ДИЈАГНОСТИКА СТАЊА ЕЛЕКТРОЕНЕРГЕТСКЕ МРЕЖЕ ПОМОЋУ АУТОЕНКОДЕРСКИХ НЕУРАЛНИХ МРЕЖА

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.org

  • Maitha 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