Islanding detection for microgrids using machine learning techniques
Mikro şebekelerde ada durumuna geçme koşulunun yapay öğrenme teknikleri kullanarak tespit edilmesi
- Tez No: 485322
- Danışmanlar: ASSOC. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 85
Özet
Son yıllarda, çevreyi olumsuz etkileyen geleneksel enerji üretim teknikleri yerine yenilenebilir enerjinin kullanılması konusu , Dağıtık Üretim Kaynaklarını elektrik şebekelerinin kullanıma sunmuştur. Bu şebekelerde, geleneksel olarak kullanılan merkezi büyük güç üretim tesislerinin kullanılması yerine, şebekenin tümüne daha küçük enerji üretim kaynakları yerleştirilmektedir. Bu tip şebekeler, enerji üretim birimlerinin işletilmesinde ve korunmasında, ayrıca şebekeden akan gücün kalitesi ve kullanılabilirliğinde yeni zorluklar ortaya çıkarmaktadır. Dağıtık üretim kaynaklarının elektrik şebekelerine entegrasyonu sonrası karşılaşılan en önemli zorluklardan biri, adalanma durumunun tespit edilmesidir. Adalanma durumunda, mikro şebeke olarak adlandırılan dağıtık üretim kaynaklarına sahip şebekenin bir bölümü, şebekeden ayrılarak, kendi içinde bulunan üretim kaynakları ile işletilmeye devam etmektedir. Ana şebekede bir arıza meydana geldiğinde, sistemdeki dağıtık üretim kaynaklarına sahip bir bölgeyi korumak için, adalanma durumunun tespit edilmesi zorunludur. IEEE standartları, adalanma durumunun 2 saniye içinde tespit edilmesi gerektiğini önermektedir. Adalanma durumunun tespit edilmesi için literatürde bir çok yöntem bulunmaktadır. Bu yöntemler aktif, pasif ve haberleşmeye dayalı yöntemler olmak üzere üç ana katagoriye ayrılabilmektedir. Aktif yöntemler, dağıtık üretim kaynaklarının çıkış (inverter çıkışı) formuna bir miktar bozulma eklenmesine dayanmaktadır. Bu bozulmanın etkisi, ilgili birimin terminallerden ölçülmektedir. Adalanma durumunun meydana gelmesi halinde, yani şebeke küçüldükçe, bu bozulmaların etkisi daha belirgin hale gelmektedir. Aktif yöntemler adalanma durumunu hızlı tespit etme özelliğine sahip olmalarına rağmen, bu yöntem kapsamında kullanılan ekipmanların maliyetleri yüksektir. Aynı zamanda aktif yöntemler, güç kalitesini de olumsuz etkilemektedir. Haberleşmeye dayalı yöntemler şebekenin farklı bölgelerindeki bilgileri adalanma durumunu tespit etmek için kullanmaktadır. Bu yöntemde, koruma elemanlarının durumu, gerilim, güç veya frekans gibi bilgileri, mikro şebekenin belirli noktaları için, uzaktan alınan ölçümler ile kullanmaktadır. Bu yöntem adalanma durumunun hızlı ve yüksek doğrulukta tespit edilmesine olanak sağlamaktadır. Fakat oldukça maliyetli bir iletişim sistemine ihtiyaç duymaktadır. Aynı zamanda koruma sistemin güvenilirliği de bu iletişim sistemine bağlıdır; iletişim sisteminde bir arıza meydana geldiğinde, adalanma durumunun tespiti doğru şekilde gerçekleşemeyecektir. Her ne kadar bu yöntem, güç kalitesi açısından bir olumsuzluğa sahip olmasada, sistemdeki yüksek maliyetli altyapı sistemlerinin var olup olmamasına bağlıdır. Adalanma durumunun tespitinde kullanılan pasif yöntemler, sistemde yerel olarak yerleştirilirler ve herhangi bir haberleşme altyapısına gerek duymadıkları gibi güç kalitesi açısından da bir olumsuz etkileri bulunmamaktadır. Bu yöntemler, adalanma durumunun tespit edilmesi için dağıtık üretim kaynaklarındaki bazı spesifik ölçümlerin izlenmesine dayanmaktadır. Var olan pasif yöntemler, diğer katagorilerdeki yöntemler ile