Multilabel learning for the online transient stability assessment of electric power systems

Beyranvand, Peyman; Genç, V. M. İstemihan; Çataltepe, Zehra

doi:10.3906/elk-1805-151

Cited by 3 publications

(3 citation statements)

References 20 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In [67], a MapReduce algorithm is used to parallelise the learning of several networks and predict both stability status and the transient stability index. In [68], when the prediction is not credible, time-domain simulations are used to improve the efficiency and in [69], in the context of pre-fault assessment, contingencies are first clustered and then a multi-label neural network is learnt per cluster, to predict the stability status after the occurrence of each contingency in the cluster.…”

Section: Learning a Modelmentioning

confidence: 99%

Recent Developments in Machine Learning for Energy Systems Reliability Management

2020

View full text Add to dashboard Cite

This paper reviews recent works applying machine learning techniques in the context of energy systems reliability assessment and control. We showcase both the progress achieved to date as well as the important future directions for further research, while providing an adequate background in the fields of reliability management and of machine learning. The objective is to foster the synergy between these two fields and speed up the practical adoption of machine learning techniques for energy systems reliability management. We focus on bulk electric power systems and use them as an example, but we argue that the methods, tools, etc. can be extended to other similar systems, such as distribution systems, micro-grids, and multi-energy systems.

show abstract

Section: Learning a Modelmentioning

confidence: 99%

Recent Developments in Machine Learning for Energy Systems Reliability Management

2020

View full text Add to dashboard Cite

show abstract

“…Static Security Assessment (SSA) considers operating conditions such as overloads, under and over voltages, active and reactive power generation limits, among others using load flow calculation [9,10]. Dynamic Security Assessment (DSA) evaluates the system transient behavior after the occurrence of large disturbances, such as short circuit for example, so that it is of interest to determine if the system can operate maintaining a dynamically acceptable performance (transient stability) [11], and it is simulated considering dynamic time-varying models to represent the EPS, whose solution involves numerical integration algorithms that require great computational effort [12].…”

Section: Ii1 Electric Power Systems Security Assessmentmentioning

confidence: 99%

Comparison Between Decision Tree and Optimal Power Flow Techniques Applied To Voltage Corrective Control in Electric Systems

Nogueira¹,

Rodrigues²,

Fernandes³

et al. 2020

ITEGAM- Journal of Engineering and Technology for Industrial Applications (ITEGAM-JETIA)

View full text Add to dashboard Cite

This article presents a comparison of using techniques of optimal load flow and decision tree in making corrective voltage control actions for electrical power systems under insecure operation condition, that is, with voltage constraints violated. The decision tree technique is used in conjunction with a technique of sensitivity analysis in such a way that control actions are taken to be more effective to eliminate the voltage constraints violation in each case of contingency analyzed. A comparison is made between the control actions suggested by the optimal load flow strategy and those suggested by the decision tree for the same operating condition, discussing the achievement of implementing these actions in a real power system. The analysis methodology proposed here is tested in a real power system of a Brazilian utility, which operates in the State of Amapá -Brazil. The results showed how both methodologies can be used as operational tools in power system supervision and control centers.

show abstract

“…Şekil 5. Ele alınan 127-baralı 37-jeneratörlü WSCC test sistemi [26] Veri kümesinin elde edilmesinden sonra, öğrenme karmaşıklığını azaltmak adına bir öznitelik seçimi süreci gerçekleştirmek önemlidir. Öznitelik seçimi ve eğitim sürecinin tamamlanmasından sonra, çeşitli ölçütler kullanılarak sınıflandırıcı başarımının denetlenmesi gerekmektedir.…”

Section: Geçici Hal Kararsızlığının Tespitiunclassified

Güç Sistemlerinde Geçici Hal Kararsızlığının Arıza Öncesi Fazör Ölçümleri Kullanarak Karar Ağacı Tabanlı Kestirimi

Saner

Kesici

Mahdi³

et al. 2019

Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi

View full text Add to dashboard Cite

Geçtiğimiz yıllarda, dünya çapında farklı güç sistemlerinde, çok sayıda geniş çaplı enerji kesintileri meydana gelmiş, bu kesintiler milyonlarca tüketicinin olumsuz etkilenmesine neden olmuş ve büyük miktarda mali zararlara neden olmuştur. Elektrik güç sistemi tasarımı ve işletmesinde kritik bir role sahip sistem kararlılığı, günümüzdeki önemini korumaktadır. Bir güç sisteminin kararlılık durumunu gerçek zamanlı olarak izlemek, sistem çökmelerini önlemede birincil öneme sahip bir görev olarak kabul edilmektedir. Şebekenin kararlılık durumunun gerçek zamanlı olarak izlenmesi, geniş alan izleme, koruma ve kontrol sistemlerinin verimliliği açısından önemli bir fonksiyondur. Bu fonksiyon ile düzeltici kontrol eylemlerinin zamanında gerçekleştirilebilmesi sağlanabilir. Bu çalışmada, güç sisteminde meydana gelebilecek arızalar öncesinde fazör ölçüm birimlerinden alınan gerilimlere ait genlik ve açıların yanı sıra, arızanın temizlenme süresi ve arızanın temizlenmesi için devreden çıkarılan iletim hattına ait topoloji bilgileri de kullanılarak, geçici hal kararsızlıklarının kestirimi, karar ağaçlarına dayalı iki farklı yöntem ile gerçekleştirilmiştir. Önerilen makine öğrenmesi modellerinin başarımları ve etkinlikleri 29 jeneratörlü 127 baralı WSCC (Batı Eyaletleri Koordinasyon Kurulu) test sisteminde uygulanarak gösterilmiştir.

show abstract

Multilabel learning for the online transient stability assessment of electric power systems

Cited by 3 publications

References 20 publications

Recent Developments in Machine Learning for Energy Systems Reliability Management

Recent Developments in Machine Learning for Energy Systems Reliability Management

Comparison Between Decision Tree and Optimal Power Flow Techniques Applied To Voltage Corrective Control in Electric Systems

Güç Sistemlerinde Geçici Hal Kararsızlığının Arıza Öncesi Fazör Ölçümleri Kullanarak Karar Ağacı Tabanlı Kestirimi

Contact Info

Product

Resources

About