Vis enkel innførsel

dc.contributor.advisorTjelmeland, Håkon
dc.contributor.authorWankel, Norunn Ahdell
dc.date.accessioned2019-09-06T14:04:50Z
dc.date.available2019-09-06T14:04:50Z
dc.date.issued2019
dc.identifier.urihttp://hdl.handle.net/11250/2613394
dc.description.abstractElektrisitet er viktig i dagens samfunn og noe vi nærmest tar for gitt at alltid skal være tilgjengelig. Det kan være mange grunner til at deler av kraftsystemet feiler, og vær er en av dem. I denne masteroppgaven formulerer vi to bayesianske hierarkiske modeller for forbigående feil på høyspentlinjer som er forårsaket av vind. Disse modellene er basert på en allerede eksisterende modell som brukes av systemansvarlig i det norske kraftsystemet. Vi lar antall feil for et linjesegment for en gitt time være poissonfordelt. Den tilhørende intensiteten er en funksjon av vindhastighet, linjesegmentlengde, en felles parameter for alle linjer samt to linjespesifikke parametre. Disse parametrene gir vi en apriorifordeling og ved å kombinere likelihood og apriorifordelingen finner vi et uttrykk for den tilhørende aposteriorifordelingen. Modellene vi formulerer har ulik likelihood, hvorav den ene belager seg på feil på segmentnivå, mens den andre kun inkluderer totalt antall feil for en linje sett under ett. Fordi vi ikke klarer å jobbe analytisk med aposteriorifordelingene velger vi å ta i bruk Markov chain Monte Carlo-metoder for å simulere fra fordelingene. Vi simulerer feildata og bruker dette som input til MCMC-kjøringer som består av parameteroppdateringer basert på Metropolis-Hastings og Gibbs algoritme. Det viser seg at linjemodellen har de smaleste aposteriori 90%-kredibilitetsintervallene for nesten alle parametrene i modellen. I begge tilfeller observer vi at det er en klar positiv korrelasjon mellom de to linjespesifikke parametrene. Dette indikerer at man i en eventuell fremtidig modell burde vurdere en annen apriorifordeling for disse parametrene som tar høyde for en korrelasjonsparameter. De simulerte parameterverdiene fra MCMC-kjøringene brukes for å estimere sannsynligheten for minst en feil for fremtidige timer og evalueres mot de sanne sannsynlighetene for feil. Vi sammenligner modellene ved å plotte logaritmen av absolutt feil for alle prediksjoner. Ut ifra dette kan vi ikke se noen tydelig forskjell mellom modellene. Dette er dermed en indikasjon på at det i prediksjonsøyemed er lite eller ingenting å hente for systemansvarlig i kraftsystemet ved å forbedre rapportering av feildata til å gi eksakt lokasjon for feil.
dc.description.abstractElectricity and its availability is important in today’s society. There are many reasons why components in the power system fail, with weather being one of them. In this report we formulate two Bayesian hierarchical models for wind related failures on overhead transmission lines. These models are based on an already existing model in use by the Norwegian Transmission System Operator. The number of failures along a line segment is assumed Poisson distributed, with an intensity parameter that is a function of wind speed, segment length, a common parameter for all lines and two line-specific parameters. The parameters are assigned prior distributions and an expression for the corresponding posterior distribution is then obtained by combining the likelihood and prior. Our two models differ only in terms of the likelihood, where one model considers failures on segment-level, while the other only includes the total number of failures along a line. Since we are not able to work analytically with the posterior distributions MCMC methods are used. An MCMC updating scheme consisting of Metropolis-Hastings and Gibbs updates are run for both models on simulated failure data. The posterior 90% credible interval is for almost all parameters narrower for the line-wise model than the segment-wise model. In both cases a positive correlation between the two line-specific parameters are seen, which indicates that one in the future should consider to include another type of prior for these parameters that allow for a correlation parameter. The generated parameter values from the MCMC runs are then used to predict the probability of at least one failure for future times and compared to the true probabilities of failures. For the comparison the logarithm of the absolute error of the predictions are calculated and plotted together for the line-wise and segment-wise model. However, there seem to be no distinct difference between them. This indicates that there might be nothing or little to gain for a Transmission System Operator in terms of better predictions if they improve the reporting on the exact location of failures.
dc.languageeng
dc.publisherNTNU
dc.titleHierarchical Bayesian modeling of wind related transmission line failures
dc.typeMaster thesis


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel