FAULT ANALYSIS OF MESHED NETWORKS USING ARTIFICIAL INTELLIGENCE

Abstract

Este proyecto analiza técnicas de aprendizaje automático (ML) para la clasificación y localización de fallos en redes malladas aprovechando las lecturas de tensión de los Smart Meters de la red. Se han estudiado dos escenarios diferentes: un escenario de referencia que representa la red actual y un escenario de alta penetración de tecnologías bajas en carbono (LCT), en el que se han los efectos de plantas fotovoltaicas, vehículos eléctricos y bombas de calor. Se han desarrollado tres modelos de ML para la clasificación de fallos: un árbol de decisión con refuerzo de gradiente (GBDT), una máquina de vectores de soporte (SVM) y una red neuronal gráfica (GNN). Además, se ha desarrollado un modelo GNN para la localización de fallos. Los modelos de clasificación alcanzaron una precisión superior al 99 % para ambos escenarios LCT, siendo el modelo SVM el que obtuvo el mejor rendimiento computacional, ya que tardó 5 minutos en entrenarse con el conjunto de datos, mientras que el modelo GNN tardó 31 minutos y el GBDT, 41 minutos. Además, también se utilizaron datos de alarmas reales de SPEN para probar los modelos SVM y GBDT. El SVM fue capaz de clasificar correctamente la mayor parte del conjunto de datos, mientras que el GBDT no lo consiguió. En ambos escenarios LCT, el modelo de localización de fallos alcanzó una precisión del 65 % en su predicción top-1 y ese valor aumentó a más del 98 % en sus predicciones top-10, lo que demuestra que el modelo aprovecha con éxito la estructura gráfica de red para comprender cómo se propagan los fallos. Estos resultados demuestran que las técnicas de IA y ML pueden ser herramientas útiles para el diagnóstico de fallos en las redes actuales y futuras, y pueden contribuir a aumentar la fiabilidad y la eficiencia operativa.

This project focuses on the analysis of Machine Learning (ML) techniques for fault detection, classification and location in meshed networks leveraging voltage readings from network smart meters. Two different Low Carbon Technology (LCT) scenarios have been studied, a baseline scenario which represents the current network, and a high LCT penetration scenario, in which the effects of PV plants, EVs and heat pumps were modelled in the simulations. Three fault classification ML models have been developed in Python: A Gradient Boosting Decision Tree (GBDT) a Support Vectors Machine (SVM) and a Graph Neural Network (GNN). In addition, a fault location GNN model was developed to leverage the network topology. The classification models achieved over 99% accuracy on the simulated dataset for both LCT scenario, with the SVM model having the best computational performance, since it took 5 minutes to train on the dataset, while the GNN model took 31 minutes and the GBDT took 41 minutes. In addition, real alarm data from SPEN was also used to test the SVM and the GBDT models. The SVM was able to correctly classify the majority of the dataset, while the GBDT failed to do so. For both LCT scenarios the fault location model achieved a 65% accuracy for its top-1 prediction and that value increased to over 98% for its top-10 predictions, demonstrating that the model successfully leverages the network graph structure to understand how faults propagate. This results prove that AI and ML techniques can be useful tools for fault diagnosis in both current and future networks, and can contribute to increase reliability and operating efficiency.