Yapay zeka teknikleriyle rüzgar enerjisi dönüşüm sistemlerinde çoklu arıza tespiti
Multi-fault detection in wind energy conversion systems using artificial intelligence techniques
- Tez No: 1025803
- Danışmanlar: PROF. DR. BİLAL GÜMÜŞ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Arıza tespiti, Sınıflandırma, Fault diagnosis, Classification
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Rüzgar Enerjisi Dönüşüm Sistemlerinde (Wind Energy Conversion Systems, WECS) güç elektroniği dönüştürücüleri, generatör, dişli kutusu ve şebeke arayüzü kaynaklı arızalar; üretim sürekliliğini, sistem güvenilirliğini ve bakım maliyetlerini doğrudan etkilediğinden, erken ve doğru arıza tespiti kritik önem taşımaktadır. Bu nedenle bu tez çalışmasında, WECS'lerde arıza tespiti ve arıza sınıflandırmasının gerçek zamanlı uygulamalara uygun, düşük hesaplama yüküne sahip ve model kararlarının açıklanabilirliğini destekleyen bir yapıda gerçekleştirilmesi amaçlanmıştır. Bu amaç doğrultusunda, Gürbüz Düzenlileştirilmiş Rastgele Vektör Fonksiyonel Bağlantı Ağı (Robust Regularized Random Vector Functional Link Network, RR-RVFLN) tabanlı çoklu arıza tespiti ve sınıflandırma çerçevesi geliştirilmiştir. Bu kapsamda önerilen yöntem, Gerçek Zamanlı Dijital Simülatör (Real-Time Digital Simulator, RTDS) ortamında gerçekleştirilen gerçek zamanlı benzetimlerle doğrulanmıştır. Çalışmada, yüksek boyutlu ham sinyal kümeleri ve hesaplama maliyeti yüksek derin öğrenme yapıları yerine, fiziksel anlamı korunmuş ve istatistiksel olarak ayırt ediciliği yüksek beş boyutlu indirgenmiş bir özellik kümesi kullanılmıştır. F1-F5 indirgenmiş özellik kümesi; S1-S12 ölçüm sinyalleri arasından seçilen rotor torku, generatör faz akımı, DC-bağlantı gerilimi, aktif güç ve d-q ekseni akım bileşenlerinden türetilmiştir. Böylece WECS davranışını temsil eden mekanik, elektriksel ve güç elektroniği tabanlı bilgiler korunurken, arıza tespiti ve arıza sınıflandırma süreçlerinde kullanılan veri boyutu ile hesaplama yükü önemli ölçüde azaltılmıştır. Bu indirgenmiş özellik yapısı, önerilen RR-RVFLN modelinin gömülü sistemlerde, uç cihazlarda ve büyük ölçekli WECS uygulamalarında kullanılabilirliğini güçlendirmektedir. Model performansı, rotor tarafı konvertör açık devre, rotor tarafı konvertör kısa devre, rotor tarafı konvertör yıpranma, şebeke tarafı faz-faz kısa devre, şebeke tarafı faz-toprak kısa devre, generatör arızası ve dişli kutusu arızasını kapsayan yedi farklı arıza senaryosu üzerinden değerlendirilmiştir. Önerilen RR-RVFLN modeli; Destek Vektör Makinesi (Support Vector Machine, SVM), Aşırı Öğrenme Makinesi (Extreme Learning Machine, ELM), Bir Boyutlu Evrişimsel Sinir Ağı (One-Dimensional Convolutional Neural Network, 1D-CNN) ve Uzun Kısa Süreli Bellek (Long Short-Term Memory, LSTM) yöntemleriyle karşılaştırılmıştır. Elde edilen bulgular, RR-RVFLN modelinin özellikle şebeke tarafı faz-toprak kısa devre ve generatör arızalarında sırasıyla %99,85 ve %99,81 doğruluk oranlarına ulaşarak, karşılaştırılan yöntemlere kıyasla daha kararlı, güvenilir ve yüksek başarımlı bir sınıflandırma yapısı sunduğunu göstermiştir. Kesinlik, duyarlılık ve F1-skoru sonuçları da önerilen yöntemin farklı arıza koşulları altındaki gürbüzlüğünü desteklemiştir. Sonuçlar, önerilen RR-RVFLN tabanlı çerçevenin WECS'lerde durum izleme, erken arıza tespiti, arıza sınıflandırması ve kestirimci bakım için etkili, gerçek zamanlı, ölçeklenebilir ve uygulanabilir bir çözüm sunduğunu göstermektedir.
