Phasor Measurement Unit (PMU) : based system for event detection on synchronous generators

Abstract

Unusual generator events are sometimes seen in the Phasor Measurement Unit (PMU) data in the Icelandic power system, probably due to the small size. The use of PMU data with event detection algorithms, along with modeling, could be a method of capturing these events for analysis. The goals of this thesis are to develop an event detection algorithmand methods of modeling the power system, using events found in the PMU data, to simulate generator behavior under the relevant operating conditions. There are two approaches used: Event Detection Analysis and Parameter Estimation. Event Detection Analysis employed three methods. Method One used a digital filter, and fast Fourier transforms foranalysis. Method Two used a matched filter algorithm. Method Three worked on the principals of machine learning, using the Gaussian Process Classifier (GPC) for identification of events in the PMU data. The Parameter Estimation approach used the method of timeseries analysis for finding the necessary parameters of the generators and modeling them.These parameters were: the inertia of the generators, the speed regulation constant, and the time constant of the turbine-governor system. Axiomatic Design was used for developing the design protocol for Event Detection Analysis software. The results from the Event DetectionAnalysis showed that out of the three methods tried the machine learning gave the best results for the Event Detection approach. Results from Parameter Estimation revealed that this method works but requires a lot of fine-tuning for better parameter estimates. The results from the two approaches showed that when tested they would meet the requirementsof processing PMU data in real time. Therefore, these approaches have relevance for the Icelandic power system and will need further research.

Smæð íslenska raforkukerfisins er talin valda því að stundum sjást óvenjulegir atburðir í rekstri rafala í fasamælitækjum (PMU mælingum). Notkun þessara mæligagna ásamt líkanagerð gæti verið leiðin til að vakta þessa atburði og skýra. Markmið þessarar ritgerðar er að þróa aðferð til þess að vakta þessa atburði og aðferðafræði við líkanagerð raforkukerfis, með notkun atburða sem fundnir eru í PMU mæligögnum, til að herma hegðun rafala undir þessum óvenjulegu rekstrarskilyrðum. Tvær aðferðir eru notaðar: Greining á vöktun atburða og mat á breytum í líkanagerð. Greining á vöktun atburða styðst við þrjár aðferðir. Aðferð eitt notast við stafræna síu, og hraða Fouriervörpun við greiningu. Aðferð tvö notast við reiknirit mátsíu. Aðferð þrjú vinnur með meginreglur vélræns náms (machine learning), sem notast við Gauss ferlaflokkun (GPC) fyrir auðkenningu atburða innan PMU gagnanna. Nálgun við mat á breytum styðst við aðferð sem byggir á greiningu tímaraða til að finna nauðsynlegar breytur rafala við líkanagerð þeirra. Skoðaðar voru eftirfarandi breytur; tregða rafala, stuðull hraðareglunar, tímastuðull rafala og gangráðar. “Forsendu hönnun” (Axiomatic Design) var beitt við þróun hönnunar á hugbúnaði sem var notaður við greiningu á vöktun atburða. Niðurstöður úr greiningu á vöktun atburða leiddi í ljós að af þeim þrem aðferðum sem skoðaðar voru, reyndist aðferð vélræns náms (machine learning) gefa bestar niðurstöður við vöktun atburða. Niðurstöður úr mati á breytum í líkanagerð leiddu í ljós að aðferðin virkar en krefst mikillar fínstillingar fyrir ítarlegra mat. Niðurstöður úr prófunum á báðum aðferðum sýndu að þær myndu uppfylla kröfur um rauntíma greiningu á PMU gögnum. Af þessu má leiða að báðar þessar aðferðir eru áhugaverðar fyrir vöktun á þessum atburðum í íslenskaraforkukerfinu og lagt er til að þær verði rannsakaðar frekar.