MARC

 008260203s2023        us                              c    eng  d
■001000017366003
■00520260209102912
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265407559
■035    ▼a(MiAaPQ)AAI32316139
■035    ▼a(MiAaPQ)GeorgiaTech72662
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a343.09
■1001  ▼aChatzos,  Minas.
■24510▼aAdvances  in  Large-Scale  Power  System  Operations:  Reconstruction,  Reliability,  Learning
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a151  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Van  Hentenryck,  Pascal.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2023.
■520    ▼aModern  Power  System  operations  are  based  on  large-scale  optimization  problems  that  are  becoming  increasingly  more  complex  and  subject  to  higher  degrees  of  uncertainty  with  multiple  components  such  as  renewable  generation,  distributed  energy  sources,  electrification  of  transportation  and  extreme  weather.  Frameworks  based  on  Optimization  under  uncertainty  and  Machine  Learning  have  the  potential  to  facilitate  and  improve  the  Power  Grid  operation  in  multiple  ways.  The  former  in  terms  of  cost  reduction  and  enhancing  system  reliability,  and  the  latter  in  faster  generation  of  solutions  and  real-time  risk  assessment.  The  thesis  presents  advancements  on  the  scalability  of  such  methods  to  large-scale  power  networks  and  evaluates  the  impact  and  benefits  of  the  methods  in  the  operations.The  first  part  of  the  thesis  addresses  the  availability  of  suitable  power  grid  data  for  conducting  modern  research  in  Power  Systems,  access  to  which  is  limited  by  privacy  concerns  and  the  sensitive  nature  of  energy  infrastructure.  This  lack  of  data,  in  turn,  hinders  the  development  of  modern  research  avenues  such  as  machine  learning  approaches  or  stochastic  formulations.  To  overcome  this  challenge,  we  propose  a  systematic,  data-driven  framework  for  reconstructing  high-fidelity  spatio-temporal  consistent  time  series,  using  a  combination  of  public  and  private  set  of  data.  The  proposed  approach,  from  geo-spatial  information  and  generation  capacity  reconstruction,  to  time-series  disaggregation,  is  applied  to  the  French  transmission  grid.  Thereby,  synthetic  but  highly  realistic  time  series  data,  spanning  multiple  years  with  a  5-minute  granularity,  is  generated  at  the  bus  level.The  second  part  of  the  thesis  focuses  on  the  impact  of  Reliability  Assessment  Commitment  (RAC)  processes  in  modern  Power  System  operations.  The  recent  growth  of  Renewable  Energy  sources  and  Distributed  Energy  sources  has  introduced  significant  operational  uncertainty  in  front  and  behind  the  meter,  increasing  forecasting  errors  and  reliability  risks  in  the  operations.  Due  to  this  fact,  Independent  System  Operators  (ISOs)  execute  dayahead  and  intra-day  RAC  processes  to  address  unforeseen  changes  in  power  grid  conditions.  Based  on  the  operation  pipeline  of  the  Midcontinent  Independent  System  Operator  (MISO),  we  conduct  a  systematic  analysis  of  the  impact  of  RAC  processes  in  MISO  operations  and  propose  a  two-stage  Stochastic  Programming  extension  to  MISO's  deterministic  day-ahead  RAC  process.  To  overcome  the  computational  challenge  of  solving  the  stochastic  problem,  an  accelerated  version  of  the  Bender's  Decomposition  algorithm  is  developed  that  is  scalable  to  industry-sized  instances.  A  novel  computational  analysis  is  conducted  on  the  benefits  of  deterministic  and  stochastic  RAC  processes  in  modern  large-scale  power  grid  instances  from  MISO  and  the  French  Transmission  System.  These  benefits  are  demonstrated  both  in  terms  of  operational  cost  and  Power  System-specific  risk  and  reliability  metrics.  The  third  part  of  the  thesis  proposes  a  novel  Machine  Learning  (ML)  approach  for  learning  the  behavior  of  the  AC  Optimal  Power  Flow  problem  (AC-OPF),  a  problem  at  the  core  of  the  operations,  that  features  a  fast  and  scalable  training.  It  is  motivated  by  the  significant  training  time  needed  by  existing  ML  approaches  for  predicting  AC-OPF.  The  proposed  approach  is  two-stage  and  exploits  a  spatial  decomposition  of  the  power  network  that  is  viewed  as  a  set  of  regions.  The  first  stage  learns  to  predict  the  flows  and  voltages  on  the  buses  and  lines  coupling  the  regions,  and  the  second  stage  trains,  in  parallel,  the  ML  models  for  each  region.  The  predictions  can  then  seed  a  power  flow  model  to  eliminate  the  physical  constraint  violations,  resulting  in  minor  violations  only  for  the  operational  bound  constraints.  Experimental  results  on  the  French  transmission  system  (up  to  6,700  buses)  and  large  publicly  available  topologies  (up  to  9,000  buses)  demonstrate  the  potential  of  the  approach.  Within  a  short  training  time,  the  approach  predicts  AC-OPF  solutions  with  very  high  fidelity,  producing  significant  improvements  over  existing  centralized  methods.  The  proposed  approach  opens  the  possibility  of  training  ML  models  quickly  to  respond  to  changes  in  operating  conditions.
■590    ▼aSchool  code:  0078.
■650  4▼aViolations
■650  4▼aWind  power
■650  4▼aBuses
■650  4▼aRegions
■650  4▼aDecomposition
■650  4▼aAlternative  energy  sources
■650  4▼aEnergy  resources
■650  4▼aAlternative  energy
■650  4▼aAtmospheric  sciences
■650  4▼aTransportation
■690    ▼a0363
■690    ▼a0800
■690    ▼a0725
■690    ▼a0709
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17366003▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서