Geri Dön

Havai dağıtım hatlarında yapay sinir ağları kullanılarak arıza analizi

Artificial neural network based fault location for overhead distribution lines

  1. Tez No: 413472
  2. Yazar: YUNUS EMRE YAĞAN
  3. Danışmanlar: DOÇ. DR. YILMAZ ASLAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2015
  8. Dil: Türkçe
  9. Üniversite: Dumlupınar Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 90

Özet

Bu tezde 34.5 kV orta gerilim (OG) enerji dağıtım hattında oluşabilecek kısa devre arızaların yeri ve tipinin doğru bir şekilde belirlenebilmesi için yapay sinir ağı'na (YSA) dayanan alternatif bir yaklaşım sunulmuştur. Çalışma ileri beslemeli standart geri yayılım (back-propagation) tekniği kullanılarak YSA algoritması ile modellenmiştir. Arıza tipi belirlemek için farklı bir YSA ve her arıza tipi için de arıza yeri belirlemek üzere farklı bir YSA kullanılmıştır. Hat başından alınan üç faza ait akım ve gerilim bilgileri dijital arıza kaydedicide (DAK) işlendikten sonra belirli frekans gruplarına ayrılarak YSA'ya girişler olarak kullanılmıştır. Enerji dağıtım hattı MATLAB2009b/Simulink kullanılarak modellenmiştir. Çalışmanın gerçeğe uygun olabilmesi için gerilim trafosu (GT) ve akım trafosu (AT) tepkileri, analog arayüz etkileri ve kuantalama hataları gibi pratik te arıza kaydedicilerden kaynaklanan etkiler dikkate alınmıştır. Geliştirilen YSA Kütahya Trafo Merkezinden Enne Kesici Ölçü Kabinine kadar olan 34.5 kV, 14.8 km havai enerji dağıtım hattına uygulanmıştır. Algoritmanın doğruluğu üzerine arıza tipinin, arıza yerinin, arıza direncinin, arıza başlangıç açısının ve hat sonuna kaynak eklenmesinin etkileri incelenmiş ve sonuçlar tablolar halinde sunulmuştur.

Özet (Çeviri)

In this thesis, a fault location and classification technique based on artificial neural network (ANN) for 34.5 kV medium voltages (MV) overhead power distribution line is presented. Feedforward networks have been employed along with back-propagation algorithm for fault location and classification process. The separate ANNs are used for classifying and locating the shunt faults on the distribution system. The technique utilizes voltage and current pre- and post-fault data at one line end only. These values are stored as waveform samples by a digital fault recorder (DFR) in the substations. Spontaneous three phase voltages and currents acquired from the fault locator at different frequencies are employed for testing and training the ANNs. The power distribution line is simulated using MATLABR2009b/Simulink. In the development of the DFR, the important aspects of the practical fault recorders such as voltage transformer (VT) and current transformer (CT) responses, analogue interface effects and quantization errors are taken into account. This is made to ensure that the performance obtained is considerably close to a real-life situation. The ANNs which have been developed for different fault types are implemented for 34.5 kV medium voltage overhead power distribution line between Kütahya and Enne circuit breaker measurement cabin. The accuracy of the technique is evaluated for the fault type and the location, the presence of remote-end in-feed and the fault inception angle and the corresponding results are given as tables.

Benzer Tezler

  1. Dağıtık üretim sistemlerinin akıllı şebekeler üzerine etkilerinin incelenmesi

    Examination of the effects of distributed generation on smart grids

    MİKAİL PÜRLÜ

    Doktora

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. BELGİN TÜRKAY

  2. Elektrik dağıtım sistemlerinde yapay sinir ağları ile arıza türü belirleme

    Fault type determination with artificial neural networks in electricity distribution systems

    MELİKE DEMİRÖZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiKonya Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BAHADIR AKBAL

  3. Aircraft icing detection, identification and reconfigurable control based on Kalman filtering and neural networks

    Kalman filtresi ve yapay sinir ağları ile uçak buzlanmalarının tespiti, teşhisi ve yeniden şekilllendirilebilir kontrol

    RAHMİ AYKAN

    Doktora

    İngilizce

    İngilizce

    2005

    Havacılık Mühendisliğiİstanbul Teknik Üniversitesi

    Havacılık Mühendisliği Ana Bilim Dalı

    PROF.DR. ÇİNGİZ HACIYEV

    Y.DOÇ.DR. FİKRET ÇALIŞKAN

  4. Enerji nakil hatlarında arıza oluşturabilecek unsurların yapay sinir ağları yöntemiyle insansız hava aracı ve termal kamera ile tespitinin gerçekleştirilmesi

    Detection of factor that can make failure in energy transmission lines with unmanned aerial vehicle and thermal camera by artificial neural networks method

    KADİR ERTUNÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiAfyon Kocatepe Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. YÜKSEL OĞUZ

  5. Yüksek gerilim kablolarında dielektrik kayıp parametrelerinin farklı işletme koşullarında deneysel ve yapay sinir ağları ile incelenmesi

    Experimental investigation on dielectric loss parameters of high voltage cables in various operational conditions using artificial neural networks

    CELAL FADIL KUMRU

    Doktora

    Türkçe

    Türkçe

    2016

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. CELAL KOCATEPE