Data-driven distribution system state estimation using synchrophasor measurements

Zargar, Behzad; Ponci, Ferdinanda; Ulbig, Andreas

doi:43002

Data-driven distribution system state estimation using synchrophasor measurements

Zargar, Behzad^RWTH*

2023 & 2024

VerantwortlichkeitsangabeBehzad Zargar Institute for Automation of Complex Power Systems

Ausgabe1. Auflage

ImpressumAachen : E.ON Energy Research Center, RWTH Aachen University 2023

Umfang1 Online-Ressource : Illustrationen

ISBN978-3-948234-37-9

ReiheE.On Energy Research Center ; 123

Dissertation, RWTH Aachen University, 2023

Druckausgabe: 2023. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2024

Genehmigende Fakultät
Fak06

Hauptberichter/Gutachter
Ponci, Ferdinanda (Thesis advisor)^RWTH* ; Ulbig, Andreas (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2023-11-22

Online
DOI: 10.18154/RWTH-2024-01002
URL: https://publications.rwth-aachen.de/record/977933/files/977933.pdf

Einrichtungen

Lehr- und Forschungsgebiet Monitoring und verteilte Kontrolle für Energiesysteme (616520)

Inhaltliche Beschreibung (Schlagwörter)
Artificial Neural Network (ANN) (frei) ; computational complexity (frei) ; distributed computation (frei) ; distribution system state estimation (frei) ; linear power flow (frei)

