Prepoznava dogodkov v elektroenergetskem omrežju s pomočjo strojnega učenja na podlagi Fourierove vrsteVILIĆ, MAJ (Avtor) Rudež, Urban (Mentor) RTDS simulacijestrojno učenjedogodki v EESpodatkovna znanostFourierova vrstaSodobne PMU (ang. Phasor Measurement Unit) naprave so zmožne spremljati dogajanje v EEO v realnem času. To dopušča možnost za boljši nadzor in odzivnost na dogodke v EES. RTDS (ang. Real Time Digital Simulator) nam omogoča simulacije, ki so zelo dober približek realnim razmeram v EE omrežjih, kjer uporabljamo naprave PMU. Z uporabo RTDS so bile pridobljene meritve 7 tipov dogodkov, do katerih lahko pride v EE omrežjih. Pridobljene meritve na simulacijskem RTDS modelu so bile analizirane v sklopu programskega jezika Python. V nalogi je opisan način detekcije dogodkov v EES in njihova prepoznava. Na motnje v EES se je prilegalo Foruierovo vrsto v kombinaciji z metodo najmanjših kvadratov. Na ta način so bile pridobljene matematične funkcije, katere so bile uporabljene kot pripomoček za pridobivanje značilk. Slednje so omogočale podlago za izvajanje prepoznave dogodkov v EES. Fourierova vrsta je bila uporabljena na dva načina. Pri prvem se je pridobivala informacija o trendu obravnavanega signala motnje v EES, pri drugem pa informacija o pogostosti krožnih frekvenc v prilegani funkciji na motnjo v EES. Za izbiro najboljšega prileganja Forurierove vrste je bila v prvem primeru uporabljena statistika prilagojen R2. Magistrska naloga vključuje uporabo dveh algoritmov strojnega učenja, in sicer i) algoritem metode podpornih vektorjev in ii) algoritem K-najbližjih sosedov. Za izpopolnitev slednjega sta v nalogo vključeni dve metodi za zmanjšanje dimenzij; analiza glavnih komponent in analiza sosednjih komponent. Vse uporabljene metode strojnega učenja so bile večinsko opravljene s pomočjo knjižnice Scikit-learn. Skladno z uporabo dveh različnih velikosti učne množice je opisan celotni postopek, od učenja in validacije do izbire in nastavitve parametrov algoritmov strojnega učenja. Naloga podaja primerjavo učinkovitosti obeh verzij algoritmov za pridobivanje značilk, metod strojnega učenja in načinov za zmanjšanje dimenzij. Rezultati primerjav so razdeljeni na manjšo in večjo učno množico, kjer so opravljeni tako testni rezultati kot tudi rezultati napovedi na novih meritvah raznih dogodkov v omrežju.20212021-04-14 11:00:20Magistrsko delo/naloga126282VisID: 55101sl