Influence of nuisance variables on the PMU-based disturbance classification in power transmission systems

The online classification of grid disturbances in power transmission systems has been investigated since many years and shows promising results on measured and simulated PMU signals. Nonetheless, a practical deployment of machine learning techniques is still challenging due to robustness problems, which may lead to severe misclassifications in the model application. This paper formulates an advanced evaluation procedure for disturbance classification methods by introducing additional measurement noise, unknown operational points, and unknown disturbance events in the test dataset. Based on preliminary work, Siamese Sigmoid Networks are used as classification approach and are compared against several benchmark models for a simulated power transmission system at 400 kV. Different test scenarios are proposed to evaluate the disturbance classification models assuming a limited and full observability of the grid with PMUs.

Die Online-Klassifikation von Betriebsstörungen in Übertragungsnetzen wird seit einigen Jahren untersucht und zeigt vielversprechende Ergebnisse für gemessene und simulierte PMU-Daten. Dennoch steht der praktische Einsatz von maschinellen Lernverfahren aufgrund von Robustheitsproblemen, die zu schwerwiegenden Fehlklassifizierungen in der Modellanwendung führen können, vor weiterhin großen Herausforderungen. In diesem Beitrag wird ein neues Verfahren zur Bewertung der Störungsklassifikation formuliert, bei dem zusätzliches Messrauschen, unbekannte Betriebspunkte und unbekannte Betriebsstörungen in den Testdatensatz eingeführt werden. Auf der Grundlage von Vorarbeiten werden Siamesische Sigmoide Netze als Klassifizierungsansatz verwendet und mit mehreren Benchmark-Modellen für ein simuliertes 400-kV-Übertragungsnetz verglichen. Es werden verschiedene Testszenarien vorgeschlagen, um die Klassifikationsmodelle unter der Annahme einer begrenzten und vollständigen Beobachtbarkeit des Netzes mit PMUs zu bewerten.