Εφαρμογές μηχανικής μάθησης σε δίκτυα διανομής για ανίχνευση τοπολογίας

Μοχιανάκης Καραμπατζάκης, Αντώνιος; Mochianakis Karampatzakis, Antonios

dc.contributor.author	Μοχιανάκης Καραμπατζάκης, Αντώνιος
dc.contributor.author	Mochianakis Karampatzakis, Antonios	en
dc.date.accessioned	2025-01-31T08:13:23Z
dc.date.available	2025-01-31T08:13:23Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61004
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28700
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Παραγωγή και Διαχείριση Ενέργειας”	el
dc.rights	Default License
dc.subject	Πρόβλημα ανίχνευσης τοπολογίας δικτύου σε πραγματικό χρόνο	el
dc.subject	Βαθιά συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Βαθύ δίκτυο αντιστοίχισης πυρήνα – κόμβου	el
dc.subject	Μονάδες μέτρησης φασιθετών στα δίκτυα διανομής	el
dc.subject	Deep convolutional neural network	en
dc.subject	Real-time topology detection (TD) problem	en
dc.subject	Kernel-Node-Map Deep Network (KNDN)	en
dc.subject	Distribution phasor measurement units (D-PMU)	en
dc.title	Εφαρμογές μηχανικής μάθησης σε δίκτυα διανομής για ανίχνευση τοπολογίας	el
heal.type	masterThesis
heal.classification	δίκτυα διανομής ενέργειας	el
heal.classification	τεχνητή νοημοσύνη	el
heal.classification	μηχανική μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-17
heal.abstract	Η παρούσα διπλωματική εργασία πραγματεύεται μια μεθοδολογία ανίχνευσης τοπολογίας σε πραγματικό χρόνο (Topology Detection - TD) στα συστήματα διανομής ηλεκτρικής ενέργειας, έναν τομέα που έχει γίνει ολοένα και πιο κρίσιμος με την ένταξη διεσπαρμένων πηγών ενέργειας και δυναμικών αλλαγών φορτίου στο δίκτυο. Οι παραδοσιακές μέθοδοι ανίχνευσης τοπολογίας, που βασίζονται κυρίως σε εκτιμήσεις κατάστασης (state estimation) και ιστορικά δεδομένα παρουσιάζουν αδυναμίες στην παρακολούθηση γρήγορων εναλλαγών στις τοπολογίες των δικτύων. Η εργασία αξιοποιεί την διάδοση των μονάδων μέτρησης φασιθετών D-PMUs (Distribution - Phasor Measurement Units), που παρέχουν δεδομένα πραγματικού χρόνου, προσφέροντας ένα νέο πεδίο για την εφαρμογή τεχνικών βαθιάς μάθησης για τη βελτίωση της ακρίβειας και των χρόνων επίλυσης των μοντέλων ανίχνευσης τοπολογίας. Ο κύριος στόχος της εργασίας είναι η ανάπτυξη ενός συνελικτικού νευρωνικού δικτύου (Convolution Neural Network – CNN) που βασίζεται στη μεθοδολογία αντιστοίχισης πυρήνα – κόμβου για τη δημιουργία του δικτύου (Kernel-Node-Map-Deep-Network - KNDN), μιας προσέγγισης του προβλήματος ανίχνευσης τοπολογίας που εντοπίστηκε στην βιβλιογραφική ανασκόπηση. Η προσέγγιση αυτή βασίζεται στην αντιστοίχιση της αρχιτεκτονικής του δικτύου με τη φυσική τοπολογία του συστήματος διανομής ηλεκτρικής ενέργειας. Αυτή η μέθοδος ουσιαστικά αντιστοιχίζει τα δεδομένα από τις μονάδες D-PMUs σε εκτιμήσεις για την τρέχουσα τοπολογία του δικτύου. Η μέθοδος αυτή χειρίζεται τα δεδομένα εισόδου δομώντας τα με τρόπο που τα αντιστοιχεί στη διάταξη του δικτύου, ενισχύοντας έτσι την ικανότητα του CNN να μαθαίνει από τα μοτίβα των ηλεκτρικών ροών του δικτύου. Ο έλεγχος του μοντέλου που αναπτύχθηκε πραγματοποιήθηκε χρησιμοποιώντας το τροποποιημένο σύστημα διανομής IEEE 33-bus με 9 διακόπτες σε περιβάλλον προσομοίωσης Matlab. Για να επιτευχθεί αυτό, πρώτα προσδιορίστηκαν οι εφικτές τοπολογίες. Στη συνέχεια, επιλύθηκαν οι εξισώσεις ροής ισχύος χρησιμοποιώντας εργαλεία του MATPOWER. Τέλος, εισήχθη σφάλμα μέτρησης στις λύσεις των εξισώσεων ροής ισχύος για να προσομοιωθούν πραγματικές μετρήσεις των μονάδων D-PMUs. Επιπλέον, αναπτύχθηκε ένα νευρωνικό δίκτυο MLP (Multilayer Perceptron) και έγινε σύγκριση των αποτελεσμάτων των δύο μοντέλων. Η εργασία δείχνει ότι το