Decision Tree Based
Transient Stability Method
A Case Study
Sistemi informativi per le decisioni LS
Gruppo 10:
Alessandro Gambini
Michele Leoni
15 marzo 2006
Indice Intervento







Dominio Applicativo
Data Preparation
Algoritmo
Prove Sperimentali
Risultati
Ulteriori Ottimizzazioni
Conclusioni
Dominio Applicativo (1)

Generazione ed erogazione energia elettrica

125,4 GWe:

42,1 milioni di utenti

Collaborazioni con altri 75 produttori di energia in tutto il mondo

Più di 160.000 dipendenti

46,9 miliardi di € di fatturato annuo (2004)
Dominio Applicativo (2)
STUDY REGION:
3 impianti
60 linee
10 GWe
5,6 GW di carico medio
Caratteristiche EDF (1.994):
61 impianti
561 bus
1.000 linee
110 GWe
Dominio Applicativo (3)
Stabilità del transitorio (Transient Stability)
CASO 1:
Transitorio
tempo
Stato stabile
Fault
Eliminazione fault
Stato stabile
Dominio Applicativo (3)
Stabilità del transitorio (Transient Stability)
CASO 1:
tempo
CASO 2:
Stato instabile
Dominio Applicativo (4)
Obiettivo del KDD:
STATO DEL
SISTEMA PRIMA
DEL GUASTO
STABILITA’
VS
TIPO DI GUASTO
INSTABILITA’
Dominio Applicativo (5)
Critical Clearing Time [CCT]:
Def: maximum time interval by which the fault must be cleared
in order to preserve the system stability
STABILITA’
CCT
INSTABILITA’
CCT
CCT = f (STATO PRIMA DEL GUASTO, TIPO DI GUASTO)
Time Domain Simulation
Monte Carlo Simulation
Nearest Neighbour Algorithm
Probabilistic Modelling
Regression Technique
Indice Intervento







Dominio Applicativo
Data Preparation
Algoritmo
Prove Sperimentali
Risultati
Ulteriori Ottimizzazioni
Conclusioni
Data Preparation (1)

Tipologie di guasti studiate




Busbar Fault
Double Line Fault
Single Line Fault
Stato del sistema


Topologia
Stato elettrico
Data Preparation (2)

Fase computazionalmente più onerosa:
4 giorni

VS
5 minuti
VS
0,1 ms
Risultati:
Per ogni tipo di guasto
candidate attributes
3.000 stati del sistema
CCT
OS1
OS2
.
.
.
OS3000
Per ognuno dei 3 guasti
evidenziati in precedenza
Indice Intervento







Dominio Applicativo
Data Preparation
Algoritmo
Prove Sperimentali
Risultati
Ulteriori Ottimizzazioni
Conclusioni
Algoritmo (1)
1.
2.
3.
4.
5.
6.
7.
8.
Poni come N* il nodo radice (comprendente l’intero LS)
Se il nodo N* è già sufficientemente omogeneo, STOP
Se non esiste un candidate attribute in grado di migliorare
statisticamente la previsione del nodo N* (test ‫א‬2), STOP
Altrimenti, calcola per ogni candidate attribute la soglia di
splitting migliore (ai*)
Calcola l’attributo migliore per effettuare lo splitting (a*)
Splitta usando la soglia a**
Per entrambi i nodi generati poni LS*={OSi: OSi rispetta i vincoli
dei nodi predecessori}
Poni come N* ciascuno dei nodi generati e torna al punto 2
Algoritmo (2)
LS
TS
Indice Intervento







Dominio Applicativo
Data Preparation
Algoritmo
Prove Sperimentali
Risultati
Ulteriori Ottimizzazioni
Conclusioni
Gradi di libertà





Parametro α
Grado di omogeneità
Dimensione LS/TS
Candidate attribute
Classi del CCT
Parametro α
Diverse prove (40) con α є [10-4,10-1]
α grande → albero espanso
α piccolo → albero ridotto
α ottimo = 10-4
buon compromesso tra
complessità dell’albero e affidabilità
Grado di omogeneità
Parametro β che definisce la soglia minima di
“purezza” di ciascuna foglia dell’albero.
Se il tasso di “purezza” del nodo < β
continua con lo splitting
Se il tasso di “purezza” del nodo > β
STOP, il nodo diventa una foglia.
Per minimizzare gli errori è stato scelto un
valore di β molto alto.
Dimensione LS/TS
Diverse prove (40) con LS є [500,2.000]
LS
ottimo
= 2000
TS
ottimo
= 1000
Candidate attribute
Sono stati considerati 13 differenti set di candidate
attribute (in totale 160 differenti attributi).
complessità
I singoli attributi sono definiti:



controllable
observable
complex
affidabilità
immediatezza
a seconda della loro complessità,
immediatezza e affidabilità.
Gli attributi principali considerano la topologia della
rete, il suo stato elettrico e il carico dei flussi.
Classi del CCT
Diverse prove (40) considerando 11 diversi tipi
di classificazione dei CCT.
Si sono testati alberi con:



2 classi (usando la ACT e la mediana)
3 classi
4 classi
Aumentando il numero di classi si riscontra un
incremento del tasso di errore.
Indice Intervento







Dominio Applicativo
Data Preparation
Algoritmo
Prove Sperimentali
Risultati
Ulteriori Ottimizzazioni
Conclusioni
Risultati
 Dimensioni ridotte
 Basso test set error
Indice Intervento







Dominio Applicativo
Data Preparation
Algoritmo
Prove Sperimentali
Risultati
Ulteriori Ottimizzazioni
Conclusioni
Ulteriori ottimizzazioni (1)
Non più 1 albero per ogni tipo di guasto ma
1 albero per tutti i tipi di guasto
candidate attributes
OS11
SC
OS22
SC
.
.
.
OS
SC3000
3000
CCT
Tipo di
guasto
Ulteriori ottimizzazioni (2)
Vantaggi:
Valutazioni congiunte
 Maggiore facilità di
consultazione
 Minor numero di
attributi considerati
 Complessità e test set
error pressoché costanti

Ulteriori ottimizzazioni (3)
Tipi di errore:



false alarm
false dismissal
gross errors
Tecniche:
 soglia per CCT più grande (5-10%)
 influenzare la distribuzione del CCT dando
maggior peso agli stati instabili
 nodi deadend classificati preferibilmente come
instabili
Indice Intervento







Dominio Applicativo
Data Preparation
Algoritmo
Prove Sperimentali
Risultati
Ulteriori Ottimizzazioni
Conclusioni
Conclusioni



La valutazione della stabilità del transitorio
costituisce un’importante criticità nelle fasi di
progettazione, pianificazione, operatività e
controllo di un sistema energetico.
Gli strumenti tradizionalmente utilizzati in questo
tipo di analisi sono sì affidabili ma eccessivamente
complicati e time consuming.
Il DTTS method si è rivelato essere una
validissima alternativa ai metodi tradizionali in
quanto semplice da usare, immediato, veloce e
comunque affidabile.