Thematische Einordnung (Klassifikation)
DDC: 621.3

Kurzfassung
Motivation, Ziel und Aufgabe der Dissertation: Um eine größere Unabhängigkeit von fossilen Brennstoffen zu erreichen und den Herausforderungen des Klimawandels zu begegnen, integrieren sich umweltfreundliche Energiequellen (z. B. Wind, Solarphotovoltaik, Elektrofahrzeuge usw.) schnell in die Stromsysteme. Der Hauptfokus dieses Energieübergangs liegt in Verteilungsnetzen, wo Endverbraucher und verteilte Energiequellen mit dem Netz verbunden sind. Um Verteilungssysteme effizient im sicheren Betrieb zu führen und Synergien zwischen aktiven Elementen herzustellen, sollten Verteilnetzbetreiber (DSOs) Strategien auf Basis laufender Betriebsbedingungen einsetzen. Der Betriebszustand des Stromsystems muss zeitnah und genau bestimmt werden. Zu diesem Zweck stellt diese Dissertation einen Ansatz für die Zustandsschätzung von Verteilungssystemen (DSSE) vor, der auf die datengesteuerte künstliche neuronale Netzwerk (ANN)-Modellierungstechnik und Synchrophasenmessungen basiert, um einen Momentaufnahme des Netzwerks bereitzustellen. Im Vergleich zu modernen modellbasierten Zustandsschätzmethoden, die hauptsächlich auf der gewichteten kleinsten Quadrate (WLS)-Methode basieren, erfordert der vorgeschlagene ANN-basierte Schätzer keine Berechnungen von Jakobimatrizen und Gewichtsmatrizeninversen während der Laufzeit. Daher ist der vorgeschlagene ANN-Schätzer einfacher und schneller als modellbasierte Methoden. Somit kann er als potenzielle DSSE-Methode betrachtet werden, die den Echtzeitanforderungen von Automatisierungsfunktionen in Verteilungsnetzen gerecht wird. Wesentliche wissenschaftliche Beiträge: In dieser Dissertation repräsentieren die Spannungsmagnitude und der Phasenwinkel der Netzbusse die Systemzustände. Basierend darauf werden die Hauptbeiträge der Dissertation hier zusammengefasst: Das ANN, als eine der leistungsfähigen nichtlinearen Regressionsmethoden, wurde verwendet, um Synchrophasenmessungen auf die Systemzustände abzubilden. Der angewandte Pearson-Korrelationskoeffizient zeigt eine Korrelation mit nichtlinearer Abhängigkeit zwischen Synchrophasenmessungen und Systemzuständen. Gemäß dem Universal Approximation Theorem kann ein Feedforward-Mehrschicht-Perzeptron-Netzwerk mit einer linearen Ausgangsschicht und einer verdeckten Schicht mit einer Hyperbelfunktion (tanh) die Anforderungen dieser Abbildung erfüllen. Um die Generalisierungsfähigkeit des ANN zu verbessern, werden nur zwei Neuronen in der verdeckten Schicht berücksichtigt. Darüber hinaus wird der Bayesian Regularization Learning Algorithmus in dieser Arbeit verwendet, um den Schätzer gegen Überanpassung zu schützen. Der vorgeschlagene Schätzer schätzt die Systemzustände im polaren Koordinatensystem. Um genaue Schätzungsergebnisse ohne Verzerrung zu erhalten, besteht dieser Schätzer aus zwei ANNs. Eines schätzt die Spannungsmagnitude, das andere den Phasenwinkel. Zusätzlich zu den Synchrophasenmessungen können auch andere Messungen wie Leistungsmessungen den Messungseingängen hinzugefügt werden. Um die unbalancierte Natur von Verteilungsnetzen zu berücksichtigen, werden drei unabhängige ANN-basierte Schätzer, die den drei Phasen des Netzes entsprechen, parallel mit den Trainingsdaten eines dreiphasigen Leistungsflusslösers trainiert. Um die Ausführungsgeschwindigkeit des vorgeschlagenen ANN-basierten Schätzers zu verstehen, wurde die Rechenkomplexität dieser Technik im Vergleich zu modellbasierten Zustandsschätzmethoden hinsichtlich der verstrichenen Zeit und der Gleitkommazahlen (FLOP) verglichen. Im Vergleich zur verstrichenen Zeit ist FLOP eine maschinenunabhängige Maßeinheit. Und wie in dieser Dissertation gezeigt