Εκτίμηση κατάστασης και τοπολογίας συστημάτων διανομής με χρήση τεχνητής νοημοσύνης

Σαπουντζάκης, Χαράλαμπος; Sapountzakis, Charalampos

dc.contributor.author	Σαπουντζάκης, Χαράλαμπος	el
dc.contributor.author	Sapountzakis, Charalampos	en
dc.date.accessioned	2024-09-02T08:21:36Z
dc.date.available	2024-09-02T08:21:36Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60074
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27770
dc.rights	Default License
dc.subject	State estimation, Topology Identification, Distribution Networks, Artificial Intelligence, Neural Networks	en
dc.subject	Εκτίμηση Κατάστασης, Εκτίμηση Τοπολογίας, Δίκτυα Διανομής, Τεχνητή Νοημοσύνη, Νευρωνικά Δίκτυα	el
dc.title	Εκτίμηση κατάστασης και τοπολογίας συστημάτων διανομής με χρήση τεχνητής νοημοσύνης	el
heal.type	bachelorThesis
heal.classification	Electrical Engineering	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-03-20
heal.abstract	Τα δίκτυα διανομής είναι συνήθως μεγάλα και πολύπλοκα συστήματα αποτελούμενα από πολυάριθμα διασυνδεδεμένα στοιχεία, γεγονός που δυσχαιραίνει την επίγνωση της κατάστασης του δικτύου σε μεμονωμένες στιγμές. Επίσης, τα σύγχρονα δίκτυα διανομής αντιμετωπίζουν συνεχώς νέες προκλήσεις, όπως είναι η ολοένα αυξανόμενη ενσωμάτωση των ανανεώσιμων πηγών ενέργειας, η αβεβαιότητα που αυτές συνεπάγονται, η εξάπλωση των κατανεμημένων ενεργειακών πόρων και η αμφίδρομη ροή ισχύος που αυτό προκαλεί. Ο τρόπος αντιμετώπισης αυτών των προκλήσεων τα μεταμορφώνει από παθητικές σε ενεργητικές οντότητες και τα μετασχηματίζει σε έξυπνα δίκτυα που αξιοποιούν τις ψηφιακές τεχνολογίες, δίκτυα επικοινωνίας και την αυτοματοποίηση. Η εκτίμηση κατάστασης στα συστήματα ηλεκτρικής ενέργειας είναι μία διαδικασία απαραίτητη για την διασφάλιση της αξιόπιστης και αποδοτικής λειτουργίας τους. Αυτό επειδή παρέχει ακριβείς πληροφορίες σε πραγματικό χρόνο σχετικά με την κατάσταση και τη συμπεριφορά του συστήματος, οι οποίες είναι απαραίτητες για τη βελτιστοποίηση των λειτουργιών, την ενίσχυση της αξιοπιστίας και τη δημιουργία προηγμένων στρατηγικών ελέγχου. Ένα σημαντικό εμπόδιο στην εκτίμηση της κατάστασης των δικτύων διανομής είναι η έλλειψη παρατηρησιμότητας τους, λόγω του περιορισμένου αριθμού αισθητήρων ή της μη βέλτιστης τοποθέτησης τους στο δίκτυο. Ως αποτέλεσμα, οι κλασσικοί εκτιμητές κατάστασης (όπως ο WLS – σταθμισμένων ελαχίστων τετραγώνων) που υποθέτουν ντετερμινιστική κατάσταση του συστήματος δεν μπορούν να παρέχουν εγγυημένα ακριβείς μετρήσεις με αξιόπιστο τρόπο. Η εκτίμηση της κατάστασης για μη παρατηρήσιμα συστήματα πρέπει να συμπεριλαμβάνει πρόσθετες ιδιότητες πέραν του μοντέλου μέτρησης που ορίζεται από τα ισοζύγια ροής ισχύος. Για το σκοπό αυτό, στην παρούσα εργασία, αναπτύσσεται μια Μπεϋζιανή προσέγγιση, όπου οι καταστάσεις του συστήματος θεωρούνται οι φασιθέτες της τάσης των κόμβων του δικτύου. Το σημαντικότερο πλεονέκτημα αυτής της προσέγγισης είναι ότι η παρατηρησιμότητα δεν απαιτείται πλέον. Σε αντίθεση με τις παραδοσιακές τεχνικές εκτίμησης κατάστασης που ελαχιστοποιούν το σφάλμα μοντελοποίησης, ο εκτιμητής αυτός ελαχιστοποιεί άμεσα το σφάλμα εκτίμησης. Ένα βαθύ νευρωνικό δίκτυο κατασκευάζεται για την προσέγγιση αυτού του εκτιμητή κατάστασης, λόγω των εξαιρετικών δυνατοτήτων προσέγγισης που έχει αποδειχθεί πως αυτά διαθέτουν. Ωστόσο, καθώς η τοπολογία ενός δικτύου διανομής αλλάζει με το χρόνο, είναι σημαντικό να εξεταστούν οι επιπτώσεις αυτής της αλλαγής στην εκτίμηση κατάστασης. Έτσι, κατασκευάστηκε κι ένα ακόμη βαθύ νευρωνικό δίκτυο, το οποίο αναγνωρίζει την τοπολογία του δικτύου και στη συνέχεια, αν αυτή αλλάξει, χρησιμοποιείται μια τεχνική που ονομάζεται transfer learning έτσι ώστε το πρροηγούμενο, νευρωνικό δίκτυο για εκτίμηση κατάστασης να προσαρμοστεί σε αυτή την αλλαγή. Τα δύο αυτά νευρωνικά δίκτυα εκπαιδεύονται με δεδομένα που παράγονται μέσω προσομοιώσεων Monte Carlo. Τέλος, αναπτύχθηκε ένας αλγόριθμος βέλτιστης τοποθέτησης μετρητών στο δίκτυο, έτσι ώστε να χρησιμοποιηθεί ο ελάχιστος δυνατός αριθμός PMUs για την απόκτηση αξιόπιστων και ακριβών αποτελεσμάτων.	