is Íslenska en English

Lokaverkefni (Meistara) Háskólinn í Reykjavík > Tækni- og verkfræðideild > MEd / MPM / MSc verkefni >

Vinsamlegast notið þetta auðkenni þegar þið vitnið til verksins eða tengið í það: http://hdl.handle.net/1946/31398

Titill: 
  • Titill er á ensku Deep Learning for Power System Restoration
  • Gervitauganet notað í uppbyggingu raforkukerfa eftir straumleysi
Námsstig: 
  • Meistara
Útdráttur: 
  • Útdráttur er á ensku

    Power systems experience outages due to uncontrollable circumstances despite efforts to reduce the frequency of such events. In an attempt to minimize the negative impact of outages, a deep feed forward neural network (FFNN) was trained to perform optimal actions during power system restoration. First, as a prerequisite, a Restoration Model (RM) was developed to simulate system restoration. The RM was designed to handle any topological degradation of a system and enable interactive exploration of the actions required to bring the system back to an ideal state. Moreover, a cost function was developed in order to evaluate
    the quality of a given sequence of actions in the context of restoration cost. Using the RM as a simulation environment and the cost function as an evaluation measure, a dataset of optimal power system state-to-action pairs was created using a genetic algorithm (GA) by optimizing
    restoration action sequences on the Icelandic transmission system. The FFNN was trained via supervised learning using the created data, achieving a 75% test accuracy on optimal decisions on the Icelandic system. The FFNN agent was further tested in a comparison to the GA and operators of the Icelandic system. Results show that the FFNN is 3 orders of magnitude faster than the GA at developing a restoration plan, and performs comparably to the human operators on a simple test restoration scenario. This thesis demonstrates the feasibility and potential of using deep learning for power system restoration and control.

  • Raforkukerfi verða óhjákvæmilega straumlaus stöku sinnum þó að allt sé gert til að að minnka tíðni þess. Í verkefninu er gerð tilraun til að lágmarka þann tíma sem rafokukerfi er straumlaust með þjálfun gervitauganets til að finna bestu röð aðgerða við uppbyggingu kerfisins. Forsenda þess var að þróa gott líkan til að herma uppbyggingu kerfisins. Líkanið var hannað til þess að ráða við allar breytingar í rekstri og tengingar kerfisins og gerir það að verkum að það sé hægt að kanna og herma stöðu og rekstur kerfisins á gagnvirkan hátt til að koma því aftur í eðlilegt ástand. Sérstakt kostaðarfall var notað til að meta gæði aðgerðarr- aðarinnar í samræmi við gæði kerfisrekstrarins og stöðu. Með því að nota líkan af kerfinu og kostnaðarfall sem mælikvarða var gagnasafn af hagstæðum aðgerðum búið til með notkun erfðafræðilegs reiknirits sem bestaði aðgerðaraðir í Íslenska raforkukerfinu. Stýrð þjálfun- araðferð (Supervised learning) var notuð með gagnasafninu til að þjálfa gervitauganetið og tók það réttri ákvörðun í 75% tilvika í uppbyggingu á íslenska raforkukerfinu. Tauganetið var síðan borið saman við erfðafræðilega reikniritið og „raunveruleg“ viðbrögð kerfisrekstr-
    araðila Íslenska kerfisins. Niðurstaðan var sú að tauganetið var um þrem stærðargráðum fljótari en erfðafræðilega reikniritið í að finna bestu áætlun við uppbyggingu raforkukerfis- ins og gæði hennar var sambærileg við áætlanir kerfisrekstraraðilanna í einfaldri atburðarás.
    Þetta verkefni sýnir fram á að það sé hagvæmt og áhugaverðir möguleikar felist í notkun gervitauganets í rekstri raforkukerfa.

Samþykkt: 
  • 21.6.2018
URI: 
  • http://hdl.handle.net/1946/31398


Skrár
Skráarnafn Stærð AðgangurLýsingSkráartegund 
deep_learning_for_power_system_restoration[alexander_moses].pdf7.84 MBOpinnHeildartextiPDFSkoða/Opna