wird, ist FLOP ein zuverlässigerer Indikator als die verstrichene Zeit zur Beurteilung des Rechenaufwands von DSSE-Problemen in Echtzeitanwendungen. Um die Rechenlast während der Schulungs- und Schätzphase der ANN-basierten Schätzer zu verringern, wurde das Schätzproblem in einer parallelen und einer Multi-Bereichs-Architektur auf mehrere kleinere Probleme verteilt. In der parallelen Architektur wird der Trainingsdatensatz in kleinere Trainingsdatenpakete aufgeteilt, die die Ausgangs-Trainingdaten mit kleineren Teilen des Stromnetzes verknüpfen. Im Vergleich zum integrierten System werden dann die kleineren ANN-basierten Schätzer mit den kleineren Datenpaketen trainiert, die den kleineren Netzabschnitten entsprechen. Da die Trainingsmethode alle Messungen auf eine kleinere Anzahl von Zuständen für jeden Unterbereich abbildet, kann sie die Gewichte und Bias der ANNs besser abstimmen. Folglich werden genauere Schätzungen durch die Zustandsschätzung in der parallelen Architektur im Vergleich zur Zustandsschätzung auf dem integrierten System erhalten. In der Multi-Bereichs-Architektur wird das Stromnetz in kleinere Unterbereiche aufgeteilt. Das System wird an den Stellen geteilt, an denen Phasor-Messgeräte (PMUs) installiert sind. Da PMUs sowohl die Spannungsmagnitude als auch den Phasenwinkel messen, können die Trennpunkte als virtuelle Anschlussbusse betrachtet werden. Auf diese Weise wird ein großes Leistungsflussproblem in kleinere Leistungsflussprobleme für die geteilten Unterbereiche unterteilt. Durch die Durchführung des Leistungsflusses über ein breites Spektrum von Betriebsbedingungen wird die Trainingsdaten für jeden Unterbereich generiert. Dann wird der ANN-basierte Schätzer für jeden Unterbereich trainiert. Schließlich erfolgt die Zustandsschätzung in zwei Schritten. Im ersten Schritt berechnet das ANN für jeden Unterbereich bei Erhalt der Messungen die lokalen Schätzungen. Der Trennpunkt ist ein überlappender Knoten zwischen den benachbarten Unterbereichen. Daher gibt es mehrere geschätzte Zustände für den Trennpunkt, die von den benachbarten ANN-basierten Schätzern berechnet werden. Um die Zustände der überlappenden Knoten zu wählen, werden dann die Schätzungen des genauesten lokalen Schätzers ausgewählt. Im zweiten Schritt werden die Messungen der überlappenden Knoten durch die ausgewählten Zustände der überlappenden Knoten ersetzt. Dadurch wird die Genauigkeit der Schätzungen verbessert, da die Genauigkeit der geschätzten Zustände der überlappenden Knoten besser ist als die gemessenen Werte an diesen Punkten. Schließlich wurde eine iterative lineare Leistungsflussmethode eingeführt, um die für den vorgeschlagenen ANN-Zustandsschätzer erforderlichen Daten zu generieren. In dieser Leistungsflussmethode wird das lineare Strominjektionsmodell von P-Q- und P-V-Knoten in den Fixed-Point-Iteration-Algorithmus integriert. Falls nur P-Q-Knoten im Netz vorhanden sind, wird der Leistungsfluss in einem einzigen Schuss gelöst. Wenn jedoch P-V-Knoten im System vorhanden sind, sind einige Iterationen erforderlich. Das Modell des P-V-Knotens wird durch einen Relaxationsfaktor gelockert. Die Verwendung des optimalen Relaxationsfaktors verbessert die Konvergenzrate des Leistungsflussproblems. Zusammenfassend wurde in dieser Dissertation ein schneller datengetriebener Überwachungsansatz für aktive Verteilungssysteme vorgestellt. Die Trainingsdaten werden zunächst durch Leistungsflussberechnungen generiert. Dann werden pro Phase zwei ANNs im Offline-Modus trainiert, um die entsprechenden Messungseingänge auf die Systemzustände abzubilden. Und schließlich geben die ANNs die Systemzustände bei Erhalt der Synchrophasenmessungen zur Laufzeit aus.

