικής ισχύος αυξάνεται με ρυθμούς συχνά μεγαλύτερους από τις δυνατότητες εγκατάστασης νέου εξοπλισμού παραγωγής και μεταφοράς. Έτσι η γρήγορη και αξιόπιστη εκτίμηση της κατάστασης ασφάλειας ενός συστήματος ηλεκτρικής ενέργειας καθίσταται αναγκαία. Στο πεδίο της Εκτίμησης της Δυναμικής Ασφάλειας (ΕΔΑ) δίνεται ιδιαίτερη έμφαση στον προληπτικό και τον διορθωτικό έλεγχο. Ο προληπτικός έλεγχος έχει να κάνει με ένα σύνολο δράσεων που εφαρμόζονται όταν εντοπίζεται ανασφαλής κατάσταση λειτουργίας, ενώ ο διορθωτικός έλεγχος εφαρμόζεται για να αντισταθμίσει τις συνέπειες της ανασφαλούς λειτουργίας του συστήματος αφού έχει συμβεί μια σοβαρή διαταραχή. Ο σκοπός αυτής της διατριβής είναι η εφαρμογή μεθόδων μηχανικής μάθησης στην εκτίμηση και τον έλεγχο δυναμικής ασφάλειας των συστημάτων ηλεκτρικής ενέργειας. Οι μέθοδοι μηχανικής μάθησης έχουν ιδιότητες που τις καθιστούν ιδιαίτερα ελκυστικές σε σχέση με τις αναλυτικές μεθόδους που παραδοσιακά εφαρμόζονται. Ένα πλεονέκτημά τους είναι η πολύ γρήγορη απόκρισή τους μετά τη διαδικασία της εκπαίδευσής τους. Επιπλέον έχουν τη δυνατότητα να αναγνωρίζουν αν μια κατάσταση του συστήματος έχει συμβεί ξανά και να προβλέπουν αντίστοιχα το βαθμό ασφάλειάς της Παρομοίως αν σχεδιαστούν σωστά προσαρμόζονται εύκολα σε νέες συνθήκες μαθαίνοντας από προηγούμενες καταστάσεις. Τέλος έχουν τη δυνατότητα να αποκαλύπτουν άγνωστα χαρακτηριστικά και σχέσεις σε ένα σύστημα. Στην παρούσα διατριβή, εφαρμόζονται Δέντρα Απόφασης (ΔΑ) για να προτείνουν κανόνες ασφάλειας που στη συνέχεια μπορούν να χρησιμοποιηθούν για τον προσδιορισμό της απαραίτητης μείωσης φορτίου ως μέτρο αποκατάστασης της ασφαλούς λειτουργίας ενός ΣΗΕ αλλά και της οικονομικής κατανομής φορτίου υπό τον περιορισμό ασφαλούς λειτουργίας. Προτείνεται επίσης μια τροποποιημένη μέθοδος για την κατασκευή ΔΑ, που χρησιμοποιεί γενετικούς αλγορίθμους προκειμένου να σχηματιστούν χαρακτηριστικές ομάδες ζυγών φορτίου στο σύστημα από τις οποίες θα γίνει η απαραίτητη μείωση φορτίου. Η μέθοδος των ΔΑ αναπτύσσεται περαιτέρω και προτείνεται ένα υβριδικό σύστημα μάθησης για τον διορθωτικό έλεγχο ασφάλειας που βασίζεται σε ένα αυτοοργανούμενο χάρτη. Ο χάρτης εκτελεί ταξινόμηση των καταστάσεων ασφάλειας σύμφωνα με το προφίλ φόρτισης του συστήματος, ενώ ΔΑ αναλαμβάνουν να διερευνήσουν τις θέσεις του χάρτη με αδιευκρίνιστο βαθμό ασφάλειας. Η μέθοδος των Νευρωνικών Δικτύων Ακτινικής Συνάρτησης Βάσης (ΝΔΑΣΒ) και των Μηχανών Διανυσμάτων Υποστήριξης (ΜΔΥ) εφαρμόζεται για την ΕΔΑ ενώ παράλληλα διερευνώνται εναλλακτικές τεχνικές επιλογής χαρακτηριστικών. Αναπτύσσεται επίσης μια υβριδική μέθοδος που συνδυάζει τα ΝΔΑΣΒ με τη βελτιστοποίηση σμήνους σωματιδίων για τον προσδιορισμό κατάλληλων διορθωτικών και προληπτικών δράσεων ελέγχου ασφάλειας. Εφαρμόζεται επίσης η μέθοδος της ενισχυτικής μάθησης για τον προσδιορισμό της πολιτικής στρεφόμενης εφεδρείας ενός αυτόνομου συστήματος ηλεκτρικής ενέργειας. Ο αλγόριθμος εκπαιδεύεται online και συγκρίνεται με ντετερμινιστικές πολιτικές εφεδρείας. Τέλος προτείνεται μια μέθοδος μηχανικής μάθησης που συνδυάζει τη βελτιστοποίηση σμήνους σωματιδίων με έναν τροποποιημένο αλγόριθμο αυτοοργανούμενων χαρτών για τον προσδιορισμό της βέλτιστης λύσης ελεγχόμενης νησιδοποίησης του συστήματος. Οι παραπάνω μέθοδοι εφαρμόστηκαν σε διάφορα συστήματα όπως το Ελληνικό διασυνδεδεμένο σύστημα, το αυτόνομο σύστημα της Κύπρου, το μικροδίκτυο και το πολλαπλό μικροδίκτυο καθώς και σε πρότυπα συστήματα του IEEE.