Predicting faults in power grids using machine learning methods

Abstract

I en verden som er stadig mer avhengig av elektrisitet, er det av svært viktig å sørge for et stabilt kraftdistributionsnett. Med de siste fremskrittene innen smart grid teknologi, er aktører som tidligere pleide å være rene forbrukere nå blitt både produsenter og forbrukere av energi. Denne endringen fører til en raskere endring i belastningen på kraftnettet, med store endringer i belastningsgraden med ujevne mellomrom. Endringene krever bedre overvåkning- og analyseverktøy for å takle den økte dynamikken fra tusenvis av nye produsenter.

I denne masteroppgaven utforsker vi feltet for feilhendelsesforutsigelse i strømnettet, det å forutsi en feil før den inntreffer. Vi implementerer flere maskinlæringsmodeller som benytter spenningsmålinger fra strømkvalitetssensorer i det norske strømnettet.

Vi presenterer flere funksjonsekstraksjonsmetoder som aggregerer tidsserier av harmoniske frekvenser i høyoppløselig spenningsdata. Data brukes i kombinasjon med Support Vector Machines, Random Forests og flere ulike Neural Network arkitekturer, med mål å forutsi feil med 10 minutters tidshorisont. Våre modeller er i stand til å forutsi over 74% av feilene i feilkategoriene spenningsdipp, avbrudd, jordfeil og sprang.

In a world that is increasingly dependent on electricity, providing a stable power distribution network is of utmost importance. With the recent advances in smart grid technology, actors that used to be pure consumers are now becoming both producers and consumers of energy. This change leads to a more rapid change in load on the electrical grid, with variable load at uneven intervals. The changes call for better monitoring and analysis tools, to cope with the added dynamicity from thousands of new producers.

In this thesis we examine the field of power system fault prediction, the task of predicting a fault ahead of time. Specifically we implement multiple machine learning models that take as input voltage measurement data, collected from Power Quality Analysers in the Norwegian power grid.

We present multiple feature engineering methods that aggregates time series of harmonic frequencies in high resolution voltage data. The features are combined with Support Vector Machines, Random Forests and multiple Neural Network architectures, with the aim of predicting faults with a 10 minute horizon. Our models are able to successfully predict over 74% of faults within the fault categories voltage sags, interruption faults, ground faults and rapid voltage change faults.