Motivation, Goal and Task of the Dissertation: To achieve greater independence from fossil fuels and address the challenges of climate change, environmentally friendly energy sources (e.g., wind, solar photovoltaic, electric vehicles, etc.) are rapidly integrating into power systems. The primary focus of this energy transition occurs within distribution grids, where end consumers and distributed energy resources connect to the grid. To efficiently operate distribution systems in a safe mode and establish synergy among active elements, distribution system operators (DSOs) should employ strategies based on ongoing operating conditions. The operating condition of the power system, in terms of its current state, must be determined timely and accurately. To this end, this dissertation introduces a distribution system state estimation (DSSE) approach based on the data-driven artificial neural network (ANN) modeling technique and synchrophasor measurements to provide a snapshot of the grid state. Compared to state-of-the-art model-based state estimation methods, mostly relying on the weighted least squares (WLS) approach, the proposed ANN-based estimator does not involve Jacobian matrix and gain matrix inverse calculations in runtime. Therefore, the proposed ANN estimator is simpler and performs faster than modelbased methods. Thus, it can be considered a potential DSSE method that meets the real-time requirements of automation functions in distribution grids. Major Scientific Contributions: In this dissertation, the voltage magnitude and the phase angle of the grid buses represent the system states. Based on this, the major contributions of the dissertation are summarized here: 1) The ANN, as one of the powerful non-linear regression methods, has been used to map the synchrophasor measurements to the system states. The applied Pearson correlation coefficient shows that there is a correlation with nonlinear dependency between synchrophasor measurements and the system states. According to the universal approximation theorem, a feedforward multilayer perceptron network with a linear outputlayer and one hidden layer with a hyperbolic tangent (tanh) activation function can fulfill the requirement of this mapping. Each layer requires several nodes. The number of nodes in the input and output layers is equal to the number of synchrophasor measurements and the number of states, respectively. To improve the generalization capability of the ANN, only two neurons are considered in the hidden layer. Moreover, the Bayesian regularization learning algorithm is used for training the ANN in this work to make the estimator more robust against overfitting concern. 2) The proposed estimator estimates the system states in the polar coordinate. To obtain accurate estimation results without bias, this estimator consists of two ANNs. One estimates the voltage magnitude, and another calculates the phase angle. In addition to the synchrophasor measurements, other measurements such as power measurements can be added to the measurement inputs. 3) To consider the unbalanced nature of distribution grids, three independent ANN basedestimators, corresponding to the three phases of the network, are trained in parallel with the training data generated by a three-phase power flow (PF) solver. 4) To understand how fast the proposed ANN-based estimator is executed, the computational complexity of this technique has been compared with the model-based state estimation methods in terms of elapsed time and the floating-point operation (FLOP)number. Compared to elapsed time, FLOP is a machine-independent measure. And, as shown in this dissertation, FLOP is a more reliable indicator than elapsed time for assessing the computational effort of the DSSE problems in real-time applications.5) To alleviate the computational burden during the training and estimation phase of the ANN-based estimators, the estimation problem has been distributed over several smaller problems in a parallel and in a multi-area architecture. In the parallel architecture, the training dataset is divided into smaller training data packages, those containing the output training data associated with smaller portions of the power grid. Compared to the integrated system, then, the smaller ANN-based estimators are trained with the smaller data packages corresponding to the smaller grid subsections. Since the training method maps all the measurements to a smaller number of states for each subarea, it can better tune the weights and biases of the ANNs. Consequently, more accurate estimations are obtained by performing the state estimation in the parallel architecture compared to performing the state estimation on the integrated system. In the multiarea architecture, the power grid is divided into smaller sub-areas. The system is split at the points where phasor measurement units (PMUs) are installed. Since PMUs measure both voltage magnitude and phase angle, the splitting points can be considered as the virtual slack buses. In this way, a big power flow (PF) problem is divided into smaller PF problems for the divided sub-areas. By performing the PF over a wide range of operating conditions, the training data is generated for each sub-area. Then, the ANN-based estimator is trained for each sub-area. Finally, the state estimation is performed in two steps. In the first step, upon receiving the measurements, the ANN for each sub-area calculates the local estimations. The splitting point is an overlapping node among the neighboring sub-areas. Therefore, there are multiple estimated states for the splitting point calculated by the neighboring ANN-based estimators. To choose the states of the overlapping nodes, then, the estimations from the most accurate local estimator are selected. In the second step, the measurements of the overlapping nodes are replaced with the selected states of the overlapping nodes. By doing so, the accuracy of the estimations is improved since the accuracy of the estimated states of the overlapping nodes is better than the measured values at these points.6) Finally, an iterative linear PF method has been introduced to generate the data required to train the proposed ANN state estimator. In this PF method, the linear current injection model of P-Q and P-V nodes is integrated into the fixed-point-iteration algorithm. In the case that there are only P-Q nodes in the grid, the PF is solved in a single shot. However, some iterations are required when there are P-V nodes in the system. The model of the P-V node is relaxed by a relaxation factor. Utilizing the optimal relaxation factor enhances the convergence rate of the PF problem. In a nutshell, a fast data-driven monitoring approach for active distribution system has been introduced in this dissertation. The training data is firstly generated by the power flow calculations. Then, per phase, two ANNs are trained to map the corresponding measurement inputs to the system states in the offline mode. And, at the final step, the ANNs give the system states upon receiving the synchrophasor measurements in the run-time.

OpenAccess:
PDF
(additional files)