Аннотация
Развитие современных электроэнергетических систем связано с цифровизацией и увеличением потока данных от объектов электроэнергетики к центрам управления. С другой стороны, увеличение доли возобновляемых источников энергии приводит к увеличению неопределённости электрических режимов и снижению суммарной инерции, что накладывает новые требования к быстродействию процедуры оценки динамической устойчивости и противоаварийного управления. Применение традиционных детерминированных алгоритмов к анализу динамической устойчивости энергосистем в условиях ужесточающихся требований к быстродействию могут оказаться неэффективными. Для преодоления недостатков традиционных методов оценки динамической устойчивости энергосистем могут быть использованы методы искусственного интеллекта. Данный класс методов обладает значительным быстродействием обученных моделей и возможностью поиска закономерностей в данных, что делает его эффективным в условиях современных энергосистем. В работе представлены результаты разработки метода оценки динамической устойчивости энергосистемы на основе методов искусственного интеллекта с учётом топологической связанности электрической сети. Методика основана на применении алгоритма градиентного бустинга деревьев решений. Численное моделирование выполнено на модели IEEE39, реализованной в Matlab/Simulink, для реализации алгоритмов машинного обучения использована библиотека Scikit-learn языка программирования Python3. Для обучения алгоритма машинного обучения использовались углы нагрузок синхронных генераторов, уровни напряжения в узлах подключения синхронных генераторов к электрической сети, топология электрической сети, продолжительность и сопротивление короткого замыкания. В результате применения обученного алгоритма с учётом топологии электрической сети на тестовой выборке была получена точность в 91,5%. Точность работы на тестовой выборке без учёта топологической связанности элементов энергосистемы составила 81,6%.
Ключевые слова
Динамическая устойчивость, искусственный интеллект, машинное обучение, математическое моделирование.
1. Khalyasmaa A.I., Senyuk M.D., Eroshenko S.A. High-Voltage Circuit Breakers Technical State Patterns Recognition Based on Machine Learning Methods // IEEE Transactions on Power Delivery. 2019. No. 4(34). Pp. 1747-1756. doi: 10.1109/TPWRD.2019.2921095
2. Electric vehicle charging load clustering and load forecasting based on long short term memory neural network / H. Wang, X. Huang, S. Gao, Z. Yang, T. Gao, Q. Zhao, H. Ding // 5th International Electrical and Energy Conference (CIEEC). IEEE, 2022. Pp. 3196-3200. doi: 10.1109/CIEEC54735.2022.9846570
3. Improved PV Forecasts for Capacity Firming / C. Keerthisinghe, E. Mickelson, D.S. Kirschen, N. Shih, S. Gibson // IEEE Access. 2020. Vol. 8. Pp. 152173-152182. doi: 10.1109/ACCESS.2020.3016956
4. Gelli R., Manimaran G. Anomaly Detection and Mitigation for Wide-Area Damping Control using Machine Learning // Power & Energy Society General Meeting (PESGM). IEEE, 2020. doi: 10.1109/PESGM41954.2020.9281615
5. Hong G., Kim Y.-S. Supervised Learning Approach for State Estimation of Unmeasured Points of Distribution Network // IEEE Access. 2020. Vol. 8. Pp. 113918-113931. doi: 10.1109/ACCESS.2020.3003049
6. Reduced Kernel Random Forest Technique for Fault Detection and Classification in Grid-Tied PV Systems / K. Dhibi, R. Fezai, M. Mansouri, M. Trabelsi, A. Kouadri, K. Bouzara, H. Nounou, M. Nounou // IEEE Journal of Photovoltaics. 2020. No. 6(10). Pp. 1864-1871. doi: 10.1109/JPHOTOV.2020.3011068
7. The Accelerate Estimation Method of Power System Parameters in Static and Dynamic Processes / S. Beryozkina, M. Senyuk, A. Berdin, A. Dmitrieva, S. Dmitriev, P. Erokhin // IEEE Access. 2022. Vol. 10. Pp. 61522-61529. doi: 10.1109/ACCESS.2022.3181196
8. Guest Editorial Big Data Analytics for Grid Modernization / T. Hong, C. Chen, J. Huang, N. Lu, L. Xie, H. Zareipour // IEEE Transactions on Smart Grid. 2016. No. 5(7). Pp. 2395-2396. doi: 10.1109/TSG.2016.2593358
9. Kundur P. Power System Stability and Control. McGraw-Hill, Inc., New York, 1994.
10. Алексеева В.А. Использование методов машинного обучения в задачах бинарной классификации // Автоматизация процессов управления. 2015. №. 3. С. 58-63.