karşılaştırıldığında, adalanma durumunu sınırlı tespit edebilme kapasitesine sahiptirler. Fakat düşük maliyetleri ve başka bir sisteme (haberleşme vb.) bağlı olmamaları, bu yöntemi gelecek vaat eden bir yöntem haline getirmektedir. Yerel ölçümlere dayanan mevcut yöntemlerin tek sakıncası, adalanma durumunun tespit edilemediği bölgenin (Non-Detection Zone) diğer yöntemlere kıyasla daha geniş olmasıdır. Bu durum ise pasif yöntemlerin, bazı adalanma durumunlarının tespitinde daha az kapasiteye sahip olmasına yol açmaktadır. Bu çalışmada, kıvrımsal sinir ağlarına dayalı yeni bir pasif yöntemin performansı test edilmiştir. Kıvrımsal Sinir Ağları (KSA) canlıların çevresini görme biçimini taklit etmektedir. Bunlar, sinir ağı eğitiminde tespit edilen özelliklerin varlığını ve yerini saptamaya dayanmaktadır. Her fazın gerilimi için önceden belirlenmiş olan anlık değer sayısına dayanarak üç matris oluşturulur. Bu matrisler, şebekenin normal işletmede veya adalanma durumunda olup olmadığını öngörmek için sinir ağına giriş olarak verilir. Anlık değerlerin kullanılması, belirli bir süre boyunca ölçülen değişkenin anlık değerlerinin bir özet bilgisini temsil eden frekans ve RMS değerleri gibi değerleri kullanan diğer tekniklerden farklı olarak, KSA'ya adalanma durumunu daha hızlı tespit edebilmesini sağlar. Ani değişiklikler, bu değerleri etkilemek için daha uzun süreye ihtiyaç duyarlar ve bu da tespit süresinin uzamasına neden olur. Öte yandan, bazı yöntemler, ölçüm değerindeki değişikliği yansıtmak için daha uzun süre gerektiren değişim oranı gibi özet bilgi içeren değerlere dayanmaktadır. Şebekenin normal işletme durumunu ve ada durumunu simüle etmek için bir test sistemi Matlab&Simulink kullanılarak oluşturulmuştur. Daha sonra, sınıflandırıcılar, ada durumunun tespitinde geniş bir kullanım alanına sahip oldukları için, simülasyon çalışmaları sonucunda alınan verilere dayalı olarak farklı sınıflandırıcılar oluşturulmuştur. Son olarak, kıvrımlı sinir ağı için python programlama dili, sinir ağları uygulaması için ise Tensorflow kütüphanesi kullanılmıştır. Adalanma durumunun tespitinde KSA kullanımı, diğer sınıflandırıcılarla karşılaştırıldığında daha iyi performans sergilemiştir. KSA kullanımı ile adalanma durumu %99,78 doğruluk oranıyla ve 11,7 milisaniye tespit süresiyle, karar ağacı sınıflandırıcısı % 97.02 doğruluk oranı ve 61.64 milisaniye tespit süresiyle, rastgele ormanlar %99.08 doğruluk oranı ve 19.01 milisaniyelik tespit süresine sahiptir. En yakın komşu sınıflandırıcısı (k-NN) %99.97 oranın yüksek bir başarım göstermiştir. Fakat oldukça yüksek bir hesaplama zamanına sahip olmakla birlikte adalanma durumunu tespit süresi 50.53 milisaniyedir. Bayes Net sınıflandırıcısı ise %99.34 doğruluğa ve 14.24 milisaniye tespit süresine sahiptir. Sınıflandırıcıların performanslarının test edilmesinde, eğitimlerinde kullanılan ve 2 farklı durumu (şebekeye-bağlı / adalanma durumu) içeren bir veri seti kullanmıştır. Kıvrımsal sinir ağları kullanılılarak yapılan adalanma durumunun tespiti 11,7 milisaniyeye ihtiyaç duymaktadır. Bu süre içerisinde kıvrımsal sinir ağları adalanma durumunun tespiti için 4.5 milisaniyeye, hesaplama için ise 4.5 milisaniyeye ihtiyaç duymaktadır. Bu hesaplama süresi, adalanma durumunun daha hızlı tespi edilebilmesi için, daha iyi donanım özelliklerine sahip bilgisayarlar kullanarak veya bazı özel hızlandırıcıları kullanarak azaltılabilir.
