probenerИзвестия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИPower engineering: research, equipment, technology1998-99032658-5456Kazan State Power Engineering University10.30724/1998-9903-2020-22-6-55-67probener-1611Research ArticleЭНЕРГЕТИКАPOWER ENGINEERINGИдентификация изменения состояния линии по векторным измерениям на основе сетей глубокого обученияIdentification of line status changes using phasor measurements through deep learning networksГотманН. Э.GotmanN. E.

Готман Наталья Эрвиновна – научный сотрудник отдела энергетики

г. Сыктывкар

Natalia E. Gotman

Syktyvkar

gotman@energy.komisc.ruШумиловаГ. П.ShumilovaG. P.

Шумилова Галина Петровна – канд.техн.наук., старший научный сотрудник отдела энергетики

г. Сыктывкар

Galina P. Shumilova

Syktyvkar

shumilova@energy.komisc.ruИнститут социально-экономических и энергетических проблем Севера Коми научный центр Уральского отделения Российской академии наукРоссияFederal Research Center Komi Scientific Center of the Ural Branch Russian Academy of Sciences, ISE and EPNRussian Federation2020250320212265567Copyright © Готман Н.Э., Шумилова Г.П., 20212021Готман Н.Э., Шумилова Г.П.Gotman N.E., Shumilova G.P.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.energyret.ru/jour/article/view/1611

ЦЕЛЬ. Рассмотреть проблему определения изменения в топологии электрической сети, возникающей вследствие отключения/включения одной из линий электропередачи. Разработать алгоритм обнаружения изменения состояния линии в реальном времени, используя вектора напряжений в узлах электрической сети и вектора токов в линиях, полученные от устройств синхронизированных векторных измерений (УСВИ) во время переходного процесса. Провести экспериментальные исследования на 14-узловой тестовой схеме электрической сети. МЕТОДЫ. Поставленная задача решена методом из области искусственного интеллекта, таким как машинное обучение, в частности "глубокое обучение". РЕЗУЛЬТАТЫ. В статье описана актуальность темы, предложено применение метода определения состояния линий с помощью классификатора на основе сверточных нейронных сетей (СНС). Проведены расчеты для различных архитектур СНС с различным количеством временных срезов от момента изменения состояния линии. Доказана эффективность совместного использования УСВИ и СНС при решении данной задачи. ЗАКЛЮЧЕНИЕ. Предложено решение определения изменения состояния линии в переходном режиме с помощью классификатора сверточных нейронных сетей, используя векторные измерения напряжения и тока в реальном времени. Получена высокая точность, вплоть до 100 %, определения состояния линии, независимо от зашумления данных. Изменение топологии сети определяется в самом начале переходного процесса практически мгновенно, что позволит оператору несколько раз в течение первых секунд идентифицировать состояние линии, чтобы убедиться в правильности принимаемых решений.

THE PURPOSE. To consider the problem of detecting changes in a power grid topology that occurs as a result of the power line outage / turning on. Develop the algorithm for detecting changes in the status of transmission lines in real time by using voltage and current phasors captured by phasor measurement units (PMUs) are placed on buses. Carry out experimental research on IEEE 14-bus test system. METHODS. This paper proposes a method from the field of artificial intelligence such as machine learning in particular "Deep Learning" to solve the problem. Deep Learning arises as a computational learning technique in which high level abstractions are hierarchically modelled from raw data. One of the means to effectively extract the inherent hidden features in data are Convolutional Neural Networks (CNNs). RESULTS. The article describes the topic relevance, offers to apply the method for detecting status of lines using a CNN classifier. The combination of different CNN architectures and the number of time slices from the moment of line status change are used to detect the power grid topology. The effectiveness of the joint use of PMUs and CNN in solving this problem has been proven. CONCLUSION. A solution for the line status change detection in the transient states using a CNN classifier is proposed. A high accuracy of the line status detection was obtained despite the influence of noise on measurement data. A change in the network topology is detected at the very beginning of the transient state almost instantly. It will allow the operator several times during the first seconds to identify the line state in order to make sure that the decisions made are correct.

