Enerji iletim hatlarında arıza tipi ve konumunun makine öğrenmesine dayalı tespiti
Machine learning based detection of fault type and location in power transmission lines
- Tez No: 1016870
- Danışmanlar: DR. ÖĞR. ÜYESİ KORHAN KARAARSLAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
İletim hattı arızalarının güvenilir tespiti, sınıflandırılması ve konumlandırılması, modern güç sistemlerinin kararlılığını ve dayanıklılığını sağlamak için kritik öneme sahiptir. Yenilenebilir enerji üretiminin, çift yönlü güç akışlarının ve seri kompanzasyonlu iletim hatlarının artan yaygınlığı, uyarlanabilir, veri odaklı koruma şemalarına olan ihtiyacı artırmıştır. Geleneksel röle tabanlı yöntemler, yüksek empedans koşulları, gelişen arızalar ve karmaşık şebeke dinamikleri altında genellikle yetersiz kalmaktadır. Bu tez, yüksek gerilim iletim sistemlerinde doğru arıza sınıflandırması ve konum tahmini için makine öğrenimi tabanlı bir koruma çerçevesi sunmaktadır. Önerilen bu yapı, arıza sonrası gerilim ve akım sinyallerinden çok alanlı özellik çıkarımı, özellik önem analizi ve denetimli öğrenme modellerini entegre etmektedir. Arıza sonrası gerilim ve akım dalga formlarını elde etmek amacıyla kapsamlı iki MATLAB/Simulink modeli geliştirilmiştir: (i) sistematik öznitelik değerlendirmesi ve gözlem penceresi analizi için 132 kV, 50 km tek devreli bir iletim hattı ve (ii) yüksek doğruluklu uzun hat analizi için 300 km'lik seri kompanzasyonlu bir şebeke. Çalışmada, 20-60 ms'lik arıza sonrası gözlem pencerelerinden; zaman alanı istatistiksel ölçümlerini, frekans alanı toplam harmonik bozulmayı ve dalgacık tabanlı zaman-frekans tanımlayıcılarını kapsayan toplam 96 öznitelik hesaplanmıştır. En bilgilendirici nitelikleri belirlemek ve hesaplama yükünü azaltmak amacıyla, Rastgele Orman (Random Forest) algoritması kullanılarak öznitelik önem analizi gerçekleştirilmiştir. Çalışma kapsamında; Rastgele Orman, Destek Vektör Makinesi, k-En Yakın Komşular, Lojistik Regresyon, Karar Ağacı ve Çok Katmanlı Algılayıcı Sinir Ağı olmak üzere altı denetimli makine öğrenimi algoritması, farklı öznitelik alt kümeleri üzerinden sistematik olarak karşılaştırılmıştır. Sınıflandırma modelleri, arıza türlerinin ayırt edilmesinde yüksek doğruluk sağlarken, aynı algoritmalardan türetilen regresyon modelleri iletim hattı boyunca hassas arıza konumu kestirimi sunmaktadır. Elde edilen sonuçlar, optimize edilmiş öznitelik alt kümelerinin, doğruluk oranını koruyarak veya artırarak model karmaşıklığını önemli ölçüde azalttığını ortaya koymaktadır. Ayrıca, arıza sonrası gözlem penceresi süresinin, sınıflandırma performansını değiştirmeksizin arıza konum kestirimini güçlü bir şekilde etkilediği tespit edilmiştir. Önerilen bütünleşik sınıflandırma-regresyon çerçevesi, yenilenebilir enerji entegrasyonu, uzun iletim hatları ve seri kompanzasyon ile karakterize edilen modern şebeke yapıları için uygun, ölçeklenebilir ve yorumlanabilir bir çözüm sunmaktadır.
Özet (Çeviri)
Reliable detection, classification, and localization of transmission line faults are of critical importance for ensuring the stability and resilience of modern power systems. The increasing penetration of renewable energy sources, bidirectional power flows, and series-compensated transmission lines has intensified the need for adaptive, data-driven protection schemes. Conventional relay-based methods often prove inadequate under high-impedance fault conditions, evolving faults, and complex grid dynamics. This thesis presents a machine learning-based protection framework for accurate fault classification and location estimation in high-voltage transmission systems. The proposed framework integrates multi-domain feature extraction from post-fault voltage and current signals, feature importance analysis, and supervised learning models. To obtain post-fault voltage and current waveforms, two comprehensive MATLAB/Simulink models were developed: (i) a 132 kV, 50 km single-circuit transmission line for systematic feature evaluation and observation window analysis, and (ii) a 300 km series-compensated transmission network for high-accuracy long-line analysis. A total of 96 features were computed from post-fault observation windows ranging from 20 to 60 ms, including time-domain statistical measures, frequency-domain total harmonic distortion, and wavelet-based time-frequency descriptors. To identify the most informative features and reduce computational burden, feature importance analysis was performed using the Random Forest algorithm. Within the scope of the study, six supervised machine learning algorithms, Random Forest, Support Vector Machine, k-Nearest Neighbors, Logistic Regression, Decision Tree, and Multilayer Perceptron Neural Network, were systematically compared using different feature subsets. The classification models achieved high accuracy in distinguishing fault types, while regression models derived from the same algorithms provided precise fault location estimation along the transmission line. The results demonstrate that optimized feature subsets significantly reduce model complexity while maintaining or improving classification and regression performance. Furthermore, it was observed that the duration of the post-fault observation window strongly influences fault location estimation accuracy, while having minimal impact on classification performance. The proposed integrated classification–regression framework offers a scalable, interpretable, and effective solution for modern power grid structures characterized by renewable energy integration, long transmission lines, and series compensation.
Benzer Tezler
- Solution methods for on-line power system transient stability analysis
Elektrik güç sistemlerinde geçici kararlılığın gerçek zamanlı izlenmesine yönelik yöntemler
GÜRKAN SOYKAN
Doktora
İngilizce
2012
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiHesaplamalı Bilim ve Mühendislik Ana Bilim Dalı (disiplinlerarası)
PROF. DR. HASAN DAĞ
- Enerji iletim hatlarında arıza yerinin belirlenmesi
Fault location on power transmission lines
ŞAHİN HAÇEMANAYVALYAN
Yüksek Lisans
Türkçe
2007
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ.DR. MUSTAFA BAĞRIYANIK
- Enerji iletim hatlarında oluşan arızaların bulanık mantık yöntemi ile belirlenmesi
The determination of faults on transmission lines by using fuzzy logic method
MEHMET RIDA TÜR
Yüksek Lisans
Türkçe
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiElektrik Eğitimi Ana Bilim Dalı
YRD. DOÇ. DR. ZAFER AYDOĞMUŞ
- Karma iletim hatlarında mesafe koruma rölesi çalışmasının incelenmesi ve çalışma başarımlarının yükseltilmesi
Investigation of distance protection relay operation in mixed transmission lines and improving operation performans
SERKAN BUDAK
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAHADIR AKBAL
- Enerji iletim sistemlerinde 3-faz-6-faz dönüşümlerinin iletim kapasitelerine etkilerinin incelenmesi
Study of the 3-phase-6-phase conversion effects on power transfer capabilities in energy transmission systems
FATMA GÜL BAĞRIYANIK
Doktora
Türkçe
2000
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. H. NUSRET YÜKSELER