Categorisation of Power System Faults with AI Algorithms, a Simulation Study
Loading...
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Author
Date
2023-10-09
Department
Major/Subject
Energy systems and markets
Mcode
ELEC3048
Degree programme
Master's Programme in Advanced Energy Solutions
Language
en
Pages
69
Series
Abstract
Power systems evolve all the time and increase in renewable resources and fluctuating electricity usage obligates renewal of power systems. The supply security and flexibility of the power systems is necessary to provide electricity in a economy where the electricity has become vital. Part of the security is fault diagnostics which covers fault detection, categorization and localization. All of the aspects of the fault diagnostics are important, but in this thesis the focus is on categorization of faults. The goal of the thesis is to create a simplistic MATLAB model of Finnish distribution network and implement few of the most common faults in distribution network in the model. The MATLAB model provides data which is gathered and processed to be fit for the AI algorithms. Three AI methods utilized in this thesis are Long Short Term Memory, k-Nearest Neighbor and Support Vector Machine algorithms. These algorithms use the generated data first for training and then testing the validity of the algorithm. The study evaluated the performance of LSTM, KNN, and SVM algorithms for classifying distribution system data. The LSTM algorithm presented accuracy issues which were further confirmed with heat map analysis of the testing results. Also, the training time was impractical for practical applications. KNN exhibited the most promising results with high accuracy, quick training times, and potential for real-world deployment despite slight bias. SVM was largely inoperable due to computational demands and SVM algorithm not being suitable for 12 class problems. In conclusion, KNN stands out as the most viable choice for accurate and efficient classification of distribution system data among the algorithms considered in the study.Sähköjärjestelmät kehittyvät jatkuvasti ja uusiutuvien luonnonvarojen lisääntyminen ja sähkönkäytön vaihtelu velvoittaa sähköjärjestelmiä uusiutumaan. Sähköjärjestelmien toimitusvarmuus ja joustavuus ovat välttämättömiä maailmassa, jossa sähköstä on tullut elintärkeää. Yksi osa-alue toimitusvarmuuden ja sähköverkon turvallisuuden ylläpidossa on vikadiagnostiikka, joka kattaa vian havaitsemisen, luokittelun ja lokalisoinnin. Vikadiagnostiikan kaikki osa-alueet ovat tärkeitä, mutta tässä diplomityössä painopiste on vikojen luokittelussa. Diplomityön tavoitteena on tuottaa yksinkertaistettu MATLAB-malli suomalaisesta jakeluverkosta ja toteuttaa mallissa muutamia yleisimmistä jakeluverkon vioista. MATLAB-mallista saatu data kerätään ja käsitellään tekoälyalgoritmeille sopivaksi. Kolme tässä diplomiyössä käytettyä tekoälymenetelmää ovat Long Short Term Memory, k-Nearest Neighbor ja Support Vector Machine. Nämä algoritmit käyttävät generoitua dataa ensin harjoitteluun ja sitten algoritmin validiteetin testaamiseen. Tutkimuksessa arvioitiin LSTM-, KNN- ja SVM-algoritmien suorituskykyä jakelujärjestelmän vikatilanteiden luokittelussa. LSTM-algoritmissa oli ongelmia tarkkuudessa, jotka vahvistuivat testaustulosten lämpökartta-analyysillä. Koulutusaika oli epäkäytännöllinen ajatellen käytännön sovelluksia. KNN esitteli lupaavimpia tuloksia korkealla tarkkuudella, nopeilla harjoitusajoilla ja potentiaalisella käyttöönotolla reaalimaailmassa pienestä virhemarginaalista huolimatta. SVM oli suurelta osin käyttökelvoton, koska laskentavaatimukset ja SVM-algoritmi ei sovellu 12 luokan ongelmiin. Yhteenvetona voidaan todeta, että KNN erottuu kannattavimpana vaihtoehtona jakelujärjestelmän tietojen tarkalle ja tehokkaalle luokittelulle tutkimuksessa käsiteltyjen algoritmien joukossa.Description
Supervisor
Lehtonen, MattiThesis advisor
Motta, SergioKeywords
distribution system faults, artificial intelligence, algorithm, simulation