электрическая сетьтопологиясинхронизированные измеренияглубокое обучениесверточные нейронные сетиpower networktopologyphasor measurement unitdeep learningconvolutional neural networksReferencesМокеев А.В. Особенности разработки, испытаний и внедрения устройств синхронизированных векторных измерений // Современные подходы к обеспечению надежности электроэнергетических систем. Сыктывкар, 2014. С. 56–62.Mokeyev AV. Development, testing and Introduction Features of Phasor Measurement Units. Modern approaches to power system reliability support. Syktyvkar, 2014. pp. 56-62.Tate J.E., Overbye T.J. Line outage detection using phasor angle measurements // IEEE Transactions on Power Systems. 2008. V. 23, N4. рp. 1644–1652.Tate JE, Overbye TJ. Line outage detection using phasor angle measurements. IEEE Transactions on Power Systems. 2008;23(4):1644–1652.Kim T., Wright S.J. PMU placement for line outage identification via multinomial logistic regression // IEEE Transactions on Smart Grid. 2018. V. 9, N1. pp. 122–131.Kim T, Wright SJ. PMU placement for line outage identification via multinomial logistic regression. IEEE Transactions on Smart Grid. 2018;9(1):122–131.Cavraro G., Arghandeh R. Power distribution network topology detection with time -series signature verification method // IEEE Transactions on Power Systems. 2018. Vol. 33, N4. рp. 3500-3509.Cavraro G, Arghandeh R. Power distribution network topology detection with time-series signature verification method. IEEE Transactions on Power Systems. 2018;33(4):3500-3509.Ponce C., Bindel D.S. FLiER: Practical topology update detecti on using sparse PMUs // IEEE Transactions on Power Systems. 2017. V. 32, N6. pp. 4222–4232.Ponce C, Bindel DS. FLiER: Practical topology update detection using sparse PMUs. IEEE Transactions on Power Systems. 2017;32(6):4222–4232.Srikumar M.S., Ananthapadmanbha Dr.T., Khan F.Z., et al. Line outage detection using phasor measurement units. In: Procedia Technology 21 (2015), SMART GRID Technologies; August 6–8; 2015. рp. 88–95.Srikumar MS, Ananthapadmanbha Dr.T, Khan F.Z, et al. Line outage detection using phasor measurement units. In: Procedia Technology 21 (2015), SMART GRID Technologies; August 6–8; 2015. рp. 88–95.Готман Н.Э., Шумилова Г.П., Старцева Т.Б. Идентификация топологии электрической сети на основе искусственных нейронных сетей с использованием векторных измерений // Методические вопросы исследования надежности больших систем энергетики. Вып. 66. Актуальные проблемы надежности систем энергетики / Отв. ред. Н.И. Воропай, М.А. Короткевич, А.А. Михалевич. Минск: БНТУ, 2015. C. 251-257.Gotman NE, Shumilova GP, Startseva TB. Identifikatsiya topologii elektricheskoy seti na osnove iskusstvennykh neyronnykh setey s ispol'zovaniyem vektornykh izmereniy In: Rudenko International Conference Metodological problems in reliability study of large energy systems Vyp. 66. Aktual'nyye problemy nadezhnosti sistem energetiki; 7-11 Sen 2015; Minsk, Byelorussia. Minsk: BNTU, 2015. pp. 251 - 257.Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Определение топологии электрической сет и при делении ее на участки с привязкой к устройствам PMU // Методические вопросы исследования надежности больших систем энергетики. Вып. 67. Проблемы надежности систем энергетики / Отв. ред. Н.И. Воропай, Ю.