Fleksibilnost elektroenergetskog sistema / Zbornik CIGRE (2023). (str 2230-2238)
AUTOR(I) / AUTHOR(S): Milica Vlaisavljević, Sonja Knežević, Mileta Žarković
E-ADRESA / E-MAIL:
Download Full Pdf 
DOI: 10.46793/CIGRE36.2230V
SAŽETAK / ABSTRACT:
Monitoringom elektroenergetskih sistema prikuplja se veliki broj podataka. Prikupljeni podaci formiraju baze podataka na osnovu kojih se može vršiti dijagnostika stanja elektroenergetskih sistema pomoću mašinskog učenja. U slučaju poremećaja stanja u radu mreže potrebno je u efikasnom vremenu detektovati njegovu pojavu i reagovati na adekvatan način. Ovaj rad je baziran na formiranju autoenkoderske mreže koja je obučena za procenu stanja u elektroenergetskom sistemu na osnovu velike količine merenih podataka. Svrha primene mašinskog učenja kod dijagnostike stanja je brže i efikasnije detektovanja postojanja kvara kao i mogućnost eliminacije ljudske greške u proceni. Rad autoenkoderske mreže je oformljen na osnovu velike količine realnih merenja u slučaju normalnog rada sistema kao i u situacijama kada se dešava poremećaj u sistemu. U prognozi stanja sistema koristi se srednja apsolutna procentualna greška (MAPE – Mean Absolute Percentage Error). Kako je parametar koji definiše tačnost rada autoenkoderske mreže MAPE, koja prikazuje odstupanje između predviđanih i stvarnih vrednosti, ona se koristi u prognozi stanja sistema. Mreža je trenirana na osnovu merenja koja odgovaraju stanju bez poremećaja, ukoliko se pojavi i jedan parametar koji nije u granicama prihvatljivog stanja srednja apsolutna procentualna greška će biti znatno veća. Na osnovu ovog odstupanja, u cilju procene rada autoenkoderske mreže, vršena je detekcija skupa merenja koja odgovaraju poremećajima u mreži. Analizom u ovom radu se očekuje procena funkcionisanja primene principa veštačke inteligencije u dijagnostici stanja elektroenergetskih sistema kako bi on potencijalno mogao da se iskoristi za nadgledanje realnih sistema.
KLJUČNE REČI / KEYWORDS:
Veštačka inteligencija, Autoenkoderske mreže, Big Data, Analiza stanja mreže
LITERATURA / 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