Relais de perte de synchronisme par apprentissage profond

Lefebvre, Philippe (2020). Relais de perte de synchronisme par apprentissage profond. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (5MB) | Prévisualisation
Prévisualisation	PDF Télécharger (1MB) | Prévisualisation

Résumé

L’objectif de cet exercice est de pouvoir explorer la possibilité d’utiliser l’apprentissage profond pour concevoir un relais de perte de synchronisme. Grâce au simulateur de transitoire électromagnétique EMTP, une série de simulations sont produites et ensuite classées grâce à un algorithme d’apprentissage supervisé de multiples séries temporelles de type « Multivariate Attentional Long Short Term Memory Fully Convolutional Network » (MALSTM-FCNs). Un réseau d’étude est modélisé avec le simulateur EMTP pour représenter une région sous étude.

Dans ce réseau, quatre emplacements seront choisis pour prendre des mesures pour le relais de perte de synchronisme. Les mesures comprennent les tensions triphasées temporelles, les courants triphasés temporels ainsi que les puissances actives et réactives triphasées temporelles. Ces mesures sont ensuite importées dans un outil de traitement de grosse matrice nommée MATLAB. Une fois importées dans MATLAB, les données sont séparées par générateur et sont manipulées pour cataloguer les simulations en deux classes selon leur stabilité.

Par la suite, pour chaque générateur, une base d’entraînement et de test est construite à partir de ces simulations classées et les cas stables et instables sont distribués de façon aléatoire dans ces deux ensembles. Par la suite l’algorithme d’apprentissage profond MALSTM FCN est employé sur l’ensemble d’entraînement pour permettre à l’algorithme d’apprendre à reconnaître les situations réseaux stables et instables. Enfin la performance de l’algorithme est évaluée sur un ensemble de test pour déterminer sa capacité à généraliser son apprentissage à un ensemble de cas non connus.

La nouveauté de l’approche réside dans l’emploi de données brutes non filtrées et d’un petit nombre de variables d’entrée, soit les tensions et courants triphasés temporels ainsi que les puissances actives et réactives temporelles. L’approche est aussi différente des autres méthodes d’apprentissage machine du fait qu’il n’y a pas de «feature Extraction » (extraction d’attributs) qui consiste à faire un traitement sur les données pour extraire de l’information supplémentaire, comme estimer l’état des génératrices.

Titre traduit

Out-of-step relay by deep learning

Résumé traduit

The objective of this exercise is to explore the possibility of using Deep Learning to develop an out of step relay. With the transient electromagnetic simulator EMTP, a series of simulations are produced and then classified with a machine learning algorithm for multiple time series called MALSTM-FCN (Multivariate Attentional Long Short Term Memory Fully Convolutional Network). Using EMTP, a test network is modelled to represent a region to study.

In this network, 4 places will be chosen to take measures for the loss of step relay. The measures include three phase voltages, three-phase currents and active and reactive threephase powers. These measures are than imported in a matrix treatment tool called MATLAB well suited to handle big matrices. Once imported in MATLAB, the data are separated per generator and catalogued in two classes of stable or unstable simulation.

Following this, for each generator, a training database and a test database are constructed from the set of stable and unstable simulations randomly so that they are evenly represented in those two databases. Then the Deep Learning algorithm MALSTM-FCN is used on the training database to allow the algorithm to learn to recognize stable and unstable network situations. Finally, the performance of the algorithm is evaluated in the training database to determine its generalization capability on an unlearned set of simulations.

The novelty of this approach resides in the use of unfiltered raw data from a small number of inputs such as three phase voltage and currents and tree-phase active and reactive power. The approach is always markedly different from other machine learning methods in that there is no feature extraction phase used to extract additional information from the inputs such as additional information concerning the state of the generators.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire en génie électrique". Comprend des références bibliographiques (pages 109-110).
Mots-clés libres:	apprentissage machine, intelligence artificielle, stabilité transitoire, stabilité de réseau, perte de synchronisme
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Chandra, Ambrish
Codirecteur:	Codirecteur Kamwa, Innocent
Programme:	Maîtrise en ingénierie > Génie électrique
Date de dépôt:	11 janv. 2021 16:47
Dernière modification:	11 janv. 2021 16:47
URI:	https://espace.etsmtl.ca/id/eprint/2602

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt