Tez No	İndirme	Tez Künye	Durumu
568178		An ensemble learning model for wide-area measurement based transient stability assessment in power systems / Güç sistemlerinde geniş alan ölçümlerine dayalı geçici hal kararlılık değerlendirmesi için bir topluluk öğrenme modeli Yazar:CAN BERK SANER Danışman: PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ Yer Bilgisi: İstanbul Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik Mühendisliği Ana Bilim Dalı / Elektrik Mühendisliği Bilim Dalı Konu:Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering Dizin:Elektrik güç sistemleri = Electric power systems ; Geçici hal kararlılık analizi = Transient stability analysis ; Makine öğrenmesi = Machine learning	Onaylandı Yüksek Lisans İngilizce 2019 81 s.
Günümüzde elektrik enerjisine olan ihtiyacın giderek artması, iletim sistemi işletmecilerinin elektrik şebekelerini teknik sınırlarında işletmelerine neden olmaktadır. Söz konusu şartlar altında sistemde gerçekleşebilecek çeşitli bozucu etkiler, örneğin arızalar ve/veya eleman kayıpları, sistemin güvenli işletme durumunu tehlikeye sokabilmektedir. Sistemin bir bölgesinde oluşan bozucu etkinin, sistemin tümünü etkileyebilecek kararsızlık problemlerine yol açıp açmayacağını değerlendirmek, uygun acil durum düzeltici kontrol eylemlerinin planlanıp uygulanabilmesi için büyük önem arz etmektedir. Aksi takdirde bu bozucu etkiler, sistem genelinde büyük çaplı çökmelere ve buna bağlı olarak ekonomik ve sosyal kayıplara neden olabilmektedir. Bu problemlerden hareketle, bu tezde, güç sisteminde gerçekleşen bir bozucu etki sonrası sistemin geçici hal kararlılık durumunun çevrimiçi olarak değerlendirilmesi amacıyla, geniş alan ölçümlerine dayalı makine öğrenmesi tabanlı bir topluluk öğrenme modeli önerilmiştir. Geçici hal kararlılık değerlendirmesi (GHKD), sistemde oluşan kısa devre arızaları, yüklü bir hattın devreden çıkması veya önemli bir üretim biriminin kaybı gibi büyük bir bozucu etkinin sonucunda, sistemde bulunan tüm üretim birimlerinin senkronda kalıp kalmayacağının denetlenmesidir. Bu değerlendirmenin hızlı ve etkin bir biçimde yapılması, büyük çaplı çökmelerin önlenmesi için uygun kontrol eylemlerinin zamanında uygulanması açısından esastır. GHKD yaklaşımları, çevrimdışı ve çevrimiçi yöntemler olarak ikiye ayrılabilir. Çevrimdışı yöntemler, ele alınan güç sisteminin olası işletme koşulları altında meydana gelebilecek bozucu etki senaryolarının, zaman tanım bölgesi benzetim çalışmalarıyla değerlendirilmesi esasına dayanır. Ancak önceden tanımlanmış bu senaryoların, sistemde karşılaşılan gerçek durumlarla örtüşmesi çoğu zaman mümkün olmamaktadır. Çevrimdışı değerlendirmeler ile planlanan kontrol eylemleri, gerçekte karşılaşılan durumlar için fazla tutucu kalabilmekte ve güç sistemi işletmesi açısından ekonomik kayıplara neden olabilmektedir. Çevrimiçi yöntemler ise, kararlılık değerlendirmesinin bozucu etkinin gerçekleşmesinden hemen sonra yapılması esasına dayanır. Bu anlamda ele alınan geleneksel GHKD yöntemlerine, Lyapunov enerji fonksiyonlarını kullanan doğrudan yöntemler, eliştirilmiş eşit alan kriteri ve etkin zaman tanım bölgesi benzetimleri örnek verilebilir. Söz konusu bu yöntemler genellikle ciddi hesap yükü gerektirmekte ve yüksek doğrulukta sistem model parametrelerine ihtiyaç duymaktadır. Güç