11. Time Series-Analysis Based Engineering of High-Dimensional Wide-Area Stability Indices for Machine Learning / R.T. Dabou, I. Kamwa, C.Y. Chung, C.F. Mugombozi // IEEE Access. 2021. Vol. 9. Pp. 104927-104939. doi:10.1109/ACCESS.2021.3099459
12. Chen K. Indirect PCA Dimensionality Reduction Based Machine Learning Algorithms for Power System Transient Stability Assessment // Innovative Smart Grid Technologies - Asia (ISGT Asia). IEEE, 2019. Pp. 4175-4179. doi: 10.1109/ISGT-Asia.2019.8881370
13. Online transient stability margin prediction of power systems with wind farms using ensemble regression trees / D. Mi, T. Wang, M. Gao, C. Li, Z. Wang // International Transactions on Electrical Energy Systems. 2021. No. 11(31). doi: 10.1002/2050-7038.13057
14. Non-parametric statistics-based predictor enabling online transient stability assessment / T. Liu, Y. Liu, L. Xu, J. Liu, J. Mitra, Y. Tian // IET Gener. Transm. Distrib. 2018. Vol. 12(21). Pp. 5761-5769. doi: 10.1049/iet-gtd.2018.5802.
15. Power System Transient Stability Assessment Using Stacked Autoencoder and Voting Ensemble / P. Sarajcev, A. Kunac, G. Petrovic, M. Despalatovic // Energies. 2021. No. 14(11). 3148. doi: 10.3390/en14113148
16. Transient Stability Assessment Method for Power System Based on SVM with Adaptive Parameters Adjustment / D. Shao, Y. Xu, S. Ma, Y. Jing, W. Sun, T. Zhou, J. Yang // 4th International Electrical and Energy Conference (CIEEC). IEEE, 2021. Pp. 1-6. doi: 10.1109/CIEEC50170.2021.9510574
17. Support vector machines for transient stability analysis of large-scale power systems / L.S. Moulin, A.P.A. da Silva, M.A. El-Sharkawi, R.J. Marks // IEEE Transactions on Power Systems. 2004. No. 2(19). Pp. 818-825. doi: 10.1109/TPWRS.2004.826018
18. Power System Transient Stability Assessment Based on Big Data and the Core Vector Machine / B. Wang, B. Fang, Y. Wang, H. Liu and Y. Liu // IEEE Transactions on Smart Grid. 2016. No. 5(7). Pp. 2561-2570. doi: 10.1109/TSG.2016.2549063
19. Mukherjee R., De A. Development of an Ensemble Decision Tree-Based Power System Dynamic Security State Predictor // IEEE Systems Journal. 2020. No. 3(14). Pp. 3836-3843. doi: 10.1109/JSYST.2020.2978504
20. A Comparative Analysis of Decision Trees, Support Vector Machines and Artificial Neural Networks for On-line Transient Stability Assessment / N.G. Baltas, P. Mazidi, J. Ma, F. de Asis Fernandez, P. Rodriguez // International Conference on Smart Energy Systems and Technologies (SEST). IEEE, 2018. Pp. 1-6. doi: 10.1109/SEST.2018.8495872
21. Amraee T., Ranjbar S. Transient Instability Prediction Using Decision Tree Technique // IEEE Transactions on Power Systems. 2013. No. 3(28). Pp. 3028-3037. doi: 10.1109/TPWRS.2013.2238684
22. Li N., Li B., Gao L. Transient Stability Assessment of Power System Based on XGBoost and Factorization Machine // IEEE Access. 2020. Vol. 8. Pp. 28403-28414. doi: 10.1109/ACCESS.2020.2969446
23. Data-driven Transient Stability Assessment Based on Kernel Regression and Distance Metric Learning / X. Liu, Y. Min, L. Chen, X. Zhang and C. Feng // Journal of Modern Power Systems and Clean Energy. 2021. No. 1(9). Pp. 27-36. doi: 10.35833/MPCE.2019.000581
24. Pannell Z., Ramachandran B., Snider D. Machine learning approach to solving the transient stability assessment problem // Texas Power and Energy Conference (TPEC). IEEE, 2018. Pp. 1-6. doi: 0.1109/TPEC.2018.8312089.
