Geri Dön

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

PDF İndir

  1. Tez No: 892154
  2. Yazar: YASMIN NASSER MOHAMED
  3. Danışmanlar: PROF. DR. ŞAHİN SERHAT ŞEKER
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Eğitimi Bilim