Please use this identifier to cite or link to this item: https://hdl.handle.net/10216/106291
Author(s): Rui Miguel Machado Oliveira
Title: Training autoencoders for state estimation in smart grids
Issue Date: 2017-07-13
Abstract: Since its massive deploy in power systems' control centres, the state estimator is regarded as a tool of critical importance due to its capability of determining a system operating point with remarkable precision. Indeed, one of the essential stages to obtain that operating point is identifying the system topology, i.e., the open or closed status of the grid's switches and breakers.As a result, a considerable amount of methodologies was proposed with the purpose of detecting the correct topology. First efforts related to this subject date back to the 80's and preconized the use of strict mathematical equations and, subsequently, the analysis of their results to evaluate possible topology errors. However, other techniques showed the advantages of the application of artificial neural networks to this particular problem; among them, figure the fast and reliable results and immunity to convergence problems of mathematical, analytic methods.Hence, this thesis presents a novel perspective of the application of neural networks, deep learning and Information Theoretic Learning (ITL) to the problem of topology determination and, ultimately, to state estimation. Blending these concepts, the main objective is to predict the topology of a given power system based on pattern recognition of analog measurements, pointing, at the same time, alternative approaches on neural networks' training and architecture as well as computational tools capable of introducing enhanced efficiency to that process.With more detail, two different applications with elements of supervised and unsupervised training as well as with autoencoder architectures and typical feedforward neural networks will be explored to discover the topology of an IEEE RTS 24 test case. Apart from comparisons between their efficacy, other major point will be the contrasts between running times achieved by CPU and GPU computation, showing that the large spectrum of application of this last technique comprises also power systems.
Description: Desde a sua implementação massiva nos centros de controlo dos sistemas eléctricos de energia, o estimador de estado apresenta-se como uma ferramenta de capital importância uma vez que permite a obtenção de um ponto de funcionamento do sistema com elevada precisão. Com efeito, uma das etapas essenciais à definição desse ponto de funcionamento é a determinação da topologia, isto é, o estado aberto ou fechado dos dispositivos de corte e seccionamento que a rede em questão possui.Assim, uma miríade de metodologias foi proposta com o firme intuito de endereçar o problema da identificação de topologia. Os primeiros passos foram dados em meados dos anos 80 sendo apresentadas abordagens baseadas em métodos puramente matemáticos e na análise dos seus resultados para a detecção de eventuais erros de topologia. Todavia, através da crescente popularidade e avanços nas áreas da inteligência artificial e da ciência da computação, foram desenvolvidos modelos baseados em redes neuronais, evidenciando resultados convincentes com pesos computacionais mais reduzidos e sendo, simultaneamente, livre dos problemas de convergência dos métodos estritamente analíticos.Tendo isto em consideração, nesta tese é ilustrada uma nova perspectiva da aplicação de redes neuronais, deep learning e Teoria de Informação (ITL) ao problema da determinação de topologia e, em última instância, à estimação de estados. Através da conjunção destes conceitos, pretende-se identificar a topologia de um dado sistema eléctrico de energia recorrendo ao reconhecimento dos padrões das medidas analógicas providenciadas, apontando, ao mesmo tempo, metodologias alternativas ao nível do treino e arquitectura de redes neuronais bem como de ferramentas computacionais que conduzam a uma maior eficiência desse processo. Particularizando, serão exploradas duas filosofias diferentes com elementos de treino supervisionado e não supervisionado e com arquitecturas típicas de autoencoders e redes neuronais feedforward aplicadas à descoberta da topologia de um sistema IEEE RTS 24. Para além do propósito de contrastar a eficácia de cada um dos métodos, serão igualmente demonstradas comparações no que concerne o peso e rapidez computacional através da utilização de CPU e GPU de modo a atestar as potencialidades desta última técnica em aplicações concretas nos sistemas eléctricos de energia.
Subject: Engenharia electrotécnica, electrónica e informática
Electrical engineering, Electronic engineering, Information engineering
Scientific areas: Ciências da engenharia e tecnologias::Engenharia electrotécnica, electrónica e informática
Engineering and technology::Electrical engineering, Electronic engineering, Information engineering
TID identifier: 201803046
URI: https://repositorio-aberto.up.pt/handle/10216/106291
Document Type: Dissertação
Rights: openAccess
Appears in Collections:FEUP - Dissertação

Files in This Item:
File Description SizeFormat 
204484.pdfTraining autoencoders for state estimation in smart grids1.1 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.