Tez Arşivi

Tez aramanızı kolaylaştıracak arama motoru. Yazar, danışman, başlık ve özetlere göre tezleri arayabilirsiniz.


İstanbul Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik Mühendisliği Anabilim Dalı

2017

A probabilistic dynamic security assessment of large power systems using artificial neural networks

Büyük güç sistemlerinin yapay sinir ağları kullanarak olasılıksal dinamik güvenliğinin değerlendirilmesi

Bu tez, YÖK tez merkezinde bulunmaktadır. Teze erişmek için tıklayın. Eğer tez bulunamazsa, YÖK Tez Merkezi'ndeki tarama bölümünde tez numarasını arayabilirsiniz. Tez numarası: 467089

Tezi Bul
Özet:

Son yıllarda kensintisiz olarak işletilmesi mümkün olmayan enerji kaynaklarının yoğun kullanımı nedeniyle, olasılıksal dinamik güvenlik değerlendirmesi büyük önem kazanmıştır. Konvansiyonel deterministik çalışmalar, belirsizlikler altında güç sistemleri için doğru güvenlik değerlendirmeleri sağlamayabilir. Bu nedenle, karar vericilere daha güvenilir değerlendirmelere dayanılarak uygun önleyici kontrol faaliyetleri için olasılıksal yaklaşımlar gereklidir. Bu tezde, büyük bir güç sisteminin öngörülen bir çalışma noktası için olasılıksal güvenlik değerlendirmesini gerçekleştirmek için yeni bir metodoloji önerilmiştir. Bu yaklaşım hem geçici hem de küçük sinyal açı kararlılığı analizleri için uygulanabilir. Bir güç sistemindeki temel belirsizlik, yüklerin ve rüzgar enerjisi üretim birimlerinin belirsizliklerinden kaynaklanmaktadır; Bu nedenle, rüzgar enerjisi üretim ünitelerinin aktif güç çıkışı ve yüklerin aktif güç talebi rastgele değişken olarak kabul edilir. Büyük bir güç sisteminin dinamik güvenlik değerlendirmesi için önerilen metodolojinin ana amacı, öngörülen bir çalışma koşulunun riskini hesaplamaktır. Riski hesaplamak için sistemin dinamik performansının olasılık dağılımı gereklidir. Sistem performansının olasılık dağılımını elde etmek için Monte Carlo simülasyon yöntemi, işlemin hesaplama yükünü azaltmak ve doğruluğunu artırmak için bazı ek çabalarla kullanılır. Sistem performansının olasılık dağılımını daha doğru bir şekilde elde etmek için dağılımın sol kuyruk bölgesi, bir Genelleştirilmiş Pareto (GP) dağılımı ile yerleştirilir ve geri kalan kısım normal bir dağılım ile yerleştirilir. GP dağılımı uydurmak için, bir aşırılık örneğinin elde edilmesi gereklidir, ancak söz konusu örneğin elde edilmesinde sadece dinamik simülasyonlardan yararlanılması, önemli miktarda uzun bir zaman gerektirir. Aşan örnek oluşturma sürecinin hesaplama yükünü azaltmak için, sinir ağları ve nitelik seçme yöntemleri gibi makine öğrenme yaklaşımları kullanılır. xxvi İşlem, sinir ağının eğitimi için bir veri kümesinin oluşturulmasıyla başlar. Eğitilen sinir ağı, aşan bir numune oluşturma sırasında, ele alınan bir çalışma noktasındaki sistem performansını tahmin etmek için kullanılır. Aşım örneği, sistem performanslarının önceden tanımlanmış bir eşiğin altına düşmesine neden olan örnek elemanları içerir. Bu örneklerin çoğunun örnekleme olasılığının düşük olması nedeniyle, makul büyüklükte bir örnek elde etmek için çok sayıda örnek elemanı incelenmelidir. Bununla birlikte, dinamik simülasyonlar kullanarak büyük bir örnekteki tüm elemanları doğrudan ayırt etmek, çevrimiçi uygulamalarda uygun olmayacaktır. Aşırı bir hesaplama çabası gerektiren kapsamlı dinamik simülasyonların yerine, eğitilen sinir ağı, her çalışma noktasının sistem performansını daha verimli bir şekilde