Mikro şebekeler için derin öğrenme kullanılarak pasif ada çalışma tespit yöntemi geliştirilmesi
Development of passive islanding detection method based on deep learning for microgrids
- Tez No: 712171
- Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA BAYSAL
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Tesisleri Bilim Dalı
- Sayfa Sayısı: 90
Özet
Mikro şebekeler fotovoltaik, rüzgar ve hidroelektrik enerji gibi başta yenilenebilir enerji kaynakları olmak üzere dağıtık üretim birimlerinin dağıtım şebekesine entegrasyonunu sağlayarak şebekeye bağlı veya ada modunda çalışabilen geleceğin enerji sisteminin önemli bir parçasını oluşturmaktadır. Mikro şebekenin işletilmesinde karşılaşılan zorluklardan biri ana şebekede meydana gelen arıza sonucu oluşan istenmeyen ada çalışma durumunun sonucu olarak gerilim ve frekansta kabul edilmeyen seviyelerin meydana gelmesi, kişilerin can ve mal güvenliği ile bağlı olduğu yüklerin zarar görmesidir. Bu durumu önlemek için ada çalışma tespiti yapılmakta ve dağıtık üretimler şebekeden izole edilmektedir. Literatürdeki çalışmaların büyük çoğunluğu dağıtık üretim seviyesinde olup, mevcut konvensiyonel ada tespit yöntemleri ihtiyacı karşılamamaktadır. Bu tez çalışmasında derin öğrenmeye bağlı algoritmalardan uzun kısa süreli bellek ağları (LSTM) ve tek boyutlu evrişimsel ağlar (1D CNN) ada çalışmanın tespitinde kullanılmıştır. Veri setindeki özelliklerin daha etkin bir şekilde ortaya çıkarılması amacıyla iki ağın güçlü özelliklerinden yararlanılarak 1D CNN-LSTM yöntemleri birleştirilmiştir. Önerilen yöntemlerde mikro şebekenin ortak bağlantı noktasında ölçümü yapılan gerilim, akım ve harmonik verileri kullanılmıştır. Önerilen yöntemin testi MATLAB/Simulink platformunda kurulan mikro şebeke sistemi üzerinde yaklaşık 4000'e yakın ada olayları (küçük ve büyük çapta aktif ve reaktif güç değişimi) ve ada olmayan şebeke olayları (arızalar ve kapasitör, doğrusal olmayan yükler, motor yükü, dağıtık üretimler gibi çeşitli anahtarlamalar) dikkate alınarak gerçekleştirilmiştir. Literatürdeki çalışmalardan farklı olarak şebekenin harmonikli olması durumu ilk kez bu çalışmada dikkate alınmıştır. Önerilen ada çalışma tespit yöntemlerinin performansı doğruluk, kayıp, duyarlık, kesinlik, F1 skor gibi farklı performans metrikleri kullanılarak farklı açılardan karşılaştırılmış ve değerlendirilmiştir. Önerilen yöntemler daha önce görülmeyen düşük algılama dışı bölge (NDZ)'ye sahip durumlarla ve mikro şebekeye ilave dağıtık üretimlerin eklenmesi durumunda oluşturulan senaryolarla test edilmiştir. Elde edilen sonuçlara göre uygulaması basit, yüksek doğrulukta, düşük NDZ'ye sahip, yüksek hızda ada çalışmayı tespit edebilen yöntemler ortaya konmuştur.
Özet (Çeviri)
Microgrid is an important part of the future energy system, which can operate in either grid connected or islanding mode, enabling the increasing integration of distributed generation units such as photovoltaic energy, wind energy and hydroelectric energy into the distribution grid. One of the major problems in the operation of the microgrid is unintentional islanding which can threat to the safety of the utility personnel, distributed generations and loads. In order to prevent this situation, islanding condition should be detected and microgrid should be isolated from the main grid. The most of the literature studies are proposed for inverter or multi-inverter based distributed generation and the existing conventional islanding detection methods (IDMs) are not suitable for microgrids. In this thesis, long-short-term memory network (LSTM) and one-dimensional convolutional network (1D-CNN) based on deep learning are proposed for islanding detection by utilizing voltage and current measured at the point of common coupling (PCC) of microgrid. 1D-CNN and LSTM are combined to extract data features more effectively by utilizing the strengths of both networks. About 4000 cases under the microgrid model are simulated on MATLAB/Simulink platform to evaluate the performance of the proposed architectures. For the first time, the distorted main grid is taken into account with various islanding and nonislanding operating conditions such as capacitor switching, nonlinear load switching, motor switching, faults. To further investigate the validity of deep learning algorithms, a comprehensive analysis is carried out with performance metrics such as accuracy, loss, sensitivity, dependability and F1-measure. Furthermore, the robustness of the proposed methods is demonstrated with unseen samples under low none detection zone (NDZ) and the expansion of microgrid topology. According to the results, the proposed methods are presented effective islanding detection methods in the terms of high accuracy, low detection time, simple implementation, approximately zero NDZ.
Benzer Tezler
- 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
- A novel artificial intelligence based energy management system for microgrids
Mikro şebekeler için yapay zeka temelli yeni bir enerji yönetim sistemi
NECATİ AKSOY
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Mikro şebekelerde derin öğrenme destekli enerji yönetimi
Deep learning assisted energy management in microgrids
HALİL ÇİMEN
Doktora
Türkçe
2020
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. NURETTİN ÇETİNKAYA
- Tip-3 bulanık mantık kontrollörü ile bağımsız hibrit mikroşebeke frekans regülasyonu
Type-3 fuzzy-based frequency regulation of an islanded microgrid
İSMAİL TÜRK
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HEYBET KILIÇ
- Feasibility analysis based on advanced deep learning techniques in integrating renewable energy resources into microgrids
Yenilenebilir enerji kaynaklarının mikroşebekelere entegre edilmesinde gelişmiş derin öğrenme tekniklerine dayalı uygulanılabilirlik analizi
FATHI FARAH FADOUL FATHI FARAH FADOUL
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. RAMAZAN ÇAĞLAR