УПРАВЉАЊЕ И ТЕЛЕКОМУНИКАЦИЈЕ У ЕЕС / 21. симпозијум CIGRE Србија 2024 (стр. 95-111)
АУТОР(И) / AUTHOR(S): Владимир Бечејац, Александар Георијев, Милош Јовановић
Download Full Pdf 
DOI: 10.46793/CIGRE21S.095B
САЖЕТАК / ABSTRACT:
Ovaj rad istražuje metode detekcije anomalija u elektroenergetskim sistemima koristeći podatke prikupljene sa Phasor Measurement Units (PMU) uređaja. Fokus je na identifikaciji odstupanja u uglovima napona, što može ukazivati na potencijalne kvarove ili nestabilnosti. Korišćene su statističke metode i algoritmi mašinskog učenja, kao što su Isolation Forest i autoencoders, za analizu velikih količina podataka. Rezultati pokazuju da ove metode mogu efikasno identifikovati anomalije, omogućavajući operaterima da preduzmu preventivne mere i poboljšaju stabilnost elektroenergetskih sistema. Ova istraživanja pružaju osnovu za unapređenje sistema za praćenje i održavanje mreža.
U radu je prikazan postupak dobijanja i rešavanja ciljne funkcije pomoću genetičkog algoritma (GA), uz najjednostavnija ograničenja ulaznih varijabli. Princip genetičkog algoritma sastoji se iz procene, selekcije, ukrštanja i mutacije unutar jedne populacije. Kroz iterativan postupak ova četiri principa, kroz nekoliko generacija, dobija se rešenje ciljne funkcije.
КЉУЧНЕ РЕЧИ / KEYWORDS:
PMU, mašinsko učenje, big data analysis
ЛИТЕРАТУРА / REFERENCES:
[1] Khaledian, Ehdieh, et al. „Real-time synchrophasor data anomaly detection and classification using isolation forest, kmeans, and loop.“ IEEE Transactions on Smart Grid 12.3 (2020): 2378
[2] Wu, Tong, Ying-Jun Angela Zhang, and Xiaoying Tang. „Isolation forest based method for low-quality synchrophasor measurements and early events detection.“ 2018 IEEE International Conference on Communications, Control, and Computing Technologies for Smart Grids (SmartGridComm). IEEE, 2018.
[3] Liu, Fei Tony, Kai Ming Ting, and Zhi-Hua Zhou. „Isolation forest.“ 2008 eighth ieee international conference on data mining. IEEE, 2008.
[4] Ding, Zhiguo, and Minrui Fei. „An anomaly detection approach based on isolation forest algorithm for streaming data using sliding window.“ IFAC Proceedings Volumes 46.20 (2013): 12-17.
[5] Ehsani, Narges, Farrokh Aminifar, and Hamed Mohsenian‐Rad. „Convolutional autoencoder anomaly detection and classification based on distribution PMU measurements.“ IET Generation, Transmission & Distribution 16.14 (2022): 2816-2828.
[6] Niazazari, Iman, and Hanif Livani. „A PMU-data-driven disruptive event classification in distribution systems.“ Electric Power Systems Research 157 (2018): 251-260.
[7] Lin, You, Jianhui Wang, and Mingjian Cui. „Reconstruction of power system measurements based on enhanced denoising autoencoder.“ 2019 IEEE Power & Energy Society General Meeting (PESGM). IEEE, 2019.
[8] Adam, Valenta. Anomaly detection using the Extended Isolation Forest algorithm . MS thesis. Czech Technical University in Prague. Computing and information center., 2020.
[9] Mahapatra, Kaveri. Data Anomaly Detection and Correction in PMU Measurements for Wide-Area Monitoring Applications. Diss. The Pennsylvania State University, 2020.
[10] Phadke, Arun G. „Synchronized phasor measurements-a historical overview.“ IEEE/PES transmission and distribution conference and exhibition. Vol. 1. IEEE, 2002.