kestirmesi nedeniyle, uygun bir büyüklüğe sahip aşım örneği oluşturmak için kullanılır. Latin Hiperküp Örnekleme tekniği, rastgele değişkenlerin alanını eşit olarak örneklemek ve sinir ağının eğitimi için veri kümesinin örneklerini üretmek için kullanılır. Her bir örnek elemanı için Optimal Güç Akışı çözümü bulunmuş ve yeni çalışma noktaları elde edilmiştir. Üretilen her bir çalışma noktası için bir dizi dinamik simülasyon uygulanır ve sistem performansı hesaplanır. Sinir ağının eğitimi için başlangıçta oluşturulan veri kümesi büyük olasılıkla sistem performansıyla alakalı olmayan nitelikleri de içerdiğinden, ilgili nitelikleri bulmak için güvenilir ve hızlı bir nitelik seçimi algoritması olan Relief kullanılabilir. Böylece, bu yaklaşımla, eğitme zamanın azaltılmasıyla birlikte, sinir ağının performansı artırılmış olur. Metodolojinin bir sonraki adımı uygun Monte-Carlo örnekleme tekniği ile örnek elemanları üretmek ve sistem performansına ait bir başlangıç olasılık dağılımını elde etmektir. Markov-Zinciri Monte-Carlo örnekleme yönteminin bir türü olan Gibbs örnekleme tekniği, sistem performansı normal dağılımında kullanılan çalışma koşullarını oluşturmak için kullanılır. Rastgele değişkenler arasındaki korelasyon varlığı göz önüne alındığında, Gibbs örneklemesi, yeni çalışma koşulları üretmek için uygun bir yöntem olarak seçilmiştir. Yeni üretilen her çalışma durumu için Optimal Güç Akışı (OPF) çözümü bulunur ve elde edilen çalışma noktası için sistem performansı, dinamik simülasyon ile hesaplanır. xxvii Gibbs örneklemesi için gereken çalışma noktası sayısı, sistem performansına ait örnek standart sapmasına, kabul edilebilir hataya ve güven seviyesine göre belirlenir. Sistem performansının örnek standart sapması, sinir ağını eğitmek için daha önce oluşturulmuş olan veri kümesine dayanarak hesaplanır. Bu çalışmada, maksimum tolere edilebilir hata ve güven seviyesi sırasıyla, % 5 ve % 95 olarak belirlenmiştir. Bu kabul, yaptığımız hatanın % 5'ten az olduğundan % 95 emin olduğumuz anlamına gelmektedir. Genelleştirilmiş Pareto (GP) dağılım uydurması için gereken aşan numune eğitilmiş olan sinir ağı yardımıyla üretilir. İlk olarak, LHS yöntemiyle çok sayıda örnek oluşturulur ve daha sonra, aşma örnek elemanı adayı olarak, yerine koymaksızın, tek tek rastgele bir örnek elemanı seçeriz. Her bir seçilen örnek elemanı için sistem performansı, sinir ağı tarafından öngörülür. Sistem performansı belirtilen eşik değerden düşükse, bu aday aşım örneğine dahil edilir; yoksa atılır. Her aşım örneğinin sistem performansı ayrıca, aşırılıklarını da doğrulayan bir dinamik simülasyon yoluyla hesaplanır. Bu işlem, aşım örneği toplanana kadar devam eder. Bu çalışma noktalarındaki sistem performansının GP dağılımına uydurlması için kullanılır. Ele alınan tahmini bir çalışma koşulu için sistem performansının tüm olasılık dağılımı, yukarıdaki iki uydurulmuş (normal ve GP) dağılımlar birleştirerek elde edilir. Tahmini bir çalışma koşuluna ait olasılıksal bir güvenlik değerlendirmesi yapmak için, bir risk analizi yapılmıştır. Risk analizini gerçekleştirmek için, sistem performansıyla ilişkili bir şiddet fonksiyonu seçilir. Bu çalışmada, şiddet fonksiyonu bir birim adım ve bir ikinci dereceden fonksiyonun birleşimi olarak seçilmiştir. Sistem performansının olasılık yoğunluk fonksiyonunun ve ilgili şiddet fonksiyonunun çarpımı, tahmini çalışma koşullarının riskinin hesaplanmsında kullanılır.