sisteminden alınan gerçek zamanlı ölçümlere dayalı makine öğrenmesi tabanlı GHKD yöntemleri, bahsedilen problemlerin önüne geçmektedir. Güç sistemi izlemi konusunda gerçekleşen teknolojik gelişmeler, sistem genelinde durumsal farkındalığın artmasını sağlamıştır. Geniş alan izleme sistemleri adı verilen yapıda, senkrofazör ölçüm teknolojisi kullanan fazör ölçüm birimleri (FÖB) ile sistemin coğrafi olarak dağılmış çeşitli noktalarından önemli durum değişkenlerinin eşzamanlı, yüksek doğruluk ve çözünürlüklü ölçümü mümkün olmaktadır. Fazör ölçüm birimleri, saniyede 30 ila 120 örnek arası değişen raporlama oranı ile bara gerilim genliği, gerilim açısı, frekans ve frekans değişim oranı ölçümlerini veri merkezine iletebilmektedir. Söz konusu yüksek raporlama oranı, güç sistemde gerçekleşen dinamik olayların tespit edilebilmesi için yeterli görülmektedir. Bu itibarla, geniş alan ölçümlerine dayalı GHKD yöntemleri konusunda yapılan çalışmalar son yıllarda giderek artmaktadır. Özellikle makine öğrenmesi yöntemleri, sistemden alınan ölçümler ile sistemin geçici hal kararlılık durumu arasında model gerektirmeyen bir eşleme kurabileceğinden dolayı, ele alınan problem için oldukça başarılı sonuçlar verebilmektedir. Literatürde yer alan ölçümlere dayalı makine öğrenmesi tabanlı GHKD yöntemleri incelendiğinde, bu yöntemlerin sistemin geçici hal kararlılık durumunu hızlı ve yüksek doğrulukla tahmin ettiği görülmüştür. Kullanılan makine öğrenmesi algoritmalarına örnek olarak karar ağaçları, destek vektör makineleri, yapay sinir ağları, derin öğrenme ve topluluk öğrenme (ensemble learning) modelleri verilebilir. Literatürdeki çalışmalar incelendiğinde, çalışamalarda genel olarak yalnızca bara gerilim genliği ve açısı ölçümlerinin esas alındığı, ancak FÖB ile izlenebilecek diğer durum değişkenleri olan frekans ve frekans değişim oranının irdelenmediği görüşmüştür. Öte yandan çoğu çalışma, FÖBlerin tüm baralarda veya tüm jeneratör baralarında var olduğu kabulü üzerine kurgulanmıştır. Kimi çalışmalar ölçümlerde var olabilecek gürültünün, GHKD doğruluk oranına etkisine yer vermiş olsa da çeşitli gürültü seviyelerinin doğruluk oranına etkisi derinlikli olarak araştırılmamıştır. Ayrıca, bozucu etki sırasında bir veya daha fazla FÖB ile haberleşmenin ve veri akışının kesilmesi durumunda, değerlendirme doğruluk oranının nasıl etkileneceği sistematik olarak irdelenmemiştir. Literatürde yer alan bu açıkların doldurulması amacıyla, GHKD problemi için arıza sonrası beş periyot boyunca alınan bara gerilim genliği, gerilim açısı, frekans ve frekans değişim oranı senkrofazör ölçümlerini esas alan bir yığınlı topluluk öğrenme (stacked ensemble) sınıflandırıcı modeli önerilmiştir. Bu sınıflandırıcı, güç sisteminin bir bozucu etki sonrası geçici hal kararlık durumunu "kararlı değil" veya "kararlı" olarak sınıflaması amacıyla eğitilmiştir. Söz konusu modelde, temel öğrenici (base-learner) olarak, bir yinelemeli yapay sinir ağı yapısı olan Uzun Kısa-Süreli Bellek Ağları (Long Short-Term Memory networks), meta öğrenici (meta-learner) olarak da bir yön türevi güçlendirilmiş karar ağacı (gradient boosted decision tree) yapısı olan LightGBM kullanılmıştır. Önerilen modelde, ölçülen her bir durum değişkeni için bir adet, yani toplamda dört ayrı temel öğrenici, öngörülmüştür. Meta öğrenici