2024, Predavanja, str. 40-41
|
|
Prognoza naponsko reaktivnih stanja u okviru prirodne naponske zone
Forecast of voltage-reactive states within the natural voltage zone
Univerzitet u Beogradu, Elektrotehnički institut 'Nikola Tesla', Srbija
Ključne reči: mašinsko učenje; prognoza naponsko reaktivnih stanja; stablo odlučivanja; gradijentni busting; regresija.
Sažetak
Cilj ovog istraživanja je razvoj odgovarajućih modela mašinskog učenja za predviđanje vrednosti napona na strani mreže od 400 kV. Podaci koji se koriste za obuku modela uključuju dvogodišnje istorijske podatke o naponu, zajedno sa hidrometeorološkim promenljivima, pri čemu je temperatura najznačajniji faktor, podržan meteorološkim godišnjacima. Dodatni ulazni podaci uključuju vlažnost vazduha, pravac vetra, brzinu vetra, padavine i pojavu leda na dalekovodima. Predviđanje vrednosti napona ima za cilj prognozu angažovanja statičkih reaktivnih rezervi, sa periodom uzrokovanja od 10 minuta (min/maks/prosek). Ovi podaci omogućavaju godišnje planiranje uvoza energije i perioda održavanja, kao i dnevno planiranje angažovanja kapaciteta. Sledeći korak u istraživanju je prognoza dinamičkih reaktivnih rezervi, gde bi se za obuku modela koristili uzorci sa frekvencijom od jedne sekunde i češći uzorci.
Abstract
The goal of this research is to develop appropriate machine learning models for predicting voltage values on the 400 kV side of the grid. The data used for training the models include two years of historical voltage data, along with hydrometeorological variables, with temperature being the most significant factor, supported by meteorological yearbooks. Additional input data include air humidity, wind direction, wind speed, precipitation, and the appearance of ice on power lines. The prediction of voltage values aims to forecast the engagement of static reactive reserves, with a sampling period of 10 minutes (min/max/avg). This data enables annual planning of energy imports and maintenance periods, as well as daily planning of capacity engagement. The next step in the research is the forecast of dynamic reactive reserves, where samples with a frequency of one second and more frequent samples would be used for model training.
|