Summary:

Due to extensive utilization of intermittent energy sources in recent years, probabilistic dynamic security assessment has attracted much more attention. Conventional deterministic studies may not provide accurate security assessments for the power systems under uncertainties. Therefore, probabilistic approaches are necessary for decision makers to take appropriate preventive control actions based on more reliable assessments. In this thesis, a new methodology is proposed to perform probabilistic security assessment for one forecasted operating point of a large power system. This approach can be applied for both transient and small-signal angle stability analyses. The main uncertainty in a power system originates from the uncertainties of loads and wind generation units; therefore, the active power output of wind generation units and active power demand of loads are considered as random variables. The main purpose of the proposed methodology for dynamic security assessment of a large power system is to compute the risk for one forecasted operating condition. In order to compute the risk, probability distribution of the system's dynamic performance is required. To obtain the probability distribution of the system performance, Monte-Carlo simulation method is used with some additional efforts to increase the accuracy and to decrease the computational burden of the process. To obtain the probability distribution of the system performance more precisely, left tailed region of the distribution is fitted by a Generalized Pareto (GP) distribution and the remaining part is fitted by a normal distribution. For fitting the GP distribution, an exceedance sample, which can be obtained by a time consuming process if dynamic simulations are solely used to distinguish each exceedance instance, is required. To decrease the computational burden of the exceedance sample generation process, machine learning approaches such as neural-networks and feature selection methods are utilized. xxii The procedure starts with the creation of a dataset for training a neural network. The trained neural network is utilized to predict the system performance of an operating point for an exceedance sample generation process. The exceedance sample involves instances which result in system performances below a predefined threshold. Due to the fact that most of these instances have a low probability to be sampled, a large number of instances must be examined in order to get a reasonably large sample. However, using dynamic simulations to directly distinguish all the instances in such a large sample would not be suitable for online applications. Instead of the extensive dynamic simulations requiring an excessive computational effort, the trained neural network is used to generate an exceedance sample with a proper size as it predicts the system performance of each operating point more efficiently. Latin Hypercube Sampling technique is used to sample the space of random variables evenly and produce instances of the dataset for training the neural network. For each instance, Optimal Power Flow solution is found and new operating points are obtained. For each operating point produced, a series of dynamic simulations is applied and the system performance is computed. Since the initial dataset created for training the neural network will most likely involve features which are not relevant to the system performance, a reliable and fast feature selection algorithm, namely Relief, is used to find the relevant features. Thus, with this approach the accuracy of the neural network can be improved as its training time is reduced. The next step of the methodology is to generate instances by an appropriate MonteCarlo sampling technique and to obtain an initial probability distribution of the system performance. Gibbs sampling technique, which is a type of Markov-Chain MonteCarlo sampling method, is used to generate the operating conditions which are used to fit a normal distribution for the system performance. Considering the existence of correlation between the random variables, Gibbs sampling is selected as an appropriate method to produce new operating conditions. For each newly produced operating condition, an Optimal Power Flow (OPF) solution is found and the system performance for the resulting operating point is computed by dynamic simulation. xxiii The required number of operating points for Gibbs sampling is determined according to the sample standard deviation of the system performance and specified error and confidence level. The sample standard deviation of the system performance is calculated based on the previously generated training dataset for the neural network. In this study, the maximum tolerable error and the confidence level are specified as 5% and 95%, respectively. It means that we are 95% sure that error we make is less than 5%. The exceedance sample which is required for Generalized Pareto (GP) distribution fitting is produced with the help of trained neural network. First, a large number of instances is generated by LHS method and, then, we randomly select one instance at a time, without a replacement, as a candidate exceedance instance. The performance of each selected instance is predicted by the trained neural network. If the system performance is less than the specified threshold, this candidate is included in the exceedance sample; otherwise it is discarded. The system performance of each exceedance instances are also computed through dynamic simulation, which also confirm their exceedance. This process continues until the required number of exceedance instances are collected. The system performance at these operating points are used to fit the GP distribution. The overall probability distribution of the system performance is obtained by combining the two fitted (normal and GP) distributions above for a given forecasted operating condition. A risk analysis has been done to give a probabilistic security assessment for the forecasted operating condition. In order to perform the risk analysis, a severity function related to the system performance is selected. In this study, the severity function is the combination of a unit step and a quadratic function. The product of the probability density function of the system performance and the corresponding severity function is used to calculate the risk of the forecasted operating condition.