ise bu dört temel öğrenicinin tahminlerini birleştirerek nihai tek bir tahmin oluşturur. Önerilen sınıflandırıcı modelinin eğitilmesi ve başarımının sınanması amacıyla bir öğrenme kümesi oluşturulmalıdır. Bu amaçla, ele alınan güç sisteminin arıza öncesi olası işletme koşullarını göz önüne almak adına pek çok farklı çalışma noktası kurgulanmıştır. Her bir çalışma noktasında, sistemdeki tüm baralara ayrı ayrı üç fazlı kısa devre arızaları uygulanmıştır. Bu arızalar için farklı temizlenme süreleri esas alınarak çeşitli senaryolar oluşturulmuştur. Senaryolar için benzetim çalışmaları TSAT geçici hal dinamik analiz yazılımı ile gerçekleştirilmiş ve arıza sonrası bara gerilim genliği, gerilim açısı, frekans ve frekans değişim oranı ölçümleri 5 periyot boyunca alınarak saniyede 60 örnekleme oranı ile örneklenmiştir. Her bir senaryo, rotor açısı tabanlı kararlılık indisi kullanılarak "kararlı değil" veya "kararlı" olarak etiketlenmiştir. Güç sistemindeki tüm baraların FÖB ile donatılmış olduğu varsayımı, ekonomik ve teknik kıstaslar göz önüne alındığında gerçekçi görünmemektedir. Bu sebeple, sistemdeki FÖB lerin durum kestimini esas alan bir optimizasyon yaklaşımına göre yerleştirildiği düşünülmüş ve veri kümesi yalnızca FÖB ile donatılmış baralardan alınan ölçümler ile oluşturulmuştur. Oluşturulan öğrenme kümesi, eğitim ve sınama kümesi olmak üzere ikiye ayrılmıştır. Sınıflandırıcı eğitimi, baz öğrenici için üstdeğişken belirlenmesi ve eğitimi ile başlatılmıştır. Meta öğrenici için meta özniteliklerin oluşturulması, tezin ilgili bölümünde detaylandırılan 5 katlı eğitim süreci ile gerçekleştirilmiştir. Oluşturulan meta öznitelikler ile meta öğrenicinin üstdeğişkenleri belirlenmiş ve eğitimi gerçekleştirilmiş, böylelikle eğitim süreci tamamlanarak sınama sürecine geçilmiştir. Sınama süreci, eğitim sürecinin dışında tutulan sınama kümesi ile gerçekleştirilmiştir. Bu kısımda, önerilen topluluk öğrenme sınıflandırıcı modeli ile dört ayrı temel öğrenicinin başarımları kıyaslanmıştır. Olağan başarım değerlendirme süreçlerinin yanı sıra, sınıflandırıcıların gürültü içeren veri ve eksik veri koşullarına dayanıklılığı da denetlenmiştir. Gürültüye karşı dayanıklılık testi, sınama kümesine farklı işaretgürültü oranı değerlerine karşı düşecek sıfır ortalamalı Gauss gürültülerinin eklenmesi ve gürültülü verilerin sınıflandırıcılarla işlenmesi ile gerçekleştirilmiştir. Eksik veriye karşı dayanıklılık ise, 1, 2 veya 3 adet FÖB den gelen verilerin kesilmesi koşulu altında incelenmiştir. Önerilen topluluk öğrenme tabanlı GHKD yöntemi, 41 baralı Nordic (Kuzey Avrupa ülkeleri) test sistemi ve 127 baralı Western Systems Coordinating Council (ABD Batı Sistemleri Koordinasyon Kurulu) test sistemi üzerinde uygulanmış ve başarımı irdelenmiştir. Yapılan çalışmalar ile, önerilen yöntemin Nordic test sisteminde %98,66, WSCC sisteminde ise %98,93'e varan doğruluk oranları ile geçici hal kararlılık durumu kestirimi gerçekleştirdiği sonucuna varılmıştır. Önerilen sınıflandırıcının gürültülü veri koşullarına oldukça dayanıklı olduğu gösterilmiş, eksik veri koşullarında ise Nordic sisteminde %97'nin, WSCC sisteminde ise %96'nın üzerinde bir ortalama doğruluk oranı sağladığı görülmüştür. Söz konusu sonuçların istatistiksel anlamlılığı, gerçekleştirilen t-testleri ile denetlenmiştir.
