Sidqi, Firas Quthbi (2025) Synchronized Lissajous DQ Curve Application To Improve Situational Awareness In Power Distribution Network. Masters thesis, Institut Teknologi Sepuluh Nopember.
![[thumbnail of 6022231014-Master_Thesis.pdf]](http://repository.its.ac.id/style/images/fileicons/text.png) |
Text
6022231014-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (5MB) |
Abstract
This thesis presents a comprehensive approach to improving situational awareness in power distribution networks (PDNs) using Synchro-Waveform Measurement Units (SWMUs). Motivated by the high volume of waveform data generated by SWMUs (over 13.2 GB per day for just two units), this study proposes a method that compresses three-phase measurements into a compact, single-curve format using the synchronized Lissajous d-axis and DQ curves. These curves are constructed using the Exact Self-Synchronized (SS) Park Transformation, which enables a PLL-free implementation suitable for high-resolution waveform data.
The first contribution focuses on data reduction and event characterization through the synchronized Lissajous DQ curve, which captures the system's dynamic behavior while reducing data size by 66.7% compared to traditional Lissajous methods. The second contribution introduces a dynamic event detection scheme using Euclidean speed change and a sigmoid-based adaptive threshold, successfully detecting transient events such as incipient faults that last only a quarter of a cycle. The third contribution explores event classification using an LSTM model trained on raw time-domain data, achieving 100% accuracy with reduced prediction time and computational overhead.
Extensive simulations are conducted on the IEEE 33-bus balanced and unbalanced test system using DIgSILENT PowerFactory 2025. The method is shown to preserve event characteristics across varying event types, locations, parameters, and firing angles, using only two SWMUs and no prior knowledge of PDN parameters. This makes the proposed framework efficient, scalable, and practical for modern smart grid applications.
====================================================================================================================================
Tesis ini menyajikan pendekatan komprehensif untuk meningkatkan situational awareness pada power distribution networks (PDNs) menggunakan Synchro-Waveform Measurement Units (SWMUs). Didorong oleh tingginya volume data gelombang yang dihasilkan oleh SWMUs (lebih dari 13,2 GB per hari hanya dari dua unit), studi ini mengusulkan metode yang mengompresi pengukuran tiga fasa ke dalam format kurva tunggal yang ringkas menggunakan synchronized Lissajous d-axis dan DQ curves. Kurva ini dibentuk dengan Exact Self-Synchronized (SS) Park Transformation, yang memungkinkan implementasi tanpa PLL dan cocok untuk data gelombang dengan resolusi tinggi.
Kontribusi pertama berfokus pada reduksi data dan karakterisasi event melalui synchronized Lissajous DQ curve, yang mampu menangkap perilaku dinamis sistem sambil mengurangi ukuran data hingga 66,7% dibandingkan metode Lissajous tradisional. Kontribusi kedua memperkenalkan skema deteksi event dinamis menggunakan perubahan kecepatan Euclidean dan threshold adaptif berbasis sigmoid, yang berhasil mendeteksi transient events seperti incipient fault yang hanya berlangsung seperempat siklus. Kontribusi ketiga mengeksplorasi event classification menggunakan model LSTM (Long Short Term Memory) yang dilatih pada data domain waktu, menghasilkan akurasi 100% dengan waktu prediksi dan beban komputasi yang lebih rendah.
Simulasi dilakukan secara ekstensif pada sistem uji IEEE 33-bus dalam kondisi seimbang maupun tak seimbang menggunakan DIgSILENT PowerFactory 2025. Metode ini terbukti mampu mempertahankan karakteristik event pada berbagai jenis, lokasi, parameter, dan sudut penyalaan event, hanya dengan menggunakan dua SWMUs dan tanpa memerlukan informasi awal tentang parameter PDN. Hal ini menjadikan kerangka kerja yang diusulkan efisien, skalabel, dan praktis untuk aplikasi smart grid modern.
Kata kunci: (Data compression, Event classification, Event detection, Power distribution networks, Self-synchronized Park transformation, Synchronized Lissajous dq curve, Synchro-Waveform Measurement Unit (SWMU))
Actions (login required)
 |
View Item |