Power Wave Analysis and Prediction of Faults in the Norwegian Power Grid

Abstract

Det moderne samfunnet har blitt avhengig av elektrisitet, og som følger av dette har strømnettet blitt en viktig del av infrastrukturen vår. Å tilby et stabilt kraftdistribusjonsnett er ekstremt viktig og sørger for at både industrien og husstander kan ha en forutsigbar kilde til energi. Med fremskrittene til maskinlæring og lagringskapasitet av store data har det oppstått et ønske om å kunne forutse feil på det forfallende strømnettet slik at man kan sikre stabilitet for brukerne.

I denne masteroppgaven skal vi gjøre en gjennomgående analyse av data fått fra det norske strømnettet, og prøve å finne ut til hvilken grad det er mulig å bruke denne dataen til å predikere feil i strømnettet. Vi presenterer ulike måter å representere dataen på, og ulike maskinlæringsmetoder passende for prediksjon. Deretter ser vi på de ulike datarepresentasjonene for å se om det er noen merkbare forandringer i strukturen til feil og ikke-feil, og om så hva som kan være årsaken til disse forandringene. Til slutt bruker vi maskinlæringsmetodene til å prøve å predikere om en feil kommer til å inntreffe innenfor ulike tidsintervaller og ulike tider før feilen eventuelt inntreffer.

Vi oppdager at å bruke den opprinnelige bølgeformen istedet for andre populære representasjoner som Fourier transformasjonen gir de beste resultatene. Vi finner også ut at å bruke et signal med veldig høy oppløsning ikke nødvendigvis forbedrer resultatene, men at det er viktigere å se på signalet over større tidsintervaller. Til slutt oppdager vi at det er noen forskjeller i strukturene i dataen, men at dette hovedsaklig er forårsaket av hvilke noder dataen stammer fra, og ikke om det er en feil eller ikke. Hvis man ser på hver node individuelt blir forskjellene mellom strukturene i feil og ikke-feil litt mer tydelige.

The modern society has grown dependant on electricity and as such the power grid has become a crucial part of our infrastructure. Providing a stable power distribution network is of utter importance, ensuring that both industry and households have a predictable source of energy. With the advances of machine learning and storage capacities of big data, there have emerged a wish to predict faults on the degrading power grid in order to assure stability for the users.

In this thesis we will do a thorough analysis of the data obtained from the Norwegian Power grid, and try to find out to what extent it is possible to use this data to predict faults in the power grid. We present different ways of representing the data, and different machine learning methods suitable for prediction. We then look at the different data representations to see if there are any noticeable differences between the structures in the faults and the non-faults, and if so what might have caused these differences. We finally use the machine learning methods to try to predict that a fault will occur within different time intervals and forecast horizons.

We discover that using the raw waveform instead of other popular representations such as the Fourier transform gives the best results. We also find that using a signal with a very high resolution does not necessarily improve the performance, but that it is more important to look at the signal over larger time intervals. Lastly we discover that there are some differences in the structures in the data, but they are mainly caused by their origin nodes and not whether it is a fault or not. Looking at each node separately, the differences between the structures in the faults and non-faults become a bit more visible.