25. A Unified Online Deep Learning Prediction Model for Small Signal and Transient Stability / S.K. Azman, Y.J. Isbeih, M.S.E. Moursi, K. Elbassioni // IEEE Transactions on Power Systems. 2020. No. 6(35). Pp. 4585-4598. doi: 10.1109/TPWRS.2020.2999102
26. Power system transient stability assessment based on dimension reduction and cost-sensitive ensemble learning / F. Hang, S. Huang, Y. Chen, S. Mei // Conference on Energy Internet and Energy System Integration (EI2). IEEE, 2017. Pp. 1-6. doi: 10.1109/EI2.2017.8245698.
27. Li N., Li B., Gao L. Transient Stability Assessment of Power System Based on XGBoost and Factorization Machine // IEEE Access. 2020. Vol. 8. Pp. 28403-28414. doi: 10.1109/ACCESS.2020.2969446
28. Power System Transient Stability Assessment Based on Voltage Phasor and Convolution Neural Network / J. Hou, C. Xie, T. Wang, Z. Yu, Y. Lü, H. Dai // International Conference on Energy Internet (ICEI). IEEE, 2018. Pp. 247-251. doi: 10.1109/ICEI.2018.00052
29. Transient Stability Assessment of Power Systems Using Cost-sensitive Deep Learning Approach / Y. Zhou, W. Zhao, Q. Guo, H. Sun, L. Hao // 2nd Conference on Energy Internet and Energy System Integration (EI2). IEEE, 2018. Pp. 1-6, doi: 10.1109/EI2.2018.8582047
30. Real- Time Detection of Critical Generators in Power Systems: A Deep Learning HCP Approach / B. Shinde, S. Wang, P. Dehghanian, M. Babakmehr // Texas Power and Energy Conference (TPEC). IEEE, 2020. Pp. 1-6. doi: 10.1109/TPEC48276.2020.9042552
31. Preventive control for power system transient security based on XGBoost and DCOPF with consideration of model interpretability / S. Zhang, D. Zhang, J. Qiao, X. Wang, Z. Zhang // CSEE Journal of Power and Energy Systems. 2021. No. 2(7). Pp. 279-294. doi: 10.17775/CSEEJPES.2020.04780
32. Sizing Optimization and Energy Management Strategy for Hybrid Energy Storage System Using Multiobjective Optimization and Random Forests / M. Li, L. Wang, Y. Wang, Z. Chen // IEEE Transactions on Power Electronics. 2021. No. 10(36). Pp. 11421-11430. doi: 10.1109/TPEL.2021.3070393
33. Subrahmanyam S.V, Jain S.K., Narayanan G. Real-time Simulation of IEEE 10-Generator 39-Bus System with Power System Stabilizers on Miniature Full Spectrum Simulator // International Conference on Sustainable Energy Technologies and Systems (ICSETS). IEEE, 2019. Pp. 161-166. doi: 0.1109/ICSETS.2019.8745001
Сенюк М.Д., Дмитриева А.А. Разработка метода оценки динамической устойчивости энергосистем на основе применения теории искусственного интеллекта с учётом топологической связанности сети // Электротехнические системы и комплексы. 2022. № 4(57). С. 12-19. https://doi.org/10.18503/2311-8318-2022-4(57)-12-19