Power System Studies Using Open-Access Software

Probleemstelling

De auteurs identificeren een behoefte aan flexibele en krachtige simulatieomgevingen voor studies van elektriciteitsnetten, die toegankelijk zijn voor een breed publiek zonder hoge licentiekosten. Hoewel gespecialiseerde software zoals ATP (Alternative Transients Program) en OpenDSS (Open Distribution System Simulator) krachtige tools zijn, hebben ze vaak beperkingen in termen van geavanceerde statistische analyse, data-visualisatie en het implementeren van complexe machine learning-algoritmen. De uitdaging ligt in het efficiënt koppelen van deze gespecialiseerde simulatietools aan een omgeving die deze geavanceerde data-analyse mogelijk maakt, zodat de beperkingen van elke individuele tool worden overbrugd.

Methodologie

Het artikel stelt een flexibele simulatieomgeving voor die R/RStudio gebruikt als centrale besturingseenheid ("control center") in combinatie met twee open-source simulatietools: ATP (specifiek de TPBIG-engine) en OpenDSS.

De kern van de methodologie bestaat uit een bidirectionele data-uitwisseling:

1. RStudio als controller: RStudio genereert invoerbestanden (tekstbestanden of CSV's) die parameters, configuraties of scripts bevatten voor ATP of OpenDSS. Dit maakt het mogelijk om parametrische studies te automatiseren waarbij parameters systematisch worden gewijzigd.
2. Simulatie-uitvoer: ATP en OpenDSS voeren de simulaties uit en schrijven de resultaten terug naar tekstbestanden (bij ATP) of CSV-bestanden (bij OpenDSS).
3. Data-analyse en ML: RStudio leest deze resultaten in en gebruikt de krachtige statistische bibliotheken van R voor:
   • Geavanceerde visualisatie.
   • Het trainen en testen van Machine Learning (ML) algoritmen (zoals k-Nearest Neighbors, Support Vector Machines en Kunstmatige Neuronale Netwerken) om het systeemgedrag te voorspellen.

De auteurs demonstreren deze aanpak via vier casestudies:

• Casus 1 & 2 (ATP):
  • Foutlocatie: Gebruik van het kNN-algoritme om het type en de locatie van een storing te voorspellen op basis van RMS-spanningswaarden.
  • Bliksemprestaties: Toepassing van Monte Carlo-methode en Electro-Geometrisch Model (EGM) om blikseminslagen te simuleren, gevolgd door een Support Vector Machine (SVM) om flashover-rates te voorspellen.
• Casus 3 & 4 (OpenDSS):
  • Distributiesysteemanalyse: Analyse van een radiaal distributienet met zonne-energie en opslag, variërend in tijdsafhankelijke en willekeurige (Monte Carlo) lastprofielen.
  • Transient Stability: Simulatie van transient stabiliteit bij een drie-fase fout, gevolgd door het trainen van ML-modellen (ANN, SVM, kNN) om de stabiliteit van het systeem te voorspellen op basis van fault-duur en actieve vermogen.

Belangrijkste Bijdragen

1. Geïntegreerde Workflow: Het artikel biedt een bewezen architectuur voor het koppelen van RStudio aan ATP en OpenDSS, waarbij RStudio fungeert als de "glue" voor automatisering, data-extractie en analyse.
2. Machine Learning Integratie: Het demonstreert succesvol hoe ML-algoritmen kunnen worden gebruikt om complexe power system-gedragingen (zoals foutlocatie, bliksemflashover en transient stabiliteit) te voorspellen op basis van simulatiegegevens, wat de noodzaak van duizenden handmatige simulaties voor operationele beslissingen kan verminderen.
3. Parametrische Studies: De methologie maakt het eenvoudig om grote datasets te genereren door parameters (zoals foutweerstand, fault-duur, lastprofielen) automatisch te variëren, wat essentieel is voor het trainen van robuuste ML-modellen.
4. Open-Source Benadering: Het benadrukt dat krachtige studies mogelijk zijn zonder dure commerciële software, door gebruik te maken van open-access tools en de grote bibliotheek van R-pakketten.

Resultaten

De casestudies leveren de volgende kwantitatieve en kwalitatieve resultaten op:

• Foutlocatie (ATP): Het kNN-algoritme bereikte een nauwkeurigheid van 99,5% bij het voorspellen van fouttype en locatie (met $k=1$ en fault-resistances < 1 $\Omega$).
• Bliksemprestaties (ATP): De Monte Carlo-simulatie resulteerde in een flashover-rate van 4,85 flashovers per 100 km per jaar. Het SVM-algoritme voorspelde de flashover-uitkomst met een nauwkeurigheid van 99,04%.
• Distributiesysteem (OpenDSS): De analyse toonde aan dat het toevoegen van PV en opslag de piekbelasting en verliezen aanzienlijk verlaagt. Verschillende opslagstrategieën werden geëvalueerd, waarbij RStudio de data-visualisatie en vergelijking mogelijk maakte.
• Transient Stabiliteit (OpenDSS): Verschillende ML-modellen werden getraind om stabiliteit te voorspellen. De resultaten waren:
  • Kunstmatige Neuronale Netwerken (ANN): 98,51% nauwkeurigheid.
  • Support Vector Machine (SVM): 100% nauwkeurigheid.
  • k-Nearest Neighbors (kNN): 100% nauwkeurigheid (bij 4 buren).

Betekenis en Conclusie

De paper toont aan dat de combinatie van R/RStudio met gespecialiseerde power system-tools (ATP en OpenDSS) een krachtige, kosteneffectieve en flexibele omgeving creëert voor moderne elektriciteitsnetstudies.

De belangrijkste implicaties zijn:

• Efficiëntie: Het automatiseren van parametrische studies en het gebruik van ML voor voorspelling versnelt het analyseproces aanzienlijk.
• Toekomstgericht: De methode is schaalbaar en kan worden uitgebreid met parallelle verwerking (vooral met OpenDSS) en interactie met AI-platforms (zoals LLM's) voor code-generatie en debugging.
• Educatieve en Praktische Waarde: Het biedt een blauwdruk voor onderzoekers en ingenieurs om geavanceerde statistische en ML-methoden toe te passen op traditionele power system-problemen zonder afhankelijk te zijn van gesloten, dure softwareecosystemen.

Kortom, de auteurs bewijzen dat open-source software een volwaardig alternatief is voor geavanceerde power system studies, mits de juiste integratiestrategieën (zoals beschreven in dit artikel) worden toegepast.