Fault detection and classification in MMC-HVDC systems using the Harris Hawks optimization algorithm and machine learning methods
Harris Hawks optimizasyon algoritması ve makina öğrenme yöntemleri kullanılarak MMC-HVDC sistemlerinde hata tespiti ve sınıflandırılması
- Tez No: 847108
- Danışmanlar: DOÇ. DR. UĞURHAN KUTBAY
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 82
Özet
Yüksek gerilim doğru akım (HVDC) iletim hatlarında doğru arıza tespiti, operasyonel verimliliğin artırılmasında, maliyetlerin azaltılmasında ve şebeke güvenilirliğinin sağlanmasında çok önemli bir rol oynar. Bu araştırma, HVDC sistemleri için uygun maliyetli ve yüksek performanslı bir arıza tespit çözümü geliştirmeyi amaçlamaktadır. Birincil amaç, güç sistemindeki arızaları doğru bir şekilde tanımlamak ve lokalize etmektir. Bu hedefe ulaşmak amacıyla, makale, HVDC iletim sisteminin doğrultucu ve invertör tarafları ile bunların çeşitli arıza koşulları altında ilgili alternatif akım (AC) karşılıkları arasındaki akım ve voltaj özelliklerinin karşılaştırmalı bir analizini sunmaktadır. Gerilim ve akım özellikleri meta-sezgisel bir yaklaşım, özellikle de Harris Hawk'un optimizasyon yöntemi kullanılarak ortaya çıkarılır ve optimize edilir. Makine öğreniminden (ML) ve yapay sinir ağlarından (ANN) yararlanan bu teknik, istisnai bir doğrulukla bir hata bulucu oluşturmadaki etkinliğini göstermektedir. Öğrenme ve eğitim için kullanılan önemli miktarda veri ile Harris Hawks optimizasyon yöntemi, bu tezde incelenen diğer meta-sezgisel yöntemlere kıyasla daha hızlı yakınsama sağlar. Araştırma bulguları, birden fazla sistem noktasında çeşitli arıza türlerini ve bilinmeyen arıza konumlarını simüle etmek için uygulanır. Arıza tespit sisteminin etkinliğinin özgüllük, doğruluk, F1 puanı ve hassasiyet gibi metriklerle değerlendirilmesi ve ölçülmesi, sırasıyla %99,01, %98,69, %98,64 ve %98,67 gibi oranlarla dikkat çekici sonuçlar vermektedir. Bu araştırma, HVDC sistemlerinde doğru arıza tespitinin kritik rolünü vurgulamakta ve şebeke performansının ve güvenilirliğinin optimize edilmesine yönelik değerli bilgiler sunmaktadır.
Özet (Çeviri)
Accurate fault detection in high-voltage direct current (HVDC) transmission lines plays a pivotal role in enhancing operational efficiency, reducing costs, and ensuring grid reliability. The objective of this study is to create an affordable and efficient system for detecting faults in HVDC systems with high performance. The primary objective is to accurately identify and localize faults within the power system. In pursuit of this goal, the paper presents a comparative analysis of current and voltage characteristics between the rectifier and inverter sides of the HVDC transmission system and their associated alternating current (AC) counterparts under various fault conditions. Voltage and current features are extracted and optimized using a metaheuristic approach, specifically Harris Hawk's optimization method. Leveraging machine learning (ML) and artificial neural networks (ANN), this technique demonstrates its effectiveness in generating a fault locator with exceptional precision. With a considerable volume of data employed for learning and training, the Harris Hawks optimization method exhibits faster convergence compared to other metaheuristic methods examined in this thesis. The research findings are applied to simulate diverse fault types and unknown fault locations at multiple system points. Evaluating the fault detection system's effectiveness, quantified through metrics such as specificity, accuracy, F1 score, and sensitivity, yields remarkable results, with percentages of 99.01%, 98.69%, 98.64%, and 98.67%, respectively. This research underscores the critical role of accurate fault detection in HVDC systems, offering valuable insights into optimizing grid performance and reliability.
Benzer Tezler
- Dağıtık üretim güç sistemlerinde geliştirilmiş oylama modeli tabanlı arıza tespiti ve sınıflandırması
Improved voting model based fault detection and classification in distributed generation power systems
FEVZEDDİN ÜLKER
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET KÜÇÜKER
- Adaptive signal processing based intelligent method for fault detection and classification in microgrids
Mikroşebekelerde arıza tespiti ve sınıflandırması için adaptif sinyal işleme tabanlı akıllı yöntem
RESUL AZİZİ
Doktora
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Condition monitoring and fault detection for electrical power systems using signal processing and machine learning techniques
Sı̇nyal ı̇şleme ve makı̇ne öğrenme teknı̇klerı̇ kullanılarak elektrı̇k güç sı̇stemleri ı̇çı̇n durum ı̇zleme ve arıza belirleme
YASMIN NASSER MOHAMED
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Sürekli mıknatıslı senkron motorda demagnetize ve stator sarımlar arası kısa devre arızalarının tespiti için yöntem geliştirilmesi
The development of method for detection of demagnetised and stator interturn short circuit faults in permanent magnet synchronous motor
TİMUR LALE
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. BİLAL GÜMÜŞ
- Melez bir öğrenme yaklaşımı ile ek yeri proseslerinde anomali tespit ve sınıflandırma
Detection and classification of anomalies in the splice adding processes with a hybrid learning approach
ENES BAYTÜRK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZHAN URHAN