Özet (Çeviri)
The recent emphasis on using renewable energy instead of the traditional power generation techniques, which are badly affecting the environment, has introduced the use of Distributed Generation (DG) power grids. In these grids, smaller energy sources are distributed over the entire grid, instead of using larger centralized power units as usual. This type of grids imposes new challenges in operating and protecting the power generation units, as well as the quality and availability of the power flowing through the grid. One of the most important challenges faced by using the DG power grids is islanding detection, where a specific part of the DG grid, which is known as a microgrid becomes energized by the power sources in that part, but not connected to the main power grid. Such situation must be detected in order to disconnect DG power sources from the distribution grid, to protect the DG distribution systems from the negative influence of such situation on the management, protection and operation of these distribution systems. The IEEE standard for distributed generation power grids recommends detecting islanding events in DG grids within an interval of two seconds. There are many methods proposed to detect an islanding event. These methods can be divided into three main categories that are active, passive and communication-based methods. The active methods are based on inserting some distortion to the output form of one of the DG power sources, usually inverters. The effect of this distortion is then measured on the terminals of that device. In case an islanding event occurs, the effect of that distortions becomes more noticeable, as the power grid becomes smaller. Active methods have a good capability of quickly detecting an islanding event, but the equipment used in these methods are expensive and they cause degradation to the quality of the power flowing in the grid. Communication-based methods use interchanges information between different parts of the power grid in order to detect an islanding state. This information includes values that are remotely measured for certain nodes in the DG grid, such as the breakers status, voltages, power and frequency. These methods are also capable of detecting an islanding event quickly and accurately, but they require intensive communication systems, which are relatively expensive systems, and the reliability of the protection system depends on the availability of the communication system, where a failure in the communication system leads to a failure in the islanding detection system. Thus, although these methods do not degrade the quality of the power flowing in the DG grid, it requires an expensive infrastructure, and they are highly dependent on the availability of that infrastructure. Passive islanding detection methods, on the other hand, are installed locally, require no communication infrastructure, and do not degrade the quality of the power flowing in the DG grid. These methods rely on monitoring specific values in the DG grid in order to detect an islanding state. The existing methods have limited detection capability, compared to the methods of other categories. But the low cost of building such method and the independence from any other system make methods from this category promising. The only drawback in the existing methods of this category is the wider, compared to the other two categories, Non-Detection Zone (NDZ), which is caused by the less capability of detecting some islanding events. In this study, the performance of a new passive technique, which relies on using convolutional neural networks, is tested. Convolutional Neural Networks (CNN) simulates the way living creatures see the surrounding environment. They are based on detecting the existence and location of features that are detected during the training of the neural network. Three matrices are created based on the last predefined number of instantaneous value for the voltage of each phase. These matrices are fed to the neural network in order to predict whether the DG grid is in normal or islanding state. The use of instantaneous values enables the CNN of faster detecting for the islanding events, unlike other techniques that use values such as frequency and RMS values, which represent a summary of the instantaneous values of the measured variable for a specific period of time. Sudden changes require a longer time to affect such values, which leads to longer detection time. On the other hand, some methods rely on summarized values, such as the rate of change, which require a longer time to reflect the change in the measured value. A test model is built using MATLAB & Simulink, in order to simulate different, islanding and non-islanding, events. Then, different classifiers are built based on the data retrieved from the simulated events, as these classifiers could be used to detect such events. Finally, the convolutional neural network is built using python programming language and Tensorflow library for neural networks implementation. All experiments are executed using an Intel® Core™ i7-4500U CPU @ 1.8GHz and a memory of 8.00 GB capacity with 2.00 GB of external GPU memory, running Windows 10 operating system. The use of CNN in islanding detection shows better performance than the other classifiers, where the accuracy achieved by the CNN is 99.78 and a detection time of 11.7 milliseconds, while the decision tree classifier achieved 97.02% accuracy and 61.64 milliseconds detection time, random forests achieved 99.08% accuracy and 19.01 milliseconds detection time. The k-NN classifier achieved a very high accuracy of 99.97%, but the relatively high execution time of this classifier produced an overall detection time of 50.53 milliseconds. The Bayes Net classifier achieved 99.34 accuracy and 14.24 detection time. These tests are conducted by excluding four events, two islanding and two non-islanding, from the training dataset and use them as test dataset to evaluate the performance of these classifiers. The overall time consumed by the CNN to detect an islanding event is 11.7 milliseconds, where the CNN required 4.5 milliseconds to sense the islanding event, and 7.2 milliseconds for the computations. This computation time can be reduced by using computers with better hardware specifications, or by using some special accelerators in order to achieve faster islanding detection.
Benzer Tezler
- 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
- 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
- Designing a microgrid stabilizer using sliding mode controller
Kayan kipli denetleyici kullanarak mikro şebeke denetleyici tasarımı
HASAN MOUSAVİ SOMARİN
Yüksek Lisans
İngilizce
2016
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- PASSIVE ISLANDING DETECTION IN MICROGRIDS USING ARTIFICIAL NEURAL NETWORKS
YAPAY SİNİR AĞLARI KULLANAN MİKRO ŞEBEKELERDE PASİF ADALAMA TESPİTİ.
ALİ MAJEED MOHAMMED ALYASIRI
Doktora
İngilizce
2022
Elektrik ve Elektronik MühendisliğiAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEFER KURNAZ
- Islanding detection in distributed generation grids using recurrent neural networks
Dağıtılmış üretim şebekelerinde yenilenen sinir ağları kullanılarak adalanma tespiti
SARAH MAHMOOD FARHAN ALKINANI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN