Finding Value in Big Data - Statistical Analysis of Large Data Sets with Applications in Electric Power Systems

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Lehtonen, Matti, Prof., Aalto University, Department of Electrical Engineering, Finland
dc.contributor.advisor Mellin, Ilkka, University Teacher Emeritus, Aalto University, Department of Mathematics and Systems Analysis, Finland
dc.contributor.author Koivisto, Matti
dc.date.accessioned 2015-12-18T10:02:19Z
dc.date.available 2015-12-18T10:02:19Z
dc.date.issued 2015
dc.identifier.isbn 978-952-60-6610-3 (electronic)
dc.identifier.isbn 978-952-60-6609-7 (printed)
dc.identifier.issn 1799-4942 (electronic)
dc.identifier.issn 1799-4934 (printed)
dc.identifier.issn 1799-4934 (ISSN-L)
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/19329
dc.description.abstract A growing volume of data is becoming available in the field of electric power systems. The hourly automatic meter reading (AMR) electricity consumption data available from small customers, such as households and small businesses, is a significant new data source. For example, geographic data, wind speed data and phasor measurement unit data add to both the quantity and the significant variety in the available data. This thesis presents how these large data sets can be utilized in power system studies using statistical methodology. A visualization and clustering of a large AMR data set is presented, and consumption models are then estimated for the discovered clusters, i.e., consumer groups. Statistical modelling is applied to wind speed and wind generation data from multiple locations, with the emphasis on understanding the effect of the geographical distribution of wind power. In addition, combined statistical modelling of stochastic distributed generation (e.g., wind and solar power) and electricity consumption is presented, which allows the effects of stochastic generation to be analysed at the distribution system level. Interesting system operation conditions (e.g., power flows, consumption, wind generation) affecting the expected damping of the 0.35 Hz inter-area oscillation in the Nordic power system are identified, and their use in the short term prediction of damping is demonstrated using statistical methods. Several different geographically varying risk factors affecting the expected fault rates in power distribution systems are also identified, and the use of the estimated fault rates in automatic network planning is presented. It is argued that the statistical analysis of electricity consumption and generation can also be used in automatic network planning. Although the volume and variety of data are important in enabling data analyses, the value that can be extracted from the data using appropriate data analysis methods is fundamentally the most important aspect. In this thesis, multiple data visualization techniques are presented for finding patterns in the large data sets. The discovered patterns are then modelled using statistical data models. The need to model the probability distributions of the relevant random variables in detail is emphasized. This is especially important in wind power modelling, and was achieved using Monte Carlo simulation. en
