Napredno vođenje elektroenergetskoga sustava primjenom podržanoga učenja

doctoral thesis

• Title (english): Advanced power system control based on reinforcement learning
• Author: Ivana Damjanović
• Mentor: Ivica Pavić (mentor)
• Committee member: Marko Delimar (predsjednik povjerenstva)
• Committee member: Tomislav Capuder (član povjerenstva)
• Committee member: Marinko Stojkov (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; (Department of Energy and Power Systems); Zagreb
• Defense date and country: 2023-07-13, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Electrical Engineering; Power Engineering
• Universal decimal classification (UDC): 621.3 - Electrical engineering

Abstract

Vođenje elektroenergetskog sustava jedna je od brojnih zadaća operatora prijenosnog sustava čija je svrha osigurati siguran i pouzdan rad elektroenergetske mreže. Složenost sadašnjeg i očekivanog budućeg elektroenergetskog sustava sve je veća zbog integracije obnovljivih izvora energije i novih uređaja u mrežu. S rastućom složenošću struktura elektroenergetskog sustava, njegov pogon i vođenje postaju sve izazovniji. Promjene rezultiraju povećanjem složenosti sustava, pri čemu je broj aktivnih upravljačkih točaka u mreži prevelik da bi se njima upravljalo ručno te se kao moguće rješenje navedenog problema nameće primjena tehnologije umjetne inteligencije u elektroenergetskom sustavu.
Fokus ovog istraživanja je upravljanje tokovima snaga kako bi se spriječila preopterećenja u mreži koja mogu dovesti do kaskadnih ispada i raspada sustava. Tehnička metoda koja je oda- brana za primjenu je promjena topologije mreže sekcioniranjem sabirnica. Kako bi razvijeni model upravljanja tokovima snaga imao brzi odziv prilikom donošenja odluka te sposobnost automatskog učenja iz podataka, predložena metoda zasnovana je na algoritmima strojnog učenja. Točnije, odabrani su algoritmi podržanog učenja (engl. reinforcement learning - RL) zbog njihove glavne karakteristike, a to je da agent uči strategiju odabira akcije kroz interakciju s okolišem.
Osim konačnog produkta istraživanja, autonomnog RL dispečera za upravljanje tokovima snaga korištenjem isključivo sekcioniranja sabirnica, u radu su detaljno prikazani svi elementi istraživanja koji su prethodili konačnom rezultatu. Prikazano je razvijeno okruženje za simulaciju rada EES-a i RL, detaljno je opisana korištena testna mreža i pogonski scenariji te je prikazan algoritam odabira topologija sabirnica koji je doveo do značajnog poboljšanja rada RL agenta. Analizom rezultata potvrđen je veliki potencijal primjene podržanog učenja u području vođenja EES-a.

Abstract (english)

Power system control is one of the numerous tasks of the transmission system operator, whose purpose is to ensure the safe and reliable operation of the power grid. The complexity of the current and expected future power system is increasing due to the integration of renewable energy sources and new devices into the grid. As the structure of the power system becomes more complex, its operation and management become increasingly challenging. Changes result in increased system complexity, where the number of active control points in the network is too large to be managed manually. Therefore, the application of artificial intelligence technology in the power system emerges as a possible solution to this problem.
The focus of this research is on power flow control to prevent overloads in the grid, which can lead to cascading failures and system collapse. The technical method proposed for this application is changing the network topology through bus splitting. To ensure a fast response in decision-making and the ability to learn automatically from data, the proposed method is based on machine learning algorithms. Specifically, reinforcement learning (RL) algorithms have been chosen due to their main characteristic, which is the agent learning the action selection strategy through interaction with the environment.
In addition to the final research product, an autonomous RL agent for power flow control using bus splitting, the paper provides a detailed presentation of all research elements that preceded the final outcome. The developed environment for simulating the operation of the power system and RL is shown, the test network and operating scenarios used are described in detail, and the algorithm for selecting bus topologies, which led to a significant improvement in the RL agent's performance, is presented. Through the analysis of results, the significant potential of using reinforcement learning in power system control has been confirmed.

• Keywords: vođenje elektroenergetskog sustava; upravljanje tokovima snaga; promjena topologije mreže; sekcioniranje sabirnica; podržano učenje
• Keywords (english): power system control; power flow control; network topology change; bus splitting; reinforcement learning
• Language: croatian
• URN:NBN: urn:nbn:hr:168:517074
• Promotion: 2024
• Study programme: Title: Doctoral study programme "Electrical Engineering and Computing"; Study programme type: university; Study level: postgraduate; Academic / professional title: doktor/doktorica znanosti, po-dručje tehničkih znanosti (doktor/doktorica znanosti, po-dručje tehničkih znanosti)
• Type of resource: Text
• Extent: 95 str. : graf. prikazi ; 31 cm.
• File origin: Born digital
• Access conditions: Open access
• Created on: 2024-02-15 13:33:32