Graph Machine Learning Models Applied on the Identification of Critical Transmission Lines in Electrical Power Systems
Nome: ROGERIO JOSÉ MENEZES ALVES
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 04/04/2022
Orientador:
Nome |
Papel |
|---|---|
| MARCIA HELENA MOREIRA PAIVA | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| ELIZETE MARIA LOURENÇO | Examinador Externo |
| JORGE LEONID ACHING SAMATELO | Examinador Externo |
| MARCIA HELENA MOREIRA PAIVA | Orientador |
Resumo: No 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. A obtenção de um sistema mais seguro torna-se uma tarefa profundamente relacionada com a existência de planos de contingência robustos e sólidos e os operadores necessitam de avaliar continuamente suas estratégias de contingência para garantir a resposta mais rápida a um cenário de contingência que pode não ter acontecido antes. 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. A etapa inicial de avaliação dos cenários que serão
estudados e simulados em detalhes é chamada de etapa de triagem, do inglês screening, que é fundamental para a análise de contingências e avaliação de segurança de sistemas de potência, principalmente porque restringe os cenários de estudos futuros em um conjunto limitado de contingências. Um evento crítico que não seja mapeado na etapa de triagem não será analisado em outras simulações 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. Parte do processo de análise de contingências consiste em avaliar as contingências possivelmente mais críticas para um sistema de energia, que
pode ser enquadrado como um problema de classificação binária (ou possivelmente multiclasse). Nesta dissertação, técnicas de Aprendizado de Máquina em Grafos são avaliadas em modelos de grafos construídos a partir dos dados do sistema. Três abordagens para arquiteturas de aprendizado são propostas e aplicadas a um conjunto de sistemas de teste que são comumente usados em benchmarks. As arquiteturas de aprendizado são treinadas
para reproduzir um índice de criticidade conhecido para linhas de transmissão em um modelo de grafo, e os resultados obtidos são analisados.