Increasing demand on electrical energy has led the transmission system operators to run the power system near its technical limits. Given this, disturbances such as faults and/or loss of system components, may jeopardize the secure operation of the power system. It is essential to assess whether an occurring disturbance would degrade the overall system in order to plan and initiate the relevant control actions to prevent cascading outages which may eventually lead to blackouts. Transient stability is of high relevance in this regard, as it deals with the large and sudden disturbances which may severely degrade the power system, and therefore is the main focus of this thesis. Transient stability assessment (TSA) corresponds to the determination of whether all generating units within a power system would maintain synchronism after being subjected to a large disturbance, such as a short circuit fault, tripping of a line, or loss of an important generating unit. Traditional TSA methods generally require precise system model parameters and they suffer from high computational burden. Nevertheless, it is important to assess the system's stability status in an online manner so that the proper emergency corrective control actions can be taken in order to maintain the stable operation of the power system. In this regard, machine learning based TSA methods that use measurement data, offer fast and accurate results and hence have drawn attention in recent years. Recent developments on power system monitoring enhanced the situational awareness of the power system. In the wide area monitoring systems (WAMS) environment, it is possible to obtain synchronized and precise measurements of important system variables, such as bus voltage magnitude, voltage angle, frequency, and rate of change of frequency (ROCOF), from geographically dispersed locations throughout the system by means of phasor measurement units (PMUs) that use synchrophasor measurement technology. The reporting rate of PMUs, which is 30 to 120 samples per second, is considered to be high enough to capture the dynamic events that are evolving in the system. These measurements, therefore, can be used for transient stability assessment. Machine learning methods are particularly useful to this end, as they can provide a mapping between system's measurements and the transient stability status of the system without requiring an explicit function. In this thesis, a machine learning based stacked ensemble model that uses postcontingency wide-area synchrophasor measurements is proposed to classify the transient stability status of a power system to be stable or unstable, after being subjected to a disturbance. The model includes four individual long short-term memory network (LSTM) classifiers as base-learners, which adopt post contingency bus voltage magnitude, bus voltage angle, frequency, and rate of change of frequency (ROCOF) synchrophasor measurements. A LightGBM classifier is implemented as the meta-learner to combine the predictions of base-learners and to produce a final estimation of transient stability status. An important differentiation from most of the existing studies in the literature is that, the proposed method does not assume that every bus is equipped with a PMU. Furthermore, robustness of the proposed classifier is analyzed under noisy conditions and against the scenario of missing PMU measurements. Efficacy of the proposed ensemble learning based TSA methodology is investigated in two different test systems, i.e. 41-bus Nordic test system and 127-bus WSCC (Western Systems Coordinating Council) test system. Throughout the studies, it is found out that the transient stability prediction accuracy of the proposed method reaches as high as 98.66% for the Nordic system, and 98.93% for the WSCC system. Through robustness tests, it is identified that the proposed model is almost insensitive to noise, while the average accuracy is over 97% for the Nordic system, and 96% for the WSCC system when three PMUs are lost at the instant of stability assessment. Statistical significance of the results is verified through t-tests.