Mikroşebekelerde ada olaylarının tespiti için özellik tabanlı makine öğrenimi yaklaşımı
A feature-based machine learning approach for the detection of islanding events in microgrids
- Tez No: 1009383
- Danışmanlar: DOÇ. DR. ALİ RIFAT BOYNUEĞRİ, DOÇ. DR. MUSA YILMAZ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Tesisleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu doktora tezinde, mikroşebekelerde kasıtsız adalanma olaylarının güvenilir, hızlı ve gürbüz bir biçimde tespit edilmesine yönelik olarak makine öğrenmesi tabanlı yeni bir yöntem geliştirilmiştir. Önerilen yaklaşım, Rastgele Vektör Fonksiyonel Bağlantı Ağı (RVFBA) mimarisine dayalı olup, Ortak Bağlantı Noktası (OBN) üzerinden ölçülen gerilim sinyallerinden türetilen alan-özgül öznitelikler kullanılarak eğitilmiştir. Çalışma kapsamında, adalanma olaylarının karakteristik dinamiklerini temsil edecek şekilde sekiz adet özgün özellik tasarlanmış ve bu özniteliklerin ayırt ediciliği ile karşılıklı bağımlılıkları ayrıntılı analizlerle değerlendirilmiştir. Önerilen adalanma tespit çerçevesi, IEEE 13-baralı dengesiz dağıtım fideri üzerinde, Gerçek Zamanlı Sayısal Simülatör (GZSS) kullanılarak elektromanyetik geçici rejim (EGR) koşulları altında doğrulanmıştır. Normal işletim, kasıtsız adalanma, üç fazlı kısa devre arızaları, kapasitör anahtarlamaları, ani yük değişimleri ve yenilenebilir üretim değişkenliği gibi çok sayıda adalanma dışı rahatsızlık senaryosu dikkate alınmıştır. Elde edilen sonuçlar, önerilen RVFBA tabanlı yöntemin bu zorlu senaryolar altında dahi yüksek doğruluk ve kararlılık sergilediğini göstermektedir. Nicel performans değerlendirmeleri sonucunda, %99,91 doğruluk, %99,83 kesinlik, %100 duyarlılık ve %99,91 F1-skoru değerlerine ulaşılmıştır. Ayrıca yöntem, ihmal edilebilir düzeyde algılanamayan bölge (AB) ve çok düşük yanlış alarm oranı ile klasik pasif ve eşik tabanlı adalanma tespit yöntemlerinin temel sınırlılıklarını başarıyla aşmıştır. Kıyaslamalı analizlerde RVFBA; Destek Vektör Makineleri, k-En Yakın Komşu, Yapay Sinir Ağları, Rastgele Orman ve Gradyan Artırmalı sınıflandırıcılar gibi yaygın yöntemlere kıyasla hem doğruluk hem de hesaplama verimliliği açısından üstün performans sergilemiştir. Yaklaşık 0,5 saniyeden kısa eğitim süresi ve 0,02 saniye mertebesindeki çıkarım süresi, önerilen yöntemin gerçek zamanlı mikroşebeke uygulamaları için son derece uygun olduğunu ortaya koymaktadır. Elde edilen bulgular, RVFBA tabanlı yaklaşımın, yüksek dağıtık üretim penetrasyonuna sahip akıllı mikroşebekelerde güvenilir ve uygulanabilir bir adalanma tespit çözümü sunduğunu göstermektedir.
Özet (Çeviri)
In this doctoral dissertation, a novel machine learning–based method is proposed for the reliable, fast, ve robust detection of unintentional islanding events in microgrids. The proposed approach is based on the Random Vector Functional Link Network (RVFLN) architecture ve is trained using domain-specific features extracted from voltage signals measured at the Point of Common Coupling (PCC). Within the scope of the study, eight original features were designed to capture the characteristic dynamics of islanding phenomena, ve their discriminative capability ve mutual dependencies were thoroughly analyzed. The proposed islanding detection framework was validated under electromagnetic transient (EMT) conditions using a Real-Time Digital Simulator (RTDS) on the IEEE 13-bus unbalanced distribution feeder. A wide range of operating scenarios was considered, including normal operation, unintentional islanding, three-phase short-circuit faults, capacitor switching events, sudden load changes, ve renewable generation variability. The results demonstrate that the proposed RVFLN-based method maintains high accuracy ve robustness even under challenging non-islanding disturbance conditions. Quantitative performance evaluation shows that the proposed method achieves 99.91% accuracy, 99.83% precision, 100% recall, ve a 99.91% F1-score. In addition, the method exhibits a negligible non-detection zone (NDZ) ve a very low false alarm rate, successfully overcoming the inherent limitations of conventional passive ve threshold-based islanding detection techniques. Comparative studies indicate that RVFLN outperforms widely used classifiers such as Support Vector Machines, k-Nearest Neighbors, Artificial Neural Networks, Random Forests, ve Gradient Boosting classifiers in terms of both classification performance ve computational efficiency. With a training time of less than 0.5 seconds ve an inference time on the order of 0.02 seconds, the proposed approach is well suited for real-time applications in modern microgrids. The findings confirm that the RVFLN -based framework provides a reliable ve practical solution for islanding detection in smart microgrids with high penetration of distributed energy resources.
Benzer Tezler
- Mikroşebekelerde ada mod çalışmanın tespiti ve güç kalitesi olaylarının sınıflandırılması için yapay zekâ tabanlı kontrol yöntemlerinin geliştirilmesi
Development of artificial intelligence based control methods for detection of islanding conditions and classification of power quality events in microgrids
ALPER YILMAZ
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKAY BAYRAK
- Passive detection of islanding events in microgrids using machine learning
Başlık çevirisi yok
ALI MAJEED MOHAMMED AL YASIRI
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik MühendisliğiAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN
- Ada mikroşebekelerde paralel bağlı tek fazlı eviricilerin döngüde işlemci benzetimi
Processor-in-the-loop simulation of parallel connected single phase i̇nverters in islanded microgrids
MUHAMMED NURİ IŞIK
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiDüzce ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET UÇAR
- Çok kaynaklı mikroşebekelerde aşırı akım koruma rölesi performans analizi
Performance analysis of overcurrent protection relay in multi source microgrids
HABİP YILDIRIM
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER USTA
- Yenilenebilir enerji kaynaklarının ve enerji depolama sistemlerinin yer aldığı, akıllı DC mikroşebeke
Smart DC microgrid, with high penetration of renewable energy resources and energy storage systems
SABER NIKFAL MOGHANLOU
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. NURAN YÖRÜKEREN