Successful deployment and operational experience of using linear state estimator in wide‐area monitoring and situational awareness projects

Zhang, Lin; Chen, Heng; Martin, Kenneth E.; Faris, Anthony; Vutsinas, Megan; Bradberry, Tim; Phillips, Evan; Abu-Jaradeh, Backer; Bui, Josh

doi:10.1049/iet-gtd.2016.2028

Cited by 12 publications

(4 citation statements)

References 23 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Since the bad data processing approach is designed for LSE, this section briefly presents the concept of LSE. LSE calculates system states based on phasor measurements by leveraging the linear relationship between the voltage and current phasors [4]. The advantages of LSE includes: ① non-iterative solution for state estimation; ② efficient computation performance compared with conventional state estimation; ③ convergence guarantee compared with Newton method based state estimation [30].…”

Section: Lsementioning

confidence: 99%

“…It needs to be further decomposed into the rectangular form in (3). The corresponding measurement model becomes (4).…”

Section: Lsementioning

confidence: 99%

“…Among those requirements, data quality is one of the fundamental de-mands affecting the quality of decision making and accuracy of system monitoring [3]. In traditional WAMS, linear state estimation (LSE) can be used, by leveraging the linear relationship between the system states (i.e., voltage phasors) and the measurements (i.e., voltage and current phasors) to efficiently calculate the system states and perform bad data identifications [4]. The majority of commercial LSE applications are based on weighted least square (WLS) method, which can only identify and remove one bad measurement per iteration.…”

Section: Introductionmentioning

confidence: 99%

See 2 more Smart Citations

Doubly-fed Deep Learning Method for Bad Data Identification in Linear State Estimation

Diao

et al. 2020

Journal of Modern Power Systems and Clean Energy

View full text Add to dashboard Cite

With more data-driven applications introduced in wide-area monitoring systems (WAMS), data quality of phasor measurement units (PMUs) becomes one of the fundamental requirements for ensuring reliable WAMS applications. This paper proposes a doubly-fed deep learning method for bad data identification in linear state estimation, which can: ① identify bad data under both steady states and contingencies; ② achieve higher accuracy than conventional pre-filtering approaches; ③ reduce iteration burden for linear state estimation; ④ efficiently identify bad data in a parallelizable scheme. The proposed method consists of four key steps: ① preprocessing filter; ② online training of short-term deep neural network; ③ offline training of long-term deep neural network; ④ a decision merger. Through delicate design and comprehensive training, the proposed method can effectively differentiate the bad data from event data without relying on real-time topology information. An IEEE 39-bus system simulated by DSATools TSAT and a provincial electric power system with real PMU data collected are used to verify the proposed method. Multiple test scenarios are applied, which include steady states, three-phase-to-ground faults with (un)successful auto-reclosing, low-frequency oscillation, and low-frequency oscillation with simultaneous threephase-to-ground faults. The proposed method demonstrates satisfactory performance during both the training session and the testing session.

show abstract

Section: Lsementioning

confidence: 99%

“…It needs to be further decomposed into the rectangular form in (3). The corresponding measurement model becomes (4).…”

Section: Lsementioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Doubly-fed Deep Learning Method for Bad Data Identification in Linear State Estimation

Diao

et al. 2020

Journal of Modern Power Systems and Clean Energy

View full text Add to dashboard Cite

show abstract

“…O sistema possui uma plataforma de CS que permite maior interação com o usuário que a personaliza conforme sua necessidade, utilizando gráficos, mapas, alarmes, eventos específicos, mudança de cor no diagrama unifilar da rede a partir de condições lógicas, como zonas que apresentam sobretensão. A estimação de estado linear para aprimorar a qualidade dos dados de PMUs também é utilizada por Zhang et al (2017) em um projeto piloto que valida o método ao fornecer maior observabilidade da rede. Recentemente, Zhang e Lai (2020) propuseram a utilização do mesmo método para aumentar a CS em sistemas de distribuição, que serve como base para aplicações como análise de faltas e controle de tensão.…”

Section: Situacionalunclassified

Um método baseado em consciência situacional para a percepção de eventos em sistemas de distribuição

Souza¹

View full text Add to dashboard Cite

A crescente penetração da geração distribuída apresenta desafios significativos para a operação segura e eficiente dos sistemas de distribuição modernos, adicionando variabilidade e incerteza às redes. A fim de minimizar os impactos negativos da geração distribuída na operação do sistema de distribuição, é necessário desenvolver novas metodologias que aprimorem a consciência situacional dos operadores no centro de controle. Esta dissertação propõe um método baseado em consciência situacional para auxiliar o processo de tomada de decisão dos operadores, levando em consideração os critérios de operação de segurança, qualidade de energia e desempenho da rede. O objetivo é melhorar a percepção dos eventos na rede, identificando corretamente seu estado de operação, a fim de implementar ações de controle de acordo com os objetivos do operador. O método proposto é baseado nos três níveis da consciência situacional: percepção, compreensão e projeção do estado de operação da rede. No nível de percepção, são definidas as informações necessárias para identificar a condição de operação da rede. Na etapa de compreensão, é utilizada a lógica fuzzy para tratar e sintetizar as informações coletadas na primeira etapa. Por fim, o nível de projeção consiste na elaboração de um modelo computacional para a validação do método proposto por meio de estudos de caso, bem como o desenvolvimento de uma ferramenta de visualização gráfica da operação da rede. Dessa forma, a metodologia proposta fornece as ferramentas necessárias para sintetizar os dados de operação da rede obtidos por meio de simulações em um sistema de distribuição teste no software OpenDSS gerenciado via Python. Os resultados indicam que o método desenvolvido é capaz de detectar distúrbios na rede e auxiliar o operador a tomar decisões com mais eficiência. Em conclusão, a dissertação propõe uma nova abordagem para enfrentar os desafios da geração distribuída na operação de sistemas de distribuição.

show abstract

Linear State Estimator for the Control Room: AEP’s Experience

Silva-Saravia,

Whalen,

Wang

et al. 2024

Power Electronics and Power Systems

View full text Add to dashboard Cite

Successful deployment and operational experience of using linear state estimator in wide‐area monitoring and situational awareness projects

Cited by 12 publications

References 23 publications

Doubly-fed Deep Learning Method for Bad Data Identification in Linear State Estimation

Doubly-fed Deep Learning Method for Bad Data Identification in Linear State Estimation

Um método baseado em consciência situacional para a percepção de eventos em sistemas de distribuição

Linear State Estimator for the Control Room: AEP’s Experience

Contact Info

Product

Resources

About