Graph machine learning models applied on the identification of critical transmission lines in electrical power systems

Página do item simplificado
dc.contributor.advisor1Paiva, Marcia Helena Moreira
dc.contributor.advisor1IDhttps://orcid.org/0000-0002-7314-6129
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8026444214173343
dc.contributor.authorAlves, Rogerio José Menezes
dc.contributor.referee1Samatelo, Jorge Leonid Aching
dc.contributor.referee2Lourenço, Elizete Maria
dc.date.accessioned2024-05-30T00:53:49Z
dc.date.available2024-05-30T00:53:49Z
dc.date.issued2022-04-04
dc.description.abstractWhen the operation of electric power systems is concerned, one may associate security with predicting a future event, and then be always ready to what may happen in the future. The number of possible events increases even further when not only single contingencies are evaluated, but also multiple contingencies. Therefore, one must seek for the balance between desired security level and practical cost-efectiveness. A critical event that is not mapped will not be analyzed and might represent an issue in the system’s event response mechanisms. On the other hand, the screening is vital because the number of possible contingency scenarios turns impractical to make an exhaustive detailed simulation approach. One alternative approach to make analyses on power systems is to consider topological aspects instead of, or even together with electrical information from the systems. In this case, graph models of the power systems can be constructed and evaluated. In this dissertation, Graph Machine Learning techniques are evaluated on graph models constructed from the system data, aiming to classify critical and non-critical transmission lines. First, a literature review is made, highlighting the main models and methods, which are then adapted and applied. Then, a set of test systems that are commonly used in benchmarks is selected for the evaluation step. Three approaches for learning architectures are proposed, given that the formulated learning problem is not directly treated in the known literature. The learning approaches are trained for reproducing a known criticality index for transmission lines in a graph model, and the obtained results are analyzed. Finnaly, conclusion about the obtained results are made and possible future research themes are proposed.
dc.description.resumoNo que diz respeito à operação de sistemas elétricos de potência, pode-se associar segurança à previsão de um evento futuro e, assim, estar sempre pronto para possíveis contingências. O número de eventos possíveis aumenta ainda mais quando não apenas contingências únicas são avaliadas, mas também múltiplas contingências. Portanto, deve-se buscar o equilíbrio entre o nível de segurança desejada e o custo associado. Um evento crítico que não seja mapeado não será analisado e pode representar um problema nos mecanismos de resposta a eventos do sistema. Por outro lado, a triagem é vital porque o número de cenários de contingência possíveis torna impraticável fazer uma abordagem exaustiva de simulação detalhada. Uma abordagem alternativa para fazer análises em sistemas de potência é considerar aspectos topológicos ao invés de, ou mesmo em conjunto com informações elétricas dos sistemas. Neste caso, modelos de grafos dos sistemas de potência podem ser construídos e avaliados. Nesta dissertação, técnicas de Aprendizado de Máquina em Grafos são avaliadas em modelos de grafos construídos a partir dos dados do sistema, visando realizar a classificação de linhas de transmissão críticas e não críticas, com relação a contingências simples e múltiplas. Primeiramente é feita uma revisão da literatura, levantando os modelos e métodos que serão adaptados e avaliados. Em seguida, um conjunto de sistemas de teste que são comumente usados em benchmarks é selecionado para aplicação dos métodos de aprendizagem. Três abordagens para arquiteturas de aprendizado são propostas, tendo em vista que o problema de aprendizagem que foi construído, na forma de classificação de arestas, não é diretamente tratado na literatura visitada. As arquiteturas foram treinadas para reproduzir um índice de criticidade conhecido para linhas de transmissão em um modelo de grafo e, ao final, os resultados obtidos são analisados. Por fim, conclui-se sobre os resultados que foram obtidos nas estratégias adotada e são propostas possíveis pesquisas futuras.
dc.formatText
dc.identifier.urihttp://repositorio.ufes.br/handle/10/16134
dc.languagepor
dc.publisherUniversidade Federal do Espírito Santo
dc.publisher.countryBR
dc.publisher.courseMestrado em Engenharia Elétrica
dc.publisher.departmentCentro Tecnológico
dc.publisher.initialsUFES
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétrica
dc.rightsopen access
dc.subjectSistemas de potência
dc.subjectSegurança
dc.subjectTeoria de grafos
dc.subjectRedes complexas
dc.subjectAprendizado de máquina em grafos
dc.subject.br-rjbnsubject.br-rjbn
dc.subject.cnpqEngenharia Elétrica
dc.titleGraph machine learning models applied on the identification of critical transmission lines in electrical power systems
dc.title.alternativeGraph machine learning models applied on the identification of critical transmission lines in electrical power systems
dc.typemasterThesis
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
[Rogerio José Menezes Alves] dissertação.pdf
Tamanho:
9.1 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Coleções
Mestrado em Engenharia Elétrica