Avaliação e Controlo de Segurança de Redes Interligadas com Grande Penetração Eólica com base em Métodos de Aprendizagem Automática

Nesta dissertacao e apresentada uma metodologia que, com base em metodos de aprendizagem automatica, permite avaliar de forma rapida a seguranca dinâmica de operacao de areas de controlo de sistemas electricos interligados que explorem elevadas penetracoes de producao eolica, onde os requisitos de capacidade de sobreviver a cavas de tensao nao tenham sido totalmente adoptados. Apresenta-se tambem um algoritmo que, com base nas mesmas tecnicas, permite identificar, em ambiente de tempo real, medidas de controlo preventivo para este tipo de sistemas electricos. Estas medidas consistem em sugestoes que apoiem os operadores, de uma determinada area de controlo, na tomada de accoes que garantam que o sistema seja capaz de suportar perturbacoes pre-especificadas, que envolvam uma perda significativa de producao eolica, sem que sejam violados os criterios de seguranca dinâmica do sistema.Nestas metodologias, a seguranca dinâmica do sistema foi avaliada atendendo a ocorrencia de sobrecargas em regime quasi-estacionario, em ramos da rede de transmissao, que violem os limites definidos como aceitaveis para sobrecargas temporarias. A qualidade dos resultados fornecidos pelas metodologias propostas foi avaliada por aplicacao a um problema de seguranca de uma rede interligada que se criou para teste.No sentido de obter estimativas precisas sobre a seguranca do sistema, atendendo ao tipo de problema dinâmico em analise, foi testada a capacidade das redes neuronais artificias, de modelos de regressao linear e da estrutura hibrida que resulta da utilizacao de modelos de regressao linear nas folhas de uma arvore de regressao.O trabalho de investigacao que conduziu a elaboracao desta dissertacao decorreu na FEUP (Faculdade de Engenharia da Universidade do Porto) e no INESC Porto (Instituto de Engenharia de Sistemas e Computadores do Porto).

[1]  Olle I. Elgerd,et al.  Electric Energy Systems Theory: An Introduction , 1972 .

[2]  Leon S. Lasdon,et al.  Design and Testing of a Generalized Reduced Gradient Code for Nonlinear Programming , 1978, TOMS.

[3]  J.A. Pecas Lopes,et al.  Preliminary results from the More Advanced Control Advice Project for secure operation of isolated power systems with increased renewable energy penetration and storage , 2001, 2001 IEEE Porto Power Tech Proceedings (Cat. No.01EX502).

[4]  P. Miller,et al.  Real-time dynamic security assessment: fast simulation and modeling applied to emergency outage security of the electric grid , 2006, IEEE Power and Energy Magazine.

[5]  Maria Helena Osório Pestana de Vasconcelos,et al.  An hybrid approach based on neural networks and regression Tree Models for fast dynamic security assessment , 2003 .

[6]  Bernard Widrow,et al.  Improving the learning speed of 2-layer neural networks by choosing initial values of the adaptive weights , 1990, 1990 IJCNN International Joint Conference on Neural Networks.

[7]  T. Tsuji,et al.  Security monitoring systems including fast transient stability studies , 1975, IEEE Transactions on Power Apparatus and Systems.

[8]  Alexander G. Gray,et al.  Retrofitting Decision Tree Classifiers Using Kernel Density Estimation , 1995, ICML.

[9]  K. Carlsen,et al.  Operating under stress and strain [electrical power systems control under emergency conditions] , 1978, IEEE Spectrum.

[10]  Vladimiro Miranda,et al.  Fast Assessment of Transient Stability Margins by a Neural Network Approach , 1993 .

[11]  N. D. Hatziargyriou,et al.  On-Line Preventive Dynamic Security of Isolated Power Systems Using Decision Trees , 2002, IEEE Power Engineering Review.

[12]  João Peças Lopes,et al.  Real time preventive actions for transient stability enhancement with a hybrid neural network-optimization approach , 1995 .

[13]  Mohammad Bagher Menhaj,et al.  Training feedforward networks with the Marquardt algorithm , 1994, IEEE Trans. Neural Networks.

[14]  J.A.P. Lopes,et al.  ANN Design for Fast Security Evaluation of Interconnected Systems with Large Wind Power Production , 2006, 2006 International Conference on Probabilistic Methods Applied to Power Systems.

[15]  J. Usaola,et al.  Next generation forecasting tools for the optimal management of wind generation , 2006, 2006 International Conference on Probabilistic Methods Applied to Power Systems.

[16]  Leo Breiman,et al.  Classification and Regression Trees , 1984 .

[17]  W. Pitts,et al.  A Logical Calculus of the Ideas Immanent in Nervous Activity (1943) , 2021, Ideas That Created the Future.

[18]  Stuart Smith,et al.  Solving Large Sparse Nonlinear Programs Using GRG , 1992, INFORMS J. Comput..

[19]  Nasser Jaleeli,et al.  A Comprehensive Shakedown of an Automatic Generation Control Process , 1989, IEEE Power Engineering Review.

[20]  I. Erlich,et al.  Advanced grid requirements for the integration of wind turbines into the German transmission system , 2006, 2006 IEEE Power Engineering Society General Meeting.

[21]  James D. McCalley,et al.  Power system security boundary visualization using neural networks , 1998, Neurocomputing.

[22]  Luís Torgo,et al.  Functional Models for Regression Tree Leaves , 1997, ICML.

[23]  Kurt Hornik,et al.  Multilayer feedforward networks are universal approximators , 1989, Neural Networks.

[24]  David J. Spiegelhalter,et al.  Machine Learning, Neural and Statistical Classification , 2009 .

[25]  Inesc Porto,et al.  A GENERAL APPROACH FOR SECURITY MONITORING AND PREVENTIVE CONTROL OF NETWORKS WITH LARGE WIND POWER PRODUCTION , 2002 .

[26]  Sholom M. Weiss,et al.  Using Case Data to Improve on Rule-based Function Approximation , 1995, ICCBR.

[27]  Maria Helena Vasconcelos Aplicação de Técnicas Híbridas de Aprendizagem Automática para Avaliação Rápida de Segurança Dinâmica de Redes Isoladas com Produção Eólica , 1999 .

[28]  Louis Wehenkel Contingency severity assessment for voltage security using non-parametric regression techniques , 1996 .

[29]  G. Dany Power reserve in interconnected systems with high wind power production , 2001, 2001 IEEE Porto Power Tech Proceedings (Cat. No.01EX502).

[30]  K. Morison,et al.  Power system security assessment , 2004, IEEE Power and Energy Magazine.

[31]  Frederick S. Hillier,et al.  Introduction of Operations Research , 1967 .

[32]  N. D. Hatziargyriou,et al.  On-line dynamic security assessment of isolated networks integrating large wind power production , 1999 .

[33]  Aram Karalic,et al.  Employing Linear Regression in Regression Tree Leaves , 1992, ECAI.

[34]  Hadi Saadat,et al.  Power Systems Analysis , 2002 .

[35]  Louis Wehenkel,et al.  Automatic Learning Approaches for On-Line Transient Stability Preventive Control of the Hydro-Quebec System , 1995 .

[36]  João Peças Lopes,et al.  Estudos de impacto eléctrico da integração de produção eólica adicional nas redes eléctricas da República de Cabo Verde : caso de Santiago , 1999 .

[37]  P. Kundur,et al.  Power system stability and control , 1994 .

[38]  L. Torgo,et al.  Inductive learning of tree-based regression models , 1999 .

[39]  Louis Wehenkel,et al.  Automatic Learning Approaches for On-Line Transient Stability Preventive Control of the Hydro-Quebec System: Part II. A toolbox combining decision trees with neural nets and nearest neighbor classifiers otpimized by genetic algorithms , 1995 .

[40]  Luís Torgo,et al.  Kernel Regression Trees , 2007 .

[41]  J.A.P. Lopes,et al.  ANN sensitivity analysis for identification of relevant features in security assessment , 2001, 2001 IEEE Porto Power Tech Proceedings (Cat. No.01EX502).

[42]  Fernando Manuel Domingues Fernandes Contribuições para a avaliação em tempo real da estabilidade de tensão num sistema eléctrico de energia , 2001 .