MACHINE LEARNING-BASED FAULT DETECTION AND CLASSIFICATION FOR TRANSMISSION LINE PROTECTION
İLETİM HATTI KORUMASI İÇİN MAKİNE ÖĞRENİMİNE DAYALI ARIZA TESPİTİ VE SINIFLANDIRMASI
- Tez No: 1019521
- Danışmanlar: DOÇ. DR. RECEP YUMURTACI
- Tez Türü: Doktora
- Konular: Belirtilmemiş.
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- 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
Güç iletim sistemlerinde arızaların hızlı ve doğru bir şekilde tespit edilmesi ve sınıflandırılması, şebeke güvenilirliğinin sağlanması ve enerji kesintilerinin en aza indirilmesi açısından temel bir gerekliliktir. Eşik tabanlı empedans ölçümü ve Fourier dönüşümüne dayalı fazör kestirim yöntemlerini kullanan geleneksel koruma rölesi algoritmaları, yüksek arıza direnci, değişken arıza başlangıç açıları ve düşük sinyal-gürültü oranı (SNR) gibi zorlu çalışma koşullarında performans kaybına uğramaktadır. Bu tez çalışmasında, iletim hattı arızalarının tespiti ve sınıflandırılması için faz akım sinyallerinin spektrogram görüntü temsiline, kompakt derin özellik çıkarımına, çok ölçütlü özellik seçimine ve gözetimli sınıflandırmaya dayanan bir makine öğrenmesi çerçevesi önerilmektedir. MATLAB/Simulink R2023b ortamında Simscape Power Systems araç kutusu kullanılarak modellenen IEEE 9 baralı güç iletim sistemi üzerinde elde edilen üç fazlı akım sinyalleri, Kısa Zamanlı Fourier Dönüşümü (Short-Time Fourier Transform, STFT) kullanılarak iki boyutlu zaman-frekans spektrogram görüntülerine dönüştürülmüştür. STFT işlemi, 128 örnekli Hamming penceresi, %50 örtüşme oranı ve 1024 noktalı Hızlı Fourier Dönüşümü kullanılarak gerçekleştirilmiştir. Her bir benzetim çalışması için fazlara ait spektrogram görüntüleri ayrı ayrı normalize edilmiş, RGB renk uzayına dönüştürülmüş, 128×384 piksel boyutuna yeniden ölçeklendirilmiş ve fazlar arası arıza karakteristiklerini koruyacak şekilde yatay olarak birleştirilerek ortak özellik çıkarımına uygun tek bir bileşik görüntü oluşturulmuştur. Bileşik spektrogram görüntülerinden derin özellikler, Fire modüllerine dayanan hafif bir evrişimsel sinir ağı mimarisi olan SqueezeNet kullanılarak çıkarılmıştır. Ön-softmax küresel ortalama havuzlama katmanı (flatten10) aktivasyonları, her bir görüntü için yüksek boyutlu özellik vektörünü oluşturmuştur. Elde edilen özelliklerin boyutu, Gini Önemi, Ki-Kare, Bilgi Kazancı ve Bilgi Kazancı Oranı olmak üzere dört farklı istatistiksel sıralama yöntemi kullanılarak azaltılmıştır. Her yöntemin belirlediği en önemli özellikler, her bir ölçüte 0.25 ağırlık verilen ağırlıklı puan birleştirme stratejisi ile bütünleştirilerek ortak bir önem skoru elde edilmiştir. Birleştirilmiş skora göre seçilen en önemli özellikler, sonraki sınıflandırma aşamasında giriş verisi olarak kullanılmıştır. Çalışmada iki gözetimli sınıflandırıcı geliştirilmiş ve değerlendirilmiştir. Bunlardan ilki, 100 nöronlu tek gizli katman, Doğrultulmuş Doğrusal Birim (ReLU) aktivasyon fonksiyonu, Adam optimizasyon algoritması ve 0.0001 katsayılı L2 düzenlileştirme kullanan İleri Beslemeli Yapay Sinir Ağı (FNN); ikincisi ise Ridge düzenlileştirmeli (C=1) Lojistik Regresyon (LR) modelidir. Her iki sınıflandırıcı, normal çalışma durumu ile arızalı durumları ayırt