A study of machine learning methods used as decision support tool for grid operators : the NEWEPS project

Abstract

The electrical power system is becoming increasingly dynamic and complex. Through the Green Deal, the European Union (EU) aims at decarbonizing the energy sector, shifting from fossil fuels to renewable energy sources. This trend gives rise to unreliable power generation and unpredictable consumer patterns with larger loads. Combined with more frequent extreme weather conditions due to global warming more faults, disturbances, and stability issues in the power grid are predicted to happen. To prepare for this future, the Nordic Transmission System Operators (TSOs) have initiated the Nordic Early Warning Early Prevention System (NEWEPS) project. The project aims at creating a system that acts as a decision support tool for grid operators. The goal is to create a system that can give warnings about coming faults and disturbances, and stability issues in the grid before they appear. As this system will use data from Phasor Measurement Units (PMUs) as an information source, large amounts of data need to be analyzed in real-time. A data analysis method that could handle such large amounts of data is Machine Learning (ML).

This master’s thesis is a contribution to this project, as it will explore the possibility of using state-of-the-art ML models to predict faults and stability in the power grid. A literature review and a case study were performed. The literature search resulted in 16 articles that met the set limitations. These articles were categorized as either predicting power system stability in the post-fault timeframe or predicting faults and disturbances in the pre-fault timeframe. This produced a valuable overview of the most promising predictive ML models currently researched. The discussion resulted in a recommendation of the most relevant models for each category. For the post-fault timeframe, a Recurrent Neural Network (RNN) with Long Short-Term Memory (LSTM) and a Feed-Forward Neural Network (FFNN) were recommended and for the pre-fault timeframe, a hybrid model using RNN with LSTM and a Support Vector Machine (SVM) classifier was recommended. The case study illustrates which patterns ML models can learn and detect to give accurate predictions. It is also found that some minor faults produce subtle anomalies in the waveforms before they evolve into major faults. These anomalies, oftentimes unnoticed by human grid operators, could be detected using trained ML models.

Based on the results from the literature review, a Technology Readiness Level (TRL) evaluation of each category is carried out. Both categories have been evaluated to be between a TRL 3 and 4. A TRL evaluation of the current usage of such models by the Nordic TSOs is also performed. These TRLs are compared, and it is found that the research done on this topic by the Nordic TSOs is very limited. The results from this master’s thesis could therefore prove to be a great starting point for this research. Based on the literature study and the case study done in this thesis it has been shown that predictive ML models can increase awareness in the power grid and assist grid operators in power grid management, by providing early warnings about faults and stability.

Det elektriske kraftsystemet blir stadig mer dynamisk og komplekst. Gjennom Green Deal har EU som mål å avkarbonisere energisektoren, og skifte fra fossile brensler til fornybare energikilder. Denne trenden gir opphav til upålitelig kraftproduksjon og uforutsigbare forbrukermønstre med større belastning. Kombinert med hyppigere ekstreme værforhold på grunn av global oppvarming, forventes det at det i fremtiden vil oppstå flere feil, forstyrrelser og stabilitetsutfordringer i strømnettet. For å forberede seg på denne fremtiden har de nordiske transmisjonsnettoperatørene (TSOene) startet prosjektet Nordic Early Warning Early Prevention System (NEWEPS). Prosjektet har som mål å skape et system som fungerer som et beslutningsstøtteverktøy for nettoperatører. Målet er å lage et system som kan gi advarsler om kommende feil og forstyrrelser, og stabilitetsproblemer i nettet før de inntreffer. Ettersom dette systemet vil bruke data fra Phasor Measurement Units (PMUs) som informasjonskilde, må store datamengder analyseres i sanntid. En dataanalysemetode som kan håndtere så store datamengder er Maskinlæring (ML). Denne masteroppgaven er et bidrag til dette prosjektet, da det vil utforske muligheten for å bruke state-of-the-art ML-modeller for å forutsi feil og stabilitet i strømnettet. Det ble utført en litteraturstudie og en casestudie. Litteratursøket resulterte i 16 artikler som oppfylte de angitte begrensningene. Disse artiklene er kategorisert til å enten forutsi nettstabilitet i tidsrammen rett etter at en feil har inntruffet eller forutsi feil og forstyrrelser i tidsrammen før feilen har inntruffet. En oversikt over de mets lovende prediktive ML-modellene har blitt presentert i form av tabeller. Diskusjonen resulterte i en anbefaling av de mest relevante modellene for hver kategori. I den første kategorien ble en RNN med LSTM og en FFNN anbefalt, og for den andre kategorien ble en hybridmodell basert på en RNN med LSTM og en SVM anbefalt. Casestudien illustrerer hvilke mønstre ML-modeller kan lære seg og oppdage for å gi nøyaktige prediksjoner. Det har også blitt funnet at noen feil produserer subtile uregelmessigheter i bølgeformene før de utvikler seg til større feil. Disse avvikene, ofte ubemerket av menneskelige nettoperatører, kan oppdages ved hjelp av trente MLmodeller. Basert på resultatene fra litteraturstudien, utføres en TRL-evaluering (Teknologimodenhet) av hver kategori. Begge kategoriene er evaluert til å være mellom TRL 3 og 4. En TRLevaluering av dagens bruk av slike modeller av de nordiske TSO-ene blir også utført. Disse TRL-ene blir sammenlignet, og det er funnet at forskningen som er gjort på dette emnet av de nordiske TSO-ene er svært begrenset. Resultatene fra denne masteroppgaven kan derfor vise seg å være et godt utgangspunkt for denne forskningen. Basert på litteraturstudien og casestudien gjennomført i denne masteroppgaven har det blitt vist at prediktive MLmodeller har evnen til å øke oversikten og kontrollen i kraftnettet, og dermed hjelpe nettoperatører med kraftnettadministrasjon ved å gi tidlige varsler om feil og stabilitet.