Geri Dön

Elektrik arıza tespiti ve makine öğrenmesi ile sınıflandırması

Electrical failure detection and classification withmachine learning

  1. Tez No: 879519
  2. Yazar: OZAN TURANLI
  3. Danışmanlar: DR. ÖĞR. ÜYESİ YURDAGÜL BENTEŞEN YAKUT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Dicle Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 70

Özet

Modern güç sistemlerinde elektriğin üretiminden konutlara iletimine kadar olan süreçte sürekliliğin sağlanması esastır. Genel olarak elektriğin üretimi, iletimi ve dağıtımı simetrik bir yapıya sahiptir. Üç fazlı sistemlerde iletkenler arasındaki gerilim ile her bir fazdan geçen akım mutlak değer olarak eşittir. Tek fazlı yükler üç fazın her birine eşit olarak dağıtılır. Ancak üç fazlı simetrik kısa devre oluşumu dışında, elektrik sisteminde dengesiz yükler veya iletken değerler, iletken ve toprak gibi arızalar, iletkenlerin kendi aralarında kısa devre oluşması, faz iletkenlerinin simetrik olmayan akımlar akması gibi nedenlerle elektrik sisteminde farklı büyüklükte arızalar meydana gelmektedir. Sonuç olarak enerji sabit, kesintisiz veya aynı frekansta olamaz. Bu istenmeyen senaryonun önüne geçebilmek için elektrik güç sistemlerinin nominal çalışma koşullarının ve arızalarının iyi anlaşılması gerekmektedir. Enerji sistemi modellerinin anlaşılmasını kolaylaştırmak için bilgisayar arayüz sistemleirne ihtiyaç duyulmaktadır. Bu motivasyonla çalışma, güç sistemlerinde elektrik arıza tespitinin makine öğrenmesi ile sınıflandırılmasını amaçlamaktadır. Pilot bölge için enerji sisteminin modeli bir grup araştırmacı tarafından MATLAB/Simulink platformunda oluşturulmuş ve veri seti internette kullanıma sunulmuştur. Bu modelle elde edilen veri seti bu çalışmaya dayanmaktadır. Makine öğrenimi, bir bilgisayarın doğrudan talimatlar olmadan öğrenmesine yardımcı olmak için matematiksel modelleri kullanma sürecidir. Yapay sinir ağları yöntemi makine öğrenmesi kapsamında yer alan bir yöntemdir. Yapay sinir ağları, doğrusal olmayan ve karmaşık girdi ve çıktı verileri arasındaki ilişkileri öğrenme ve modelleme yeteneğine sahiptir. Bu nedenle bu çalışmada yapay sinir ağları yöntemi tercih edilmiştir. Hat akımları ve gerilimleri, çeşitli arıza senaryoları ve bir arızanın gerçekten meydana gelip gelmediği için veri setine dahil edilir. Çalışmada örnek modelden elde edilen veri setleri ile bir arızanın olup olmadığı yapay sinir ağı yöntemiyle tespit edilmiştir. Simülasyon tabanlı veri seti eğitim ve test olmak üzere iki sete ayrılmıştır. Ağımız eğitim veri seti kullanılarak eğitildi ve test seti performansını değerlendirmek için kullanıldı. Sonuçlar çeşitli kriterler ışığında gözden geçirildi ve en az hata içeren sonuçlar değerlendirildi. Gözlem sonucunun düşük çıkması durumunda farklı mimariler denenerek en başarılı model belirlendi.

Özet (Çeviri)

In modern power systems, it is essential to ensure continuity in the process, from the generation of electricity to the transmission to residential units. Generally, the production, transmission, and distribution of electricity have a symmetrical structure. In three-phase systems, the voltage between the conductors and the current flowing through each phase are both equal in absolute value. The single-phase loads are evenly distributed to each of the three phases. However, except for the three-phase symmetrical short circuit occurrence in the electrical system, either due to imbalanced loads or conductive values, failures such as conductors and soil, or short-circuit occurrences between conductors themselves, phase conductors flow non-symmetric currents of different magnitude tensions. As a result, energy can't be constant, uninterrupted, or at the same frequency. Electrical power systems' nominal operating conditions and breakdowns must be properly understood in order to prevent this undesired scenario. Utilizes computer interfaces to make energy system models easier to grasp. With this motivation, the study aims to classify electrical failure detection in power systems by machine learning. The model of the energy system for a pilot region was created by a group of researchers on the MATLAB/Simulink platform, and the data set was made available on the Internet. The data set obtained with this model is based on this study. Machine learning is the process of using mathematical models to help a computer learn without direct instructions. The artificial neural network method is a method within the scope of machine learning. Artificial neural networks are capable of learning and modeling the relationships between nonlinear and complex input and output data. For this reason, the artificial neural network method is preferred in this study. Line currents and voltages are included in the data set for various failure scenarios and if a failure actually occurred. In the study, with the data sets obtained from the sample model, whether there is a failure or not was determined by the artificial neural network method. The simulation-based dataset is divided into two sets: training and testing. Our network was trained using the training data set, and the test set was used to evaluate its performance. The outcomes were reviewed in light of several criteria, and the study evaluated the outcomes that had the least amount of error. The most successful model was determined by trying different architectures in the event that the observation result was low.

Benzer Tezler

  1. 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

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET KÜÇÜKER

  2. Kestirimci bakım için makine öğrenmesi ve derin öğrenme yöntemleri uygulanarak hata tespiti ve sınıflandırılması

    Fault detection and classification for predictive maintenance using machine learning and deep learning methods

    UĞUR İLERİ

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiDüzce Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF ALTUN

  3. Endüstri 4.0 çerçevesinde kestirimci imalat teknolojileri

    Predictive manufacturing technologies in industry 4.0 framework

    KADİR TOLGA BAYER

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TURGUT GÜLMEZ

  4. 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

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAHİN SERHAT ŞEKER

  5. İletim hatlarında arıza yeri ve türünün geçici rejim sinyalleri ve makine öğrenme algoritmaları ile belirlenmesi

    Determination of fault location and fault type in transmission lines using transient signals and machine learning algorithms

    DÜZGÜN AKMAZ

    Doktora

    Türkçe

    Türkçe

    2017

    Elektrik ve Elektronik Mühendisliğiİnönü Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET SALİH MAMİŞ