eden ikili arıza tespiti ve tek faz-toprak (AG, BG, CG), faz-faz (AB, BC, AC), çift faz-toprak (ABG, BCG, ACG) ve üç fazlı (ABCG) arızaları kapsayan on farklı arıza türü ile normal çalışma durumundan oluşan toplam on bir sistem durumunun çok sınıflı tanımlanması için uygulanmıştır. Veri kümesi, arıza direncinin 0.001 Ω ile 200 Ω arasında değiştirilmesi, arıza başlangıç açısının 0° ile 360° arasında 30° aralıklarla değiştirilmesi, arıza konumunun her hat kesiti boyunca dokuz farklı noktada seçilmesi, arıza süresinin güç frekansının çeyrek çevriminden üç çevrimine kadar değiştirilmesi ve 10, 15, 20, 25 ve 30 dB SNR seviyelerinde eklenen Toplamsal Beyaz Gauss Gürültüsü ile gürültüsüz durumların dikkate alınmasıyla oluşturulmuştur. Her bir sistem durumu için yaklaşık 3450 etiketli örnek üretilmiştir. Model performansı, 66/34, 70/30 ve 80/20 eğitim-test bölme oranları ile katmanlı rastgele ayırma ve k=5, 10 ve 20 için katmanlı k-katlı çapraz doğrulama yöntemleri kullanılarak değerlendirilmiş; doğruluk, kesinlik, duyarlılık, F1-skoru, hassasiyet, özgüllük ve ROC eğrisi altında kalan alan (AUC) ölçütleri raporlanmıştır. İkili arıza tespiti probleminde, 10 dB SNR koşulunda FNN modeli 0.999 doğruluk, 0.999 kesinlik, 0.999 duyarlılık, 0.999 F1-skoru ve 0.997 özgüllük değerleri elde etmiştir. Lojistik Regresyon modeli ise sırasıyla 0.998 doğruluk, 0.998 kesinlik, 0.998 duyarlılık, 0.998 F1-skoru ve 0.994 özgüllük değerlerine ulaşmıştır. On bir sınıflı arıza türü sınıflandırmasında, 10 dB SNR seviyesinde FNN modeli 0.995 doğruluk, 0.995 F1-skoru ve 1.000 AUC değeri elde etmiştir. Gürültüsüz koşullarda ise her iki sınıflandırıcı da tüm veri bölme stratejilerinde performans ölçütlerinde 1.000 değerine ulaşmış veya bu değere oldukça yakın sonuçlar üretmiştir. Özellik azaltma analizi, en yüksek puanlı 100 ile 400 özellikten oluşan alt kümelerin, 1000 özellikli tam veri kümesine kıyasla performansta yalnızca 0.003 düzeyinde bir farklılık oluşturduğunu göstermiştir. Özellik sayısının 1000'den 100'e düşürülmesi, kesinlik, duyarlılık ve F1-skorunda belirgin bir kayıp oluşturmaksızın ortalama test süresini 15 kata kadar azaltmıştır. 10 dB SNR koşulunda özellik sayısının 400'e düşürülmesi yalnızca FNN modelinin özgüllük değerinde 0.003'lük bir azalmaya neden olmuş, diğer performans ölçütleri değişmeden kalmıştır. Lojistik Regresyon modeli de farklı özellik sayılarında benzer kararlılık göstermiş ve çok ölçütlü birleştirilmiş sıralama yönteminin en ayırt edici özellikleri etkin biçimde belirlediğini doğrulamıştır. Literatürde yer alan güncel yöntemlerle yapılan karşılaştırmalı değerlendirmeler, önerilen çerçevenin 10 dB SNR koşulunda tüm karşılaştırılan yöntemler arasında en yüksek kesinlik (%99.5-%99.7) ve F1-skoru (%99.6-%99.8) değerlerini elde ettiğini göstermiştir. Önerilen yöntem yalnızca akım sinyallerini kullanması, gerilim ölçümlerine ihtiyaç duymaması, rakip derin öğrenme modellerine göre çok daha az parametre içeren kompakt bir sinir ağı mimarisine sahip olması ve hesaplama maliyetini azaltırken sınıflandırma başarımını koruyan açık bir özellik seçimi aşamasını içermesi nedeniyle modern akıllı şebeke koruma sistemleri için etkili ve uygulanabilir bir çözüm sunmaktadır.