Я. Чукреев. Сыктывкар: Издательство ООО «Коми республиканская типография», 2016. C. 250-255.Shumilova GP, Gotman NE, Startseva TB. Opredeleniye topologii elektricheskoy seti pri delenii yeye na uchastki s privyazkoy k ustroystvam PMU. In: Rudenko International Conference Metodological problems in reliability study of large energy systems Vyp. 67. Problemy nadezhnosti sistem energetiki; 4-9 Jul 2016; Syktyvkar, Russia. Syktyvkar: OOO «Komi respublikanskaya tipografiya», 2016. pp. 250 -255.Готман Н.Э., Шумилова Г.П., Старцева Т.Б. Определение топологии электрической сети с использованием синхронизированных векторных измерений // Материалы Пятого Всероссийского научного семинара "Актуальные проблемы, направления и механизмы развития производительных сил Севера"; 21-23 сентября 2016 г., Сыктывкар. ООО «Коми республиканская типография», 2016. Ч. II. C. 115-123.Gotman NE, Shumilova GP, Startseva TB. Opredeleniye topologii elektricheskoy seti s ispol'zovaniyem sinkhronizirovannykh vektornykh izmer eniy. In: Pyatoyy Vserossiyskiy nauchnyy seminar «Aktual'nyye problemy, napravleniya i mekhanizmy razvitiya proizvoditel'nykh sil Severa». 21-23 Sen 2016; Syktyvkar, Russia. Syktyvkar: OOO «Komi respublikanskaya tipografiya», 2016;2:15-123.Cardoso P.E.A. Deep learning applied to PMU data in power systems: Ph.D. thesis. Fa culdade De Engenharia Da Universidade Do Porto. 2017. 105 p. Available at: https://repositorioaberto.up.pt/bitstream/10216/106289/2/204483.pdf. Accessed to: 21 Nov 2020.Cardoso P.E. A deep learning applied to PMU data in power systems: Ph.D. thesis. Faculdade De Engenharia Da Universidade Do Porto. 2017. 105 p. Available at: https://repositorioaberto.up.pt/bitstream/10216/106289/2/204483.pdf. Accessed to: 21 Nov 2020.Schmidhuber J. Deep learning in neural networks: an overview // Neural Networks. 2015. V. 61. pp. 85–117. doi: 10.1016/j.neunet.2014.09.003.Schmidhuber J. Deep learning in neural networks: an overview. Neural Networks. 2015;61:85–117. doi: 10.1016/j.neunet.2014.09.003 .Shi H., Xu M.H., Li R. Deep learning for household load forecasting -A novel pooling deep RNN // IEEE Transactions on Smart Grid. 2017. V. 9, N5. pp. 5271–5280.Shi H, Xu M.H, Li R. Deep learning for household load forecasting-A novel pooling deep RNN // IEEE Transactions on Smart Grid. 2017;9(5):5271–5280.Wang H.Z., Ruan J.Q., Wang G., et al. Deep learning-based interval state estimation of AC smart grids against sparse cyber attacks // IEEE Transactions on Industrial Informatics. 2018. V. 14, N11. pp. 4766–4778.Wang H.Z, Ruan JQ, Wang G, et al. Deep learning-based interval state estimation of AC smart grids against sparse cyber attacks. IEEE Transactions on Industrial Informatics. 2018;14(11):4766–4778.Li W.T., Deka D., Chertkov M., et al. Real-time faulted line localization and PMU placement in power systems through convolutional neural networks // IEEE Transactions on Power Systems. 2019. V. 34, N 6. pp. 4640–4651.Li WT, Deka D, Chertkov M, et al. Real-time faulted line localization and PMU placement in power systems through convolutional neural networks. IEEE Transactions on Power Systems. 2019;34(6):4640–4651.Muhammad A., Lee J.M., Hong S.W., et al. Deep learning application in power system with a case study on solar irradiation forecasting. In: Proceedings Int. Conf. Artif. Intell. Inf. Commun. (ICAIIC). Feb. 2019. pp. 275–279.Muhammad A, Lee JM, Hong S.W, et al. Deep learning application in power system with a case study on solar irradiation forecasting. In: Proceedings Int. Conf. Artif. Intell. Inf. Commun. (ICAIIC). Feb. 2019. pp. 275–279.Zhang D., Xiaoqing H., Chunyu D. Review on the research and practice of deep learning and reinforcement learning in smart grids // CSEE Journal of Power and Energy System. 2018. V . 4, N3. p.p. 362–370.Zhang D, Xiaoqing H, Chunyu D. Review on the research and practice of deep learning and reinforcement learning in smart grids. CSEE Journal of Power and Energy System. 2018;4(3):362–370.Xiao M., Wang S., Ullah Z., et al. Topology detection in power distribution system using kernel node-map deep networks // IET Gener., Transm. Distrib. 2020. V. 14, N19. p. 4033–4041. doi: 10.1049/ietgtd.2020.0048.Xiao M, Wang S, Ullah Z, et al. Topology detection in power distribution system using kernelnode-map deep networks. IET Gener., Transm. Distrib. 2020;14(19):4033–4041. doi: 10.1049/ietgtd.2020.0048.Schmidhuber J. Deep learning in neural networks: an overview // Neural Networks. 2015. V. 61. pp. 85–117. doi: 10.1016/j.neunet.2014.09.00319.Schmidhuber J. Deep learning in neural networks: an overview. Neural Networks. 2015;61:85–117. doi: 10.1016/j.neunet.2014.09.00319.Haykin Simon. Neural networks: a comprehensive foundation. Second edition. Хайкин С. Нейронные сети: полный курс. 2-е изд., испр. / пер. с англ. М: ООО «И.Д.Вильямс». 2006. 1104 с.Haykin Simon. Neural networks: a comprehensive foundation. Second edition. Prentice Hall, Upper Saddle River, New Jersey 07458. 1998 (Russ. ed.: Khaykin S. Neyronnyye seti: polnyy kurs. 2 -ye izd., ispr. / per. s angl. Moscow: OOO «I.D.Vil'yams». 2006; 1104 p.Созыкин А.В. Обзор методов обучения глубоких нейронных сетей // Вестник Южно уральского государственного университета. Серия: Вычислительная математика и информатика. 2017, Т.6, № 3. C. 28–59.Sozykin AV. Obzor metodov obucheniya glubokikh neyronnykh setey. Bulletin of the South Ural State University Series «Computational Mathematics and Software Engineering». 2017;6(3):28–59. doi: 10.14529/cmse170303.Patterson Josh, Gibson Adam. Deep Learning. A practitioner's approach. Паттерсон Дж., Гибсон А. Глубокое обучение с точки зрения практика / пер. с анг. М.: ДМК Пресс. 2018. 418 с.Patterson Josh, Gibson Adam. Deep Learning. A practitioner's approach. Patterson Dzh., Gibson A. Glubokoye obucheniye s tochki zreniya praktika / per. s ang. Moscow: DMK Press., 2018; 418 p.Хохлов М.В., Голуб И.И. Унифицированный подход к оптимизации размещения PMU в сети для обеспечения надежности наблюдаемости ЭЭС // Методические вопросы исследования надежности больших систем энергетики. Надежность либерализованных систем энергетики /Отв. ред. Н.И. Воропай, А.Н. Назарычев. Иркутск. 2015. № 65. C. 591–601.Khokhlov MV, Golub II. Unifitsirovannyy podkhod k optimizatsii razmeshcheniya PMU v seti dlya obespecheniya nadezhnosti nablyudayemosti EES. In: Rudenko International Conference «Metodological problems in reliability study of large energy systems». Nadezhnost' liberalizovannykh sistem energetiki; 30 Jun-04 Jul 2014; Saint-Petersburg, Russia: Irkutsk: ISEM SO RAN, 2015;65:251-257.

The authors declare that there are no conflicts of interest present.