is Íslenska en English

Lokaverkefni (Meistara)

Háskólinn í Reykjavík > Tæknisvið / School of Technology > MEd/MPM/MSc Verkfræðideild (áður Tækni- og verkfræðideild) og íþróttafræðideild -2019 / Department of Engineering (was Dep. of Science and Engineering) >

Vinsamlegast notið þetta auðkenni þegar þið vitnið til verksins eða tengið í það: http://hdl.handle.net/1946/37526

Titill: 
  • Automated real-time disturbance report using categorized Phasor Measurement Unit (PMU) event data
Námsstig: 
  • Meistara
Útdráttur: 
  • Útdráttur er á ensku

    Any uncertainty around a disturbance in the power system can be problematic for the operator when making decisions on how to proceed with the restoration process. Capturing the sequence of these disturbances, their uncertainties and how they affect the system state is improved by the use of Phasor Measurement Units (PMUs). These units provide synchronized measurements at the sampling rate of 50 Hz in the Icelandic power grid and are able to catch important characteristics of the disturbances. This thesis aims to find a procedure and a solution to classify these characteristics and to provide the operator with a detailed visual report in real-time of key parameters such as active- and reactive power, voltage and frequency, to explain the events and assist in further decision making. The thesis introduces the problem of classification for multivariate time series. To solve the problem, a convolutional neural network (CNN) was applied to the dataset. The networks outputs were then used to automatically generate detailed information and visuals for the assistance of the operators. The dataset consisted of 30 labeled events from the Icelandic power system,each containing 51 multivariate time series from the PMUs. The labels were four in total and consisted of a component trip, loss-of-load, islanding and oscillations events. The classification accuracy reached upwards 94.7% and run-time results showed a great success of keeping it in real-time, for an event of 30 seconds, the report was able to be classified and visualized in under 10 seconds after the event. The results also presented the possible need for additional data to further improve the deep learning model and introduce opportunities for further research and future enhancements both to implementation and to a more detailed visual automatic report.

  • Öll óvissa í tengslum við truflanir í raforkukerfinu geta valdið vandamálum fyrir stjórnstöð þegar ákvarðanir við stýringu og uppbyggingu kerfisins eru teknar. Að átta sig á atburðarás og sjá hvernig þær hafa áhrif á kerfið hefur farið miklum framförum með innleiðingu fasamælitækjum (PMU). Fasamæligögnin sem fengin eru í íslenska flutningskerfinu hafa upplausn upp á 50 Hz og ná að grípa mikilvæg einkenni truflanna. Ritgerð þessi vinnur að því að finna ferli og lausn við flokkun á tilheyrandi eiginleikum, og að veita stjórnstöð ítarlega myndræna skýrslu í rauntíma þar sem fram koma helstu atriði varðandi afl, spennu og tíðni, til þess að aðstoða við að svara spurningunni "hvað gerðist?" og til að hjálpa við áframhaldandi ákvarðanir. Tekið er fyrir verkefnið um flokkun fjöldabreytutímagagna. Fyrir lausn vandamálsins var notast við gerð djúptauganets sem kallast þyrpinganet (CNN). Útkoman úr spá netsins var síðar notuð til uppbyggingar ítarlegrar skýrslu sem aðstoðar stjórnstöð bæði myndrænt og með tölulegum upplýsingum, að skilja atburðinn betur. Gögnin samanstóðu af 30 merktum atburðum úr íslenska raforkukerfinu, þar sem hver atburður innihélt 51 fjöldabreytutímagögn frá fasamælitækjunum. Flokkunin var ferns konar, almenn útleysing, tap á álagi, eyjarekstur, og sveiflur. Þyrpinganetið náði að skila hátt upp í 94.7% nákvæmni í flokkun og keyrslutímanum var náð að halda í lágmarki, en fyrir 30 sekúnduatburð var hægt að flokka og útbúa sjálfvirka skýrslu á undir 10 sekúndum, eftir að atvikið átti sér stað. Niðurstöðurnar sýndu einnig fram á mögulega þörf á stærri gagnabanka fyrir þyrpinganetið að þjálfa sig, sem og mikla möguleika í því að halda áfram með verkefnið til innleiðingar og bæta enn fremur við upplýsingum fyrir sjálfvirku skýrsluna.

Samþykkt: 
  • 25.1.2021
URI: 
  • http://hdl.handle.net/1946/37526


Skrár
Skráarnafn Stærð AðgangurLýsingSkráartegund 
Automatic_real_time_disturbance_report.pdf3.3 MBOpinnHeildartextiPDFSkoða/Opna