Özet (Çeviri)
Accurate and fast fault detection and classification in power transmission systems is a fundamental requirement for maintaining grid reliability and minimizing outage durations. Conventional relay algorithms, which rely on threshold-based impedance measurement and Fourier transform phasor estimation, degrade under high fault resistance, varying inception angles, and low signal-to-noise ratio (SNR) conditions. This thesis proposes a machine learning framework for transmission line fault detection and classification that uses spectrogram image representation of phase current signals combined with compact deep feature extraction, multi-criteria feature selection, and supervised classification. Three-phase current signals from the IEEE 9-bus transmission system, modeled in MATLAB/Simulink R2023b with the Simscape Power Systems toolbox, were transformed into two-dimensional time-frequency spectrogram images using the Short-Time Fourier Transform (STFT). The STFT was configured with a Hamming window of 128 samples, 50% overlap, and a 1,024-point Fast Fourier Transform. For each simulation run, the three phase-specific spectrogram images were independently normalized, mapped to an RGB color space, resized to 128×384 pixels, and concatenated horizontally into a single composite image that preserves inter-phase fault signatures for joint feature extraction. Deep features were extracted from the composite spectrogram images using SqueezeNet, a lightweight convolutional neural network architecture built on Fire modules. The activations from the pre-softmax global average pooling layer (flatten10) formed the high-dimensional feature representation for each input image. Feature dimensionality was subsequently reduced using four statistical ranking metrics: Gini Importance, Chi-Square, Information Gain, and Information Gain Ratio, applied independently to the extracted feature set. The top-ranked features from each metric were combined through a weighted score fusion strategy with equal weights of 0.25 assigned to each criterion, forming a unified feature importance score. The top ranked features under the fused score were selected as the input to the downstream classifiers. Two supervised classifiers were trained and evaluated: a Feedforward Neural Network (FNN) with a single hidden layer of 100 neurons, Rectified Linear Unit activation, Adam optimization, and L2 regularization with a coefficient of 0.0001; and a Logistic Regression (LR) classifier with Ridge regularization (C=1) as a linear baseline. Both classifiers were applied to two tasks: binary fault detection, which distinguishes normal operation from any faulty condition, and multiclass fault type identification across ten fault categories — single line to ground (AG, BG, CG), line to line (AB, BC, AC), double line to ground (ABG, BCG, ACG), and three phase (ABCG) — plus the normal operating condition, giving eleven system states in total. The dataset was generated by varying fault resistance from 0.001 Ω to 200 Ω, fault inception angle from 0° to 360° in 30° increments, fault location across nine positions per line section, fault duration from one quarter to three power frequency cycles, and Additive White Gaussian Noise at SNR levels of 10, 15, 20, 25, and 30 dB as well as noise free conditions. Approximately 3,450 labeled samples were generated per system state. Model performance was assessed using stratified shuffle splits at 66/34, 70/30, and 80/20 training to testing ratios and stratified k-fold cross validation at k=5, 10, and 20, with classification accuracy, precision, recall, F1-score, sensitivity, specificity, and AUC reported across all configurations. For binary fault detection at an SNR of 10 dB, the FNN achieved classification accuracy of 0.999, precision of 0.999, recall of 0.999, F1-score of 0.999, and specificity of 0.997. Logistic Regression achieved classification accuracy of 0.998, precision of 0.998, recall of 0.998, F1-score of 0.998, and specificity of 0.994. For eleven class fault type classification at an SNR of 10 dB, the FNN achieved classification accuracy of 0.995, F1-score of 0.995, and an AUC of 1.000. Under noise free conditions, all classification and detection metrics reached or approached 1.000 for both classifiers across all tested data partitioning strategies. A feature reduction study showed that 100 to 400 top ranked features were sufficient to preserve classification performance within 0.003 of the full 1,000 feature result. Reducing the feature set from 1,000 to 100 features reduced average testing time by a factor of up to 15 without measurable degradation in precision, recall, or F1-score. Reducing the feature set to 400 features at an SNR of 10 dB produced a drop of only 0.003 in specificity for the FNN, with all other metrics unchanged. Logistic Regression demonstrated equivalent stability across feature counts, confirming that the fused multi criteria ranking effectively identified the most discriminative feature subset. Comparative evaluation against previously published state-of-the-art methods demonstrated that the proposed framework achieved the highest precision (99.5-99.7%) and F1-score (99.6-99.8%) at an SNR of 10 dB among all compared methods. The proposed method operates exclusively on current signals, requires no voltage measurements, uses a compact neural architecture with substantially fewer parameters than competing deep learning models, and incorporates an explicit feature selection stage that reduces computational cost while maintaining classification accuracy under the most challenging noise conditions evaluated.
Benzer Tezler
- Enerji iletim hatlarında arıza tipi ve konumunun makine öğrenmesine dayalı tespiti
Machine learning based detection of fault type and location in power transmission lines
NISARULLAH NISAR
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KORHAN KARAARSLAN
- Condition monitoring and fault detection for electrical power systems using signal processing and machine learning techniques
Sı̇nyal ı̇şleme ve makı̇ne öğrenme teknı̇klerı̇ kullanılarak elektrı̇k güç sı̇stemleri ı̇çı̇n durum ı̇zleme ve arıza belirleme
YASMIN NASSER MOHAMED
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Enerji iletim sistemlerinde arıza yeri ve türünün makine öğrenmesi teknikleri ile yüksek doğruluklu tespiti
High accuracy detection of fault location and type in power transmission systems using machine learning techniques
ÖMER ÖZDEMİR
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. RAŞİT KÖKER
DOÇ. DR. NİHAT PAMUK
- Wide-area measurement-based early prediction and corrective control for transient stability in power systems
Güç sistemlerinde geçici hal kararlılığı için geniş alan ölçümlerine dayalı erken kestirim ve düzeltici kontrol
MOHAMMED S.M. MAHDI
Doktora
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- İletim hatlarında arıza yeri ve türünün geçici rejim sinyalleri ve makine öğrenme algoritmaları ile belirlenmesi
Determination of fault location and fault type in transmission lines using transient signals and machine learning algorithms
DÜZGÜN AKMAZ
Doktora
Türkçe
2017
Elektrik ve Elektronik Mühendisliğiİnönü ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET SALİH MAMİŞ