el
heal.abstract	Distribution networks are usually large and complex systems consisting of numerous interconnected elements, which makes it difficult to know the state of the network at individual moments. Furthermore, modern distribution networks are constantly facing new challenges, such as the ever-increasing integration of renewable energy sources, the uncertainty they entail, the spread of distributed energy resources and the two-way power flow this causes. How to address these challenges transforms them from passive to active entities and into smart grids that leverage digital technologies, communication networks and automation. State estimation in power systems is a process essential to ensure their reliable and efficient operation. This is because it provides accurate, real-time information about system status and behaviour, which is essential for optimising operations, enhancing reliability and creating advanced control strategies. A major obstacle to assessing the status of distribution networks is their unobservability, due to the limited number of measurement devices or their suboptimal placement in the network. As a result, classical state estimators (such as WLS - weighted least squares) that assume deterministic system state cannot provide guaranteed accurate measurements in a reliable way. State estimation for unobservable systems must include additional properties beyond the measurement model defined by power flow equilibria. For this purpose, in this paper, a Bayesian approach is developed, where the system states are considered as the voltage phasors of the network nodes. The main advantage of this approach is that complete observability is no longer required. Unlike traditional state estimation techniques that minimize the modelling error, this estimator directly minimizes the estimation error. A deep neural network is constructed to approximate this state estimator because of the excellent approximation capabilities that they have been shown to possess. However, as the topology of a distribution network changes over time, it is important to consider the impact of it on state estimation. Thus, another deep neural network was built, which identifies the network topology and then if it changes, a technique called transfer learning is used so that the previous, state estimation neural network can adapt to this change. These two neural networks are trained with data generated through Monte Carlo simulations. Finally, an algorithm for optimal placement of meters in the network was developed so that the minimum number of PMUs possible is used to obtain reliable and accurate results.	en
heal.advisorName	Δημέας, Άρης-Ευάγγελος	el
heal.committeeMemberName	Δημέας, Άρης-Ευάγγελος	el
heal.committeeMemberName	Κορρές, Γεώργιος	el
heal.committeeMemberName	Γεωργιλάκης, Παύλος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικής Ισχύος.	el
heal.academicPublisherID	ntua
heal.numberOfPages	157 σ.	el
heal.fullTextAvailability	false