Interruptions in power supply are inevitable due to faults in power system distribution network. These interruptions are not only expensive for the customers but also for the distribution system operator in the form of penalties. Increase in system redundancy or the use of component-specific sensors can help in reduction of interruptions. However, these options are not always economically feasible. Therefore, there is a need to check for other possibilities to reduce the risk of outages. The data stored in substations can be used for reducing the risk of outages by deriving component importance indices followed by ranking and predicting the outages. This thesis presents component importance indices derived by identifying the critical components in the grid and assigning index based on certain criterion. The model for predicting the faults is based on the weather conditions observed during the outages in the past. Component importance indices are derived and ranked based on the de-energisation time of components, frequency and impact of outages. This helps prioritize components according to the chosen criterion and adapt monitoring strategies by focusing on the most critical components. Based on categorical Naive Bayes, a model is developed to predict the probability of fault/failure, location and component type likely to be affected for a given set of weather conditions. The results from the component importance indices reveal that each component’s rank varies based on the chosen criterion. This indicates that certain components are critical with respect to specific criterion and not all criteria. However, some components are ranked high in all the methods. These components are critical and need focused monitoring. The reliability of results from component importance indices to a great extent depends on the time frame of the outage data considered for analysis. The prediction model can alert the distribution system operator regarding the possible outages in the network for a given set of weather conditions. However, the prediction of location and component type likely to be affected is relatively inaccurate, since the number of outages considered in the time frame is low. By updating the model regularly with new data, the predictions would be more accurate. / Avbrott i strömförsörjningen är oundvikliga på grund av fel i distributionsnätet för kraftsystemet. Dessa avbrott är inte bara dyra för kunderna utan också för distributionssystemoperatören i form av påföljder. Ökad systemredundans eller användning av komponentspecifika sensorer kan hjälpa till att minska avbrott. Dessa alternativ är dock inte alltid ekonomiskt genomförbara. Därför är det nödvändigt att kontrollera om det finns andra möjligheter för att minska risken för avbrott. Data lagrade i transformatorstationer kan användas för att minska risken för avbrott genom att härleda komponentviktindex följt av rangordning och förutsäga avbrott. I denna avhandling härleds viktighetsindex genom att identifiera de kritiska komponenterna i nätet och tilldela index baserat på vissa kriterier. Felprognoserna gjordes baserat på de väderförhållanden som observerades under avbrott. komponentviktighetsindex härleds och rankas baserat på komponenternas urladdningstid, frekvens och påverkan av avbrott. Detta hjälper till att prioritera komponenter enligt det valda kriteriet och anpassa övervakningsstrategier genom att fokusera på de mest kritiska komponenterna. Baserat på kategoriska Naive Bayes utvecklas en modell för att förutsäga sannolikheten för fel / fel, plats och komponenttyp som sannolikt kommer att påverkas under en viss uppsättning väderförhållanden. Resultaten från komponentviktighetsindexen visar att varje komponents rang varierar beroende på det valda kriteriet. Vissa komponenter rankas dock högt i alla metoder. Dessa komponenter är kritiska och behöver fokuserad övervakning. Tillförlitligheten hos resultat från komponentviktindex beror till stor del på tidsramen för avbrottsdata som beaktas för analys. Prognosmodellen kan varna distributionssystemoperatören om möjliga avbrott i nätverket för en viss uppsättning väderförhållanden. Förutsägelsen av plats och komponenttyp som sannolikt kommer att påverkas är dock relativt felaktig, eftersom antalet avbrott som beaktas i tidsramen är lågt. Genom att uppdatera modellen regelbundet med nya data skulle förutsägelserna vara mer exakta.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-287173 |
| Date | January 2020 |
| Creators | Nalini Ramakrishna, Sindhu Kanya |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2020:761 |
Page generated in 0.002 seconds