μοντέλο KNDN προσφέρει μια ακριβή και αποδοτική μεθοδολογία για την ανίχνευση τοπολογίας, γεγονός που ευθυγραμμίζεται με την βιβλιογραφία που μελετήθηκε. Αυτή η προσέγγιση όχι μόνο ενισχύει την αξιοπιστία και την ασφάλεια των δικτύων διανομής ηλεκτρικής ενέργειας αλλά υποστηρίζει επίσης τη συνεχιζόμενη μετάβαση προς πιο αποκεντρωμένα και δυναμικά ενεργειακά συστήματα. Μελλοντικές προεκτάσεις περιλαμβάνουν την εκπαίδευση του μοντέλου σε πραγματικά δεδομένα μονάδων D-PMUs για διαφορετικές τοπολογίες, την ανάπτυξη αλγορίθμου για αυτόματη αναδιάταξη δεδομένων εισόδου για την αξιοποίησή του σε μεγάλα δίκτυα διανομής καθώς και την διερεύνηση της χρήσης γραφικών νευρωνικών δικτύων (Graph Neural Networks).	el
heal.abstract	This dissertation treats a methodology for real-time topology detection (TD) in power distribution systems, an area that has become increasingly critical with the integration of distributed energy resources and dynamic load changes. Traditional TD methods, largely reliant on state estimations and historical data, struggle to keep pace with the rapid transformations in power system configurations. This study capitalizes on the advent of distribution phasor measurement units (D-PMUs), which provide time-synchronized data, offering a new frontier for the application of deep learning techniques to improve TD accuracy and response times. The main goal of this dissertation is the development of the Kernel-Node-Map Deep Network (KNDN), a TD approach found in the bibliography utilizing a deep convolutional neural network (CNN) framework. This approach lies in the kernel-node-map concept, which aligns the network’s architecture with the physical topology of the power distribution system. KNDN effectively translates thr data from D-PMUs into insights about the network’s topology. The kernel-node-map concept redefines input data handling by structuring it in a way that mirrors the network’s layout, thereby enhancing the CNN’s ability to learn from patterns in electrical flows. The validation of the KNDN developed were performed using modified IEEE 33-bus distribution system with 9 switches in Matlab simulation environment. To achieve that, the feasible topologies were first specified. Then, power flow equations were resolved using MATPOWER tools. In the end, measurement error was introduced to the power flow equations solutions to simulate actual D-PMUs measurements. Furthermore, a MLP neural network was also developed and the results from the two models were compared. This dissertation shows that KNDN model shows better accuracy. By integrating deep learning with high-fidelity phasor measurement data, the KNDN method offers a powerful tool for real-time, accurate, and efficient topology detection. These results are aligned with the bibliography that was studied.This approach not only enhances the reliability and security of power distribution networks but also supports the ongoing transition towards more decentralized and dynamic power systems. Future work will focus on exploring the model’s applicability to real-world datasets from D-PMUs across diverse grid configurations, the development of an optimal algorithm to automatically rearrange input elements for more practical use of the KNDN in a large distribution system as well as explore the utilization of graphical neural networks.	en
heal.advisorName	Δημέας, Άρης Ευάγγελος	el
heal.committeeMemberName	Δημέας, Άρης Ευάγγελος	el
heal.committeeMemberName	Παπαθανασίου, Σταύρος	el
heal.committeeMemberName	Κορρές, Γιώργος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	85 σ.	el
heal.fullTextAvailability	false