Флексибилност електроенергетског система / Зборник CIGRE (2023). (стр 2230-2238)
АУТОР(И) / AUTHOR(S): Милица Влаисављевић, Соња Кнежевић, Милета Жарковић
Е-АДРЕСА / E-MAIL:
Download Full Pdf
DOI: 10.46793/CIGRE36.2230V
САЖЕТАК / ABSTRACT:
Мониторингом електроенергетских система прикупља се велики број података. Прикупљени подаци формирају базе података на основу којих се може вршити дијагностика стања електроенергетских система помоћу машинског учења. У случају поремећаја стања у раду мреже потребно је у ефикасном времену детектовати његову појаву и реаговати на адекватан начин. Овај рад је базиран на формирању аутоенкодерске мреже која је обучена за процену стања у електроенергетском систему на основу велике количине мерених података. Сврха примене машинског учења код дијагностике стања је брже и ефикасније детектовања постојања квара као и могућност елиминације људске грешке у процени. Рад аутоенкодерске мреже је оформљен на основу велике количине реалних мерења у случају нормалног рада система као и у ситуацијама када се дешава поремећај у систему. У прогнози стања система користи се средња апсолутна процентуална грешка (MAPE – Mean Absolute Percentage Error). Како је параметар који дефинише тачност рада аутоенкодерске мреже MAPE, која приказује одступање између предвиђаних и стварних вредности, она се користи у прогнози стања система. Мрежа је тренирана на основу мерења која одговарају стању без поремећаја, уколико се појави и један параметар који није у границама прихватљивог стања средња апсолутна процентуална грешка ће бити знатно већа. На основу овог одступања, у циљу процене рада аутоенкодерске мреже, вршена је детекција скупа мерења која одговарају поремећајима у мрежи. Анализом у овом раду се очекује процена функционисања примене принципа вештачке интелигенције у дијагностици стања електроенергетских система како би он потенцијално могао да се искористи за надгледање реалних система.
КЉУЧНЕ РЕЧИ / KEYWORDS:
Вештачка интелигенција, Аутоенкодерске мреже, Big Data, Анализа стања мреже
ЛИТЕРАТУРА / REFERENCES:
National Energy Technology Laboratory (NETL). “A systems view of the modern grid,”. tech. rep., U.S. Department of Energy (DOE), Jan. 2007.
Machine Learning for Power System Disturbance and Cyber-attack Discrimination, Raymond C. Borges Hink, Justin M. Beaver, Mark A. Buckner, Tommy Morris, Uttam Adhikari, Shengyi Pan, Research Gate-Conference Paper August 2014
Power System Attack Datasets – Mississippi State University and Oak Ridge National Laboratory, Uttam Adhikari, Shengyi Pan, Tommy Morris, Raymond Borges and Justin Beaver, April 2014
Ian Goodfellow, Yoshua Bengio, and Aaron Courville. Deep Learning. MIT Press, 2016.
http://www.deeplearningbook.orgMaitha H. Al Shamisi, Ali H. Assi and Hassan A. N. Hejase: Using MATLAB to Develop Artificial Neural Network Models for Predicting Global Solar Radiation in Al Ain City – UAE, United Arab Emirates University, United Arab Emirates
A.K. Yadav, S. Chandel, Solar radiation prediction using artificial neural network, techniques: a review, Renew. Sustain. Energy Rev. 33 (2014) 772–781, https://doi.org/10.1016/j.rser.2013.08.055