Özet (Çeviri)
In Wind Energy Conversion Systems (WECS), faults originating from power electronic converters, generators, gearboxes, and grid interfaces directly affect production continuity, system reliability, and maintenance costs. Therefore, early and accurate fault detection is of critical importance. Accordingly, this thesis aims to perform fault detection and fault classification in WECSs within a framework that is suitable for real-time applications, has a low computational burden, and enhances the interpretability of model decisions. For this purpose, a multiple fault detection and classification framework based on the Robust Regularized Random Vector Functional Link Network (RR-RVFLN) has been developed. In this context, the proposed method was validated through real-time simulations conducted in a Real-Time Digital Simulator (RTDS) environment. In this study, instead of high-dimensional raw signal sets and deep learning structures with high computational cost, a five-dimensional reduced feature set that preserves physical meaning and has high statistical discriminative capability was used. The F₁-F₅ reduced feature set was derived from rotor torque, generator phase current, DC-link voltage, active power, and d-q axis current components selected from the S₁-S₁₂ measurement signals. Thus, while the mechanical, electrical, and power-electronics-based information representing WECS behavior was preserved, the data dimensionality and computational burden used in fault detection and fault classification processes were significantly reduced. This reduced feature structure strengthens the applicability of the proposed RR-RVFLN model in embedded systems, edge devices, and large-scale WECS applications. The model performance was evaluated using seven different fault scenarios, including rotor side converter open-circuit fault, rotor side converter short-circuit fault, rotor side converter degradation fault, grid-side phase-to-phase short-circuit fault, grid-side phase-to-ground short-circuit fault, generator fault, and gearbox fault. The proposed RR-RVFLN model was compared with Support Vector Machine (SVM), Extreme Learning Machine (ELM), One-Dimensional Convolutional Neural Network (1D-CNN), and Long Short-Term Memory (LSTM) methods. The obtained findings showed that the RR-RVFLN model achieved accuracy rates of 99.85% and 99.81%, especially for grid-side phase-to-ground short-circuit and generator faults, respectively, and provided a more stable, reliable, and high-performance classification structure compared to the methods under comparison. Precision, recall, and F1-score results also supported the robustness of the proposed method under different fault conditions. The results show that the proposed RR-RVFLN-based framework offers an effective, real-time, scalable, and implementable solution for condition monitoring, early fault detection, fault classification, and predictive maintenance in WECSs.
Benzer Tezler
- Manisa yöresinde domateste anlaşmalı tarım ve karşılaşılan sorunlar
Başlık çevirisi yok
OSMAN MURAT KOÇTÜRK
Yüksek Lisans
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiTarım Ekonomisi Ana Bilim Dalı
PROF. DR. METİN TALİM
- Bir pamuk iplikhanesinde fiili çalışma metodlarının incelenmesi ve mevcut işlemlerin standart sürelerinin saptanması
Başlık çevirisi yok
MÜRŞİDE KESEROĞLU
Yüksek Lisans
Türkçe
1985
İşletmeEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA NAZMİ ERCAN
- Barajların hacim-verim ilişkisi üzerine bir araştırma
Başlık çevirisi yok
MEHMET KILIÇARSLAN
Yüksek Lisans
Türkçe
1987
İnşaat MühendisliğiÇukurova Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. TEFARUK HAKTANIR
- Çiğit ve ayçiçek yağlarının doğal antioksidan içerikleri ile bu yağların stabilitelerinin arttırılmaları üzerinde araştırmalar
Başlık çevirisi yok
ALİ KEMAL YALNIZ
Doktora
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
PROF. DR. MAHİR ÇOLAKO¦LU
- Computer aided design of lumped and distributed broadband matching and filtering networks
Başlık çevirisi yok
ADNAN KÖKSAL
Yüksek Lisans
İngilizce
1987
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. NEVZAT YILDIRIM