[pt]
Na supervisão em tempo-real de sistemas de potência é
fundamental que as informações recebidas do sistema de
aquisição de dados não contenham erros. As decisões
tomadas durante a operação do sistema se baseiam em
análise que utilizam uma base de dados supostamente
confiável. A presença de erros nos dados compromete as
análises realizadas conseqüentemente as decisões tomadas a
partir delas, podendo ocasionar problemas para a operação
do sistema.
Este trabalho propõe um novo método para a identificação
de erros nos dados na supervisão em tempo-real de sistemas
de potência. Técnicas de projeção de dados baseadas no
mapa de Kohonen são utilizadas para mostrar que as
inovações normalizadas, obtidas no estimadores de estado
com capacidade de previsão, apresentam excelente
capacidade de discriminação de erros quando comparadas a
outras variáveis tais como medidas cruas e resíduos
normalizados. É proposto um método que trata o problema de
identificação de erros de dados como um problema de
reconhecimento de padrões, onde as inovações normalizadas
são utilizadas como variáveis de entrada para uma rede
neural plástica que é responsável por identificar o erro
presente. O método é capaz de tratar de forma integrada
erros grosseiros nas medidas de erros topológicos
envolvendo ramos de transmissão ou barras.
Método proposto é testado para várias condições de
operação envolvendo os mais diversos tipos de erro,
utilizando os sistemas IEEE 24-barras e IEEE 118-barras. O
desempenho do método é avaliado e aspectos como eficiência
computacional, capacidade de generalização e implementação
em tempo-real, entre outros, são também discutidos. / [en] Bad data detection and identification is one of the most
important problems to be solved in real-time power system
monitoring. During system operation, the decision-making
process is based on analyses that use a database which is
assumed to be reliable. Bad data can affect the results of
these analyses and as a consequence the decisions taken
may not be valid anymore. This may cause serious problems
to system operation.
This work presents a new method for debugging data in real-
time power system monitoring. Data projection tecniques
based on Kohonen´s self-organizing maps are employed to
show that normalized innovations, obtained from a
forecasting-aided state estimator, present excellent
discrimination capability when compared to other variables
such as raw measurements and normalized residuals. In the
proposed method the problem of bad data identification is
viewed as a pattern recognition problem, in which
normalized innovations are use as input variables to a
constructive artificial neural network that is responsible
for identifying bad data. The method is able to
distinguish between gross measurement and topological
errors. Which can include branch or bus misconfigurations.
The proposed method is tested for many different operating
conditions involving different types of error. Tests are
performed using data from the IEEE 24-bus and IEEE 118-bus
systems. The performance of the method is evaluated and
aspects such as computational efficiency, generalization
capability and real-time implementation, among others, are
also discussed.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:8610 |
Date | 30 June 2006 |
Creators | JULIO CESAR STACCHINI DE SOUZA |
Contributors | ARMANDO MARTINS LEITE DA SILVA, ARMANDO MARTINS LEITE DA SILVA, ARMANDO MARTINS LEITE DA SILVA |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | Portuguese |
Type | TEXTO |
Page generated in 0.0015 seconds