MARC

 008260126s2024        us                              c    eng  d
■001000017360667
■00520260202105603
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265400536
■035    ▼a(MiAaPQ)AAI32316027
■035    ▼a(MiAaPQ)GeorgiaTech76969
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.319
■1001  ▼aChen,  Zhengrong.
■24510▼aAdvancing  Distribution  Automation  Through  Model-Based  and  Machine  Learning  Approaches
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a164  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Meliopoulos,  A.  P.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aWith  the  rise  in  distributed  energy  resources  (DERs)  and  electric  vehicles  (EVs),  electric  power  systems,  especially  distribution  systems,  are  transforming  into  active  systems  with  renewable  and  low-carbon  energy  resources.  Shifting  from  passive  to  active  is  one  of  the  most  significant  characteristics  of  distribution  systems,  allowing  bidirectional  power  flow  from  DERs.  Such  change  brings  challenges  to  distribution  systems,  including  growing  complexity,  heightened  uncertainty,  frequent  voltage  violations,  dynamic  load  demand,  and  cybersecurity  issues.  With  the  development  of  advanced  metering  infrastructures  (AMI),  leveraging  extensive  sampled  and  historical  data  enables  real-time  monitoring  and  control  to  enhance  the  resilience  of  Active  Distribution  Networks  (ADNs)  under  uncertainties  and  cyberattacks.  This  dissertation  aims  to  advance  distribution  automation  (DA)  in  terms  of  protection,  control,  and  optimization  to  ensure  secure,  reliable,  and  resilient  distribution  system  operation.  Specifically,  this  dissertation  explores  advanced  model-based  and  data-driven  methodologies  in  this  framework,  including  state  estimation,  fault  diagnosis,  voltage  control,  and  load  management.First,  we  propose  a  Dynamic  State  Estimation-Based  Protection  (EBP)  scheme  for  addressing  protection  challenges  posed  by  Inverter-Based  Resources  (IBRs).  Unlike  the  legacy  state  estimation  method,  Dynamic  State  Estimation  (DSE)  uses  two  consecutive  sample  values  to  compute  the  estimation  instead  of  steady-state  current  and  voltage  phasors.  The  object-oriented  DSE  algorithm  requires  high-fidelity  device  models,  measurement  models,  and  a  DSE  process.  The  main  idea  of  EBP  is  to  detect  faults  by  checking  the  consistency  between  the  measurements  and  the  mathematical  system  model.  The  fault  is  identified  by  a  low  confidence  level,  suggesting  an  inconsistency  between  the  measurements  and  the  model.  Simulation  results  demonstrate  the  benefits  of  the  proposed  EBP  method,  including  simple  settings,  high  accuracy,  and  fast  response  time.Once  the  fault  is  detected,  a  real-time  fault  diagnosis  framework  is  proposed  for  fault  classification  and  fault  locating.  We  utilize  a  supervised  Deep  Learning  (DL)  model  for  real-time  fault  classification.  Compared  with  other  Machine  Learning  (ML)  methods,  this  model  has  lower  computational  complexity  and  is  more  efficient  for  processing  long  sequences  of  real-time  data.  This  advantage  makes  it  more  efficient  for  processing  long  sequences  of  real-time  data.  Moreover,  it  can  automatically  learn  relevant  features  from  sequential  data,  reducing  the  need  for  manual  feature  engineering.  The  main  idea  of  the  Dynamic  State  Estimation-Based  Fault  Locating  (EBFL)  algorithm  is  to  treat  the  fault  location  as  a  state  to  obtain  its  best  estimation.  A  non-linear  weighted  least  square  (WLS)  estimator  is  applied  for  the  state  estimation  process.  Note  that  the  DSE  applications,  including  EBP  and  EBFL,  use  the  dynamic  device  model  of  distribution  systems,  expressed  in  a  standard  syntax  referred  to  as  State  Control  and  Parameter  Algebraic  Quadratic  Companion  Form  (SCPAQCF).A  model-free  Vol-VAR  Optimization  (VVO)  method  via  Robust  Deep  Reinforcement  Learning  (RDRL)  algorithm  is  developed  to  enhance  the  voltage  profile  of  distribution  systems.  Unlike  a  standard  DRL,  RDRL  offers  improved  performance  in  unpredictable  conditions  and  the  ability  to  handle  power  injection  uncertainties,  where  the  uncertainties  are  considered  adversarial  attacks,  making  it  highly  effective  in  finding  an  optimal  or  suboptimal  solution  without  solving  complex  min-max  optimization  problems.  Moreover,  we  design  the  uncertainty  sets  acquired  by  conformal  prediction  as  the  inputs  of  actor-critic  networks.  This  information  provides  robustness  during  training.  Numerical  results  illustrate  the  effectiveness  of  the  proposed  RDRL  methodology  for  the  online  application  of  the  VVO  problems  with  enhanced  safety  regions.
■590    ▼aSchool  code:  0078.
■650  4▼aSmart  grid  technology
■650  4▼aDemand  side  management
■650  4▼aEnergy  consumption
■650  4▼aElectric  vehicles
■650  4▼aDecision  making
■650  4▼aNeural  networks
■650  4▼aBehavioral  psychology
■650  4▼aHome  economics
■650  4▼aInformation  technology
■650  4▼aTransportation
■690    ▼a0800
■690    ▼a0384
■690    ▼a0386
■690    ▼a0489
■690    ▼a0454
■690    ▼a0709
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360667▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서