Ayrık fourier dönüşümü dağılımları kullanılarak güç sistemi geçici olaylarının derin öğrenme ile sınıflandırılması ve elektrik ark ocağı sisteminin modellenmesi
Classification of power system transient events by deep learning and modeling the electric arc furnace system using discrete fourier transform distributions
- Tez No: 818643
- Danışmanlar: PROF. MÜSLÜM CENGİZ TAPLAMACIOĞLU, PROF. ÖZGÜL SALOR DURNA
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 94
Özet
Bu tez çalışması, zaman alanında örneklenmiş güç sistemi verisinin ayrık Fourier dönüşümlerinin genlik ve faz dağılımlarını kullanarak, iki ayrı konuda geliştirilen çözümleri içermektedir. Bunlardan birincisi, Fazör Ölçü Birimi (Phasor Measurement Unit - PMU) frekans ölçüm verisinden güç sistemi geçici olaylarını sınıflandırmada kullanılan derin öğrenme (DL) tabanlı bir sınıflandırma sisteminin eğitim kümesini zenginleştirmek için sentetik veri üretme çalışmasıdır. Sentetik olarak geliştirilmiş eğitim setinin, yalnızca gerçek veri eğitim setinin kullanıldığı duruma kıyasla sınıflandırma başarımını arttırdığı gösterilmiştir. Önerilen sınıflandırma sistemi, özellikle küçük bir eğitim verisi seti mevcut olduğunda, görece düşük frekanslı bir örnekleme ile toplanan PMU ölçümlerinden, yüksek frekans içerikli geçici olayların sınıflandırılmasına yardımcı olmuştur. Sentetik PMU frekans verisi, PMU frekans verisi üzerindeki Ayrık Fourier Dönüşüm (Discrete Fourier Transform - DFT) analiz istatistiklerine dayalı olarak ters DFT kullanılarak üretilmiştir ve sınıflandırmayı gerçekleştiren derin öğrenme sisteminin eğitim kümesine eklenmiştir. Bu şekilde sentetik olarak zenginleştirilmiş eğitim kümesi kullanılarak, derin öğrenme yapısı, güç sistemi geçici olaylarını sınıflandırmak üzere eğitilmiştir. İkinci konu ise, Elektrik Ark Ocaklarının (EAO) dökümden döküme geçen süre boyunca akım davranışının, DFT genlik dağılımlarına bağlı olarak modellenmesidir. Önerilen yöntem, EAO'nun dökümden döküme geçen her bir fazı için (ön-ergitme, ergitme ve arıtma) EAO akım davranışını ayrı ayrı modeller. Model, orijinal ve modellenmiş EAO akım dalgalarının Toplam Harmonik Bozulma (Total Harmonic Distortion - THD) histogramlarını ve kırpışma ölçümlerini karşılaştırarak doğrulanmıştır. Bu model, herhangi bir EAO'nun kurulumu öncesinde çeşitli amaçlarla benzetim ortamında model olarak kullanılabilir. Ayrıca, yalnızca ilk 13 harmonik bileşeni için genlik dağılım parametrelerini ve yüksek dereceli harmonikleri temsil eden tek çevrim uzunluğunda gürültü sinyali kullandığından dolayı diğer tekniklere göre düşük hesaplama yüküne sahip olduğu gösterilmiştir.
Özet (Çeviri)
This thesis work provides solutions to two different issues using the amplitude and phase distributions of the discrete Fourier transforms of the sampled power system data. First part of the thesis is focused on generating synthetic data to enrich the training set of a deep learning (DL)-based system to classify power system transients using the Phasor Measurement Unit (PMU) frequency measurements. It has been shown that the synthetically enhanced training set improves classification performance compared to the case where only the data collected in the field is used for training set. The proposed classification system has helped to extract high-frequency transient information out of PMU measurements, which are collected at a relatively much lower rate, especially when a small training data set is available. Synthetic PMU frequency data has been generated based on Discrete Fourier Transform (DFT) analysis statistics on limited size PMU frequency data. The generation of synthetic data has been achieved by resynthesizing the PMU frequency data using inverse DFT, which separately mimics the DFT frequency and phase behavior for each event type. The deep learning framework then has been trained to classify power system transients using a synthetically enriched trainset. The second focus of the thesis work is to model the behavior of Electric Arc Furnace (EAF) currents depending on tap-to-tap time with a method based on DFT amplitude histograms of EAF current waves. The proposed method models the EAF current behavior separately for each phase of the EAF (boring, melting and refining). The model is validated by comparing the Total Harmonic Distortion (THD) histograms and flicker measurements of the original and modeled EAF current waves. The proposed model can be used as an EAF model in the simulation environment for various purposes prior to the installation of an EAF. It has been shown that this method has a low computational load compared to other techniques, as it uses the amplitude distributions for the first 13 harmonic components while using a one-cycle noise signal representing the higher order harmonics.
Benzer Tezler
- Elektrik şebekelerinde Fliker sorumluluk oranlarının belirlenmesi
Flicker contribution evaluation in electric power systems
MURAT SİLSÜPÜR
Doktora
Türkçe
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. BELGİN TÜRKAY
- Frekans ve zaman-frekans uzaylarında music algoritması ile geliş açısı kestirimi
Angle of arrival estimation in frequency and time-frequency domains with music algorithm
OĞUZ TUNCAR
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SEDEF KENT PINAR
- Composite nanofiber patches for topical drug delivery systems
Kompozit nanoliflerin topikal ilaç salım sistemlerinde kullanımı
ZARİFE BARBAK
Doktora
İngilizce
2021
Eczacılık ve Farmakolojiİstanbul Teknik ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
PROF. DR. HALE KARAKAŞ
- Kalp seslerinin analizi ve yapay sinir ağları ile sınıflandırılması
Analysis of heart sounds and classification of by using artificial neural networks
ÖZGÜR SAY
Yüksek Lisans
Türkçe
2002
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ZÜMRAY DOKUR ÖLMEZ
- Uzaktan algılama verileri kullanılarak kuraklık olaylarının alansal, zamansal ve frekans analizleri: Ege bölgesi örneği
Spatio-temporal and frequency analysis of drought events via remote sensing data: Case study of Aegean region
SEMRA KOCAASLAN KARAMZADEH
Doktora
Türkçe
2022
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. NEBİYE MUSAOĞLU