Treatment of low voltage advanced supervision (SABT) information for network incidents

Dado que los sistemas de control y monitorización está siendo profundamente implementados en las redes de distribución eléctrica, aparecen nuevas posibilidades de control y planificación gracias a la ingente cantidad de datos que se está generando constantemente. Este Trabajo de Fin de Máster trata de la agrupación y el procesamiento de esos datos para el desarrollo de un sistema que permita priorizar actividades de mantenimiento, control y planificación de la expansión de la red en aquellas líneas de distribución que lo necesiten.

El objetivo de este proyecto es el desarrollo de un sistema cuyo objetivo sea clasificar las líneas de distribución de baja tensión en función primero de que estén o no balanceadas y, en segundo lugar, que sea capaz de generar un ranking de riesgo (peor a mejor balanceado) basado en el estado de la red. El modelo está basado en tecnologías de ciencia de datos y Machine Learning y será un apoyo para equipos de operaciones, planificación y mantenimiento.

El sistema se alimenta de datos tales como la corriente de cada fase de cada línea y la corriente neutra de las mismas, y se obtiene de las subestaciones de baja tensión. Estos paquetes de información son procesados y nuevas variables son calculadas. Cuando los datos están limpios, procesados y listos para ser clasificados, un algoritmo clasificador basado en redes neuronales artificiales llamado Mapa Auto-organizado (SOM según sus siglas en inglés, Self-Organizing Map) agrupa cada entrada en diferentes neuronas/grupos que indican si las lecturas de las líneas de distribución se corresponden con situaciones balanceadas o no balanceadas. Finalmente, estos clusters son analizados y clasificados acorde a un nivel de riesgo, que mide el grado de balanceo o desbalanceado de una línea y a raíz de él indica la necesidad de actividades de mantenimiento u optimización.

As monitorization and control is getting deeply implemented in the low voltage distribution grid, new control and planification possibilities arise thanks to the amount of data that is being constantly generated. This master thesis is about gathering and processing that data to develop a system that prioritize network maintenance, control, and expansion planification on those power lines that require it the most.

The aim of this project is the development of a system whose goal is to cluster low voltage power lines according to their balance or unbalance level first, and to rank these power lines according to the degree of unbalanced that has been found. The model is based on Machine Learning technologies, and it will be a support tool for operations, planning, and maintenance activities within the low voltage distribution grid.

The system is based on per-phase and neutral current data gathered from power lines in low voltage transformation centres. These data packages are processed, and new variables are computed from it. Whenever the data sets are clean and ready to be classified, an Artificial Neural Network clustering algorithm known as Self-Organizing Map (SOM) groups that data in different neurons/clusters which tell whether the given line is balanced or unbalanced. Finally, these clusters are analysed and classified in risk levels which measure the degree of unbalance and the need of maintenance and improvement actions on them.