Güç transformatörlerinde makine öğrenmesi ve sensör füzyonu yöntemleri ile arıza analizi
Power transformers fault analysis with machine learning and sensor fusion methods
- Tez No: 842241
- Danışmanlar: PROF. DR. MÜSLÜM CENGİZ TAPLAMACIOĞLU, DOÇ. DR. HALUK GÖZDE
- 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: 150
Özet
Güç transformatörleri, güç sistemlerinin en önemli ve en maliyetli ekipmanlarından birisidir. Teknik açıdan bağlı bulunduğu şebekede gerilim dönüşümünü sağladığı gibi enerji kalitesindeki en önemli unsurlardan biri olan kesintisiz elektrik enerjisi tedarikini sağlamaktadır. Bu nedenle, güç transformatörlerinde oluşacak muhtemel arızalar şebeke güvenliğini tehlikeye atmaktadır. Meydana gelen arızanın izolasyon yağındaki gaz oluşumlarına göre erken evrelerde teşhis edilmesi büyük maliyetli onarım/değişim işlemlerini önleyebilmektedir. Bu tez kapsamında, güç transformatörleri izolasyon yağındaki gazların etkin analizine dayanan arıza teşhisi ele alınmıştır. Arıza teşhisi için Çözünmüş Gaz Analizi yönteminden elde edilen gaz verileri kullanılmıştır. Öncelikle standartlarda yer alan ve literatürde kullanılan geleneksel arıza teşhis yöntemlerine ait analizler MATLAB GUI'de arayüz tasarlanarak yapılmıştır. Bu yöntemlerin arıza teşhisindeki zayıflığından dolayı güncel akıllı yöntemler ile analiz uygulamaları gerçekleştirilmiştir. Ayrıca akıllı yöntemler ile geleneksel yöntemler bir arada kullanılarak arıza teşhis performansı arttırılmış ve sonuçlar karşılaştırılmıştır. Arıza teşhisinde kullanılan gaz verileri, Makine Öğrenmesi sınıflandırma algoritmalarının eğitim ve test işlemlerinde daha yüksek performans elde edilmesi için ön işleme tabii tutulmuştur. Değişik ön işleme yöntemleri ile elde edilen veri setleri kullanılarak farklı sınıflandırma algoritmaları ile arıza teşhisi yapılmış ve sonuçlar karşılaştırılmıştır. Bireysel sınıflandırma algoritmalarından elde edilen olasılıksal arıza teşhis sonuçları Sensör Füzyon yöntemleri ile birleştirilerek arıza teşhis performansı optimize edilmiştir. Sensör füzyonu için öncelikle literatürde kullanılan Çoğunluk Oylaması ve Dempster Shafer Kanıt Teorisi ile analizler yapılmış, daha sonra Kalman Filtre ile sensör füzyonu işlemi kullanılarak füzyon performansı analiz edilmiştir. Tezin özgün yanı olarak Sıralı Kalman Filtre ve Merkezi Kalman Filtre yapısı ilk kez transformatör arıza teşhisi için önerilmiş ve yapılan karşılaştırmalı analizler ile yöntemlerin arıza teşhisideki etkinliği kanıtlanmıştır.
Özet (Çeviri)
Power transformers are one of the most important and costly equipment of power systems. Technically, it not only provides voltage conversion in the network to which it is connected, but also ensures uninterrupted electrical energy supply, which is one of the most important elements in energy quality. Therefore, possible malfunctions in power transformers endanger network security. Diagnosing the fault in the early stages based on gas formations in the insulating oil can prevent costly repair/replacement operations. In this thesis, fault diagnosis based on the effective analysis of gases in the insulating oil of power transformers is discussed. Gas data obtained from the Dissolved Gas Analysis method was used for fault diagnosis. First of all, analyses of traditional fault diagnosis methods included in the standards and used in the literature were made by designing an interface in MATLAB GUI. Due to the weakness of these methods in fault diagnosis, analysis applications have been carried out with current intelligent methods. In addition, fault diagnosis performance was increased by using smart methods and traditional methods together and the results were compared. Gas data used in fault diagnosis has been pre-processed to achieve higher performance in the training and testing processes of Machine Learning classification algorithms. Fault diagnosis was made with different classification algorithms using data sets obtained with different pre-processing methods and the results were compared. Diagnostic performance has been optimized by combining probabilistic diagnostic results obtained from individual classification algorithms with Sensor Fusion methods. For sensor fusion, analyses were first made with Majority Voting and Dempster Shafer Evidence Theory, which exist and are frequently used in the literature, and then the fusion performance was analyzed using the sensor fusion process with Kalman Filter. As a unique aspect of the thesis, the Sequential Kalman Filter and Central Kalman Filter structure were proposed for the first time for transformer fault diagnosis, and the effectiveness of the methods in fault diagnosis was proven through comparative analysis.
Benzer Tezler
- Transformatör iç arklarının geçici rejim sinyal işleme ve makine öğrenme yöntemleriyle erken tespiti
Early detection of transformer internal arcs using transient signal processing and machine learning
FEYYAZ ALPSALAZ
Doktora
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİnönü ÜniversitesiElektrik Tesisleri Ana Bilim Dalı
PROF. DR. MEHMET SALİH MAMİŞ
- Adaptive symbol glossary for pattern based cognitive communication system
Örüntü tabanlı bilişsel haberleşme sistemi için uyarlamalı sembol sözlüğü
HUSAM Y. I ALZAQ
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. BURAK BERK ÜSTÜNDAĞ
- Güç transformatörü hatalarının bulanık mantık ve Öz Düzenlemeli Haritalama Yöntemi ile belirlenmesi
Fault diagnosis of power transformers with fuzzy logic Self-Organizing Map
EMRE KEMİK
Yüksek Lisans
Türkçe
2016
Elektrik ve Elektronik MühendisliğiPamukkale ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SELİM KÖROĞLU
- Ferroresonance fault detection in electric power networks by artificial neural networks
Elektrik güç hatlarında ferrorezonans arızasının yapay sinir ağları ile belirlenmesi
GİZEM KULAKLI
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TAHİR ÇETİN AKINCI
- Trafo soğutma sistemlerinin incelenmesi
The study of the transformer cooling systems
ÇAĞLAR CANŞE
Yüksek Lisans
Türkçe
2016
Makine MühendisliğiYıldız Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL TEKE