Predicting weather-related transmission line failures using machine learning

Abstract

Power systems are required to reliably deliver electricity to many different consumers. To attempt to meet this constant demand for delivery while also maintaining a level of safety, power systems operators must make informed decisions by considering a number of factors. At present, utilities are developing and implementing smarter methods of reliability assessment to allow for more informed decisions to be made. This thesis presents a machine learning approach for determining and providing a general weather-related transmission line failure probability based on weather forecasts. To develop this informational tool, a number of different feed forward neural network configurations were built, tested, and assessed. In combination with the feed forward neural network, different preprocessing methods were introduced and utilized to allow different information to be extracted from base weather parameters prior to neural network neural network training and testing. These preprocessing methods include: seasonal classification, k-means classification, and a custom risk parameter flag. Other preprocessing methods used in this study aim to address the redundancy of weather conditions which are related to both non-failure and failure scenarios. The first was a daily aggregation method which effectively reduced the number of non-failure data entries while leaving the number of failure entries intact. The second method was a failure weather condition dilution method which increased the number of failure weather entries to be both 1:3 and 1:1 with respect to non-failure weather entries. In addition to developing a neural network approach to failure probability prediction, a 3-state failure probability method was investigated using a k-means classifier to show the amount of information provided by the neural network compared to another state-of-the-art approach. Finally, three case studies were conducted on transmission lines which experience a low, medium, and high risk of failure using the best performing neural network configurations.

Gerð er krafa um að raforkukerfið afhendi mörgum mismunandi notendum raforku á áreiðanlegan hátt. Í viðleitni til að mæta þessum kröfum notenda og jafnframt uppfylla kröfur um öryggi þurfa stjórnendur raforkukerfisins að taka upplýstar ákvarðanir með tilliti til margvíslegra þátta. Í dag eru kerfisstjórnendur að þróa og nota ýmsar aðferðir við að meta áreiðanleika raforkukerfisins svo þeir geti bætt ákvarðanatökur.Þessi ritgerð fjallar um notkun vitvéla til að áætla og meta almennar veðurháðar upplýsingar um líkur á bilunum á háspennulínum sem byggðar eru á veðurspám. Til að þróa slíkt líkan voru nokkrar gerðir tauganeta, svokölluð FFNN (Feed Forward Neural Network) búin til, skoðuð og metin. Samhliða þróun á slíkum tauganetum voru nokkrar aðferðir við að forvinna upplýsingar um veður (sem notaðar voru í líkönunum til að þjálfa og prófa þau) skoðaðar. Þær aðferðir sem notaðar voru til að forvinna upplýsingar um veður voru “seasonal classification”, “k-means classification”, og “a custom risk parameter flag”. Aðrar aðferðir við forvinnslu þessara upplýsinga um veður lutu að því að skilgreina veðurþætti sem bæði tengjast bilunum og aðstæðum sem ekki tengjast bilunum. Dagsgildi/meðalgildi veðurþátta voru einnig skoðuð og fækkaði sú aðferð þeim tilvikum í þjálfunarsafninu sem engar bilanir voru án þess þó að hafa áhrif á fjölda bilana. Einnig var ákveðinni síun beitt á gagnasafnið sem breytti hlutfalli bilanatilvika á móti tilvikum án bilana í 1:3 og 1:1.Til viðbótar við líkön byggðum á tauganetum til að meta líkur á bilun var 3 stiga vel þekkt líkindalíkan skoðað til samanburðar. Að lokum voru þrjár háspennulínur skoðaðar þar sem líkur á bilunum voru litlar, í meðallagi og miklar.