dc.description.abstract Käytettävissä olevan datan määrä kasvaa sähkövoimajärjestelmäalalla nopeasti. Sähkönkulutuksen mittaaminen pieniltä asiakkailta, kuten kotitalouksilta ja pienyrityksiltä, automaattisesti tunneittain on merkittävä uusi datan lähde. Esimerkiksi paikkatietodata, säädata ja tuulituotantoa koskevat tiedot lisäävät saatavilla olevan datan moninaisuutta. Tässä väitöskirjassa esitellään kuinka tällaisia suuria aineistoja voidaan hyödyntää sähkövoimajärjestelmien tutkimuksessa. Väitöskirjassa esitellään miten suuria sähkönkulutusaineistoja voidaan visualisoida ja ryhmitellä. Löydetyille kulutusryhmille estimoidaan sähkönkulutusmallit. Useista kohteista mitattuun tuulennopeus- ja tuulituotantodataan sovelletaan tilastollisen mallinnuksen menetelmiä; tavoitteena on ymmärtää varsinkin tuulivoiman maantieteellisen hajautuksen vaikutukset. Työssä yhdistetään myös stokastisen hajautetun uusiutuvan energian tuotannon (esimerkiksi tuuli- ja aurinkovoiman) ja sähkönkulutuksen tilastollinen mallintaminen, mikä mahdollistaa niiden yhteisvaikutuksen analysoimisen jakeluverkkotasolla. Tilastollisia menetelmiä käytetään analysoitaessa pohjoismaisen voimajärjestelmän alueiden välisen 0,35 Hz heilahtelun vaimennuksen odotusarvon riippuvuutta voimajärjestelmän toimintaa kuvaavista muuttujista (esimerkiksi tehonsiirrosta, tuulivoimasta ja sähkönkulutuksesta). Esitetyt menetelmät soveltuvat myös lyhyen aikavälin vaimennuksen ennustamiseen. Väitöskirjassa esitetään miten useat eri maantieteellisesti vaihtelevat riskitekijät vaikuttavat vikataajuuden odotusarvoon sähkönjakelujärjestelmissä. Myös sijainnista riippuvan vikataajuuden käyttö automaattisessa jakeluverkon suunnittelussa esitellään. Työssä esitetään että myös sähkönkulutuksen ja  stokastisen tuotannon tilastollista analyysiä voidaan käyttää hyödyksi automaattisessa jakeluverkon suunnittelussa. Vaikka datan määrä ja monimuotoisuus ovat tärkeitä data-analyysin mahdollistavia tekijöitä, analyysistä saatava lopputulos ja sen sovellettavuus sekä hyöty ovat lopulta tärkeimpiä analyysin onnistumisen mittareita. Väitöskirjassa esitellään useita sellaisia datan visualisoinnin menetelmiä, joilla suuresta datamäärästä voidaan löytää rakenteita ja struktuuria. Löydetyt rakenteet mallinnetaan tilastollisilla malleilla. Työssä korostetaan myös tarvetta mallintaa tärkeiden satunnaismuuttujien todennäköisyysjakaumat yksityiskohtaisesti. Tämä on erityisen tärkeää tuulivoiman tilastollisessa mallintamisessa, ja siihen päästään käyttämällä Monte Carlo ‑simulointia. fi
dc.format.extent 99 + app. 86
dc.format.mimetype application/pdf en
dc.language.iso en en
dc.publisher Aalto University en
dc.publisher Aalto-yliopisto fi
dc.relation.ispartofseries Aalto University publication series DOCTORAL DISSERTATIONS en
dc.relation.ispartofseries 224/2015
dc.relation.haspart [Publication 1]: M. Koivisto, P. Heine, I. Mellin, M. Lehtonen, ”Clustering of Connection Points and Load Modeling in Distribution Systems”, IEEE Transactions on Power Systems, vol. 28, no. 2, pp. 1255-1265, May 2013. DOI: 10.1109/TPWRS.2012.2223240
dc.relation.haspart [Publication 2]: M. Koivisto, J. Ekström, J. Seppänen, I. Mellin, E. Saarijärvi, L. Haarla, “Statistical Analysis of Large Scale Wind Power Generation Using Monte Carlo Simulations”, Power Systems Computation Conference (PSCC), Wroclaw, Poland, pp. 1-7, August 2014. DOI: 10.1109/PSCC.2014.7038461
dc.relation.haspart [Publication 3]: M. Koivisto, J. Ekström, J. Seppänen, I. Mellin, J. Millar, L. Haarla, “A Statistical Model for Comparing Future Wind Power Scenarios with Varying Geographical Distribution of Installed Generation Capacity”, Wind Energy, Early View article first published online May 15th 2015. DOI: 10.1002/we.1858
dc.relation.haspart [Publication 4]: J. Ekström, M. Koivisto, I. Mellin, J. Millar, E. Saarijärvi, L. Haarla, “Assessment of Large Scale Wind Power Generation with New Generation Locations without Measurement Data”, Renewable Energy, vol. 83, pp. 362-374, November 2015. DOI: 10.1016/j.renene.2015.04.050
dc.relation.haspart [Publication 5]: M. Koivisto, M. Degefa, M. Ali, J. Ekström, J. Millar, M. Lehtonen, “Statistical Modeling of Aggregated Electricity Consumption and Distributed Wind Generation in Distribution Systems Using AMR Data”, Electric Power Systems Research, vol. 129, pp. 217-226, December 2015. DOI: 10.1016/j.epsr.2015.08.008
dc.relation.haspart [Publication 6]: M. Degefa, M. Koivisto, R. J. Millar, M. Lehtonen, “Dynamic Thermal State Forecasting of Distribution Network Components: For Enhanced Active Distribution Network Capacity”, International Conference on Probabilistic Methods Applied to Power Systems (PMAPS), Durham, United Kingdom, pp. 1-6, July 2014. DOI: 10.1109/PMAPS.2014.6960607
dc.relation.haspart [Publication 7]: F. Sulla, M. Koivisto, J. Seppänen, J. Turunen, L. Haarla, O. Samuelsson, “Statistical Analysis and Forecasting of Damping in the Nordic Power System”, IEEE Transactions on Power Systems, vol. 30, no. 1, pp. 306-315, January 2015. DOI: 10.1109/TPWRS.2014.2329489
dc.relation.haspart [Publication 8]: E. Saarijärvi, M. Koivisto, R. J. Millar, J. Niskanen, M. Lehtonen, “Generating Fault Rate Surfaces using Network Fault Statistics and Geographic Information”, IEEE Power & Energy Society General Meeting, Washington, D.C, United States, pp. 1-5, July 2014. DOI: 10.1109/PESGM.2014.6938901
dc.subject.other Electrical engineering en
dc.title Finding Value in Big Data - Statistical Analysis of Large Data Sets with Applications in Electric Power Systems en
dc.title Suurten data-aineistojen tilastollinen analyysi ja soveltaminen sähkövoimajärjestelmissä fi
dc.type G5 Artikkeliväitöskirja fi
dc.contributor.school Sähkötekniikan korkeakoulu fi
dc.contributor.school School of Electrical Engineering en
dc.contributor.department Sähkötekniikan ja automaation laitos fi
dc.contributor.department Department of Electrical Engineering and Automation en
dc.subject.keyword copula en
dc.subject.keyword damping forecast en
dc.subject.keyword data analysis en
dc.subject.keyword electricity consumption en
dc.subject.keyword fault statistics en
dc.subject.keyword Monte Carlo simulation en
dc.subject.keyword multiple regression model en
dc.subject.keyword statistical modelling en
dc.subject.keyword vector autoregressive model en
dc.subject.keyword wind power en
dc.subject.keyword data-analyysi fi
dc.subject.keyword kopula fi
dc.subject.keyword Monte Carlo -simulaatio fi
dc.subject.keyword sähkönkulutus fi
dc.subject.keyword tilastollinen mallintaminen fi
dc.subject.keyword tuulivoima fi
dc.subject.keyword usean muuttujan autoregressiivinen malli fi
dc.subject.keyword usean selittäjän regressiomalli fi
dc.subject.keyword vaimennusestimointi fi
dc.subject.keyword vikatilastot fi
dc.identifier.urn URN:ISBN:978-952-60-6610-3
dc.type.dcmitype text en
dc.type.ontasot Doctoral dissertation (article-based) en
dc.type.ontasot Väitöskirja (artikkeli) fi
dc.contributor.supervisor Lehtonen, Matti, Prof., Aalto University, Department of Electrical Engineering, Finland
dc.opn Kolehmainen, Mikko. Prof., University of Eastern Finland, Finland
dc.opn Djokic, Sasa, Dr., The University of Edinburgh, UK
dc.contributor.lab Power Systems and High Voltage Engineering en
dc.rev Kolehmainen, Mikko, Prof. University of Eastern Finland, Finland
dc.rev Heussen, Kai, Assistant Prof., Technical University of Denmark, Denmark
dc.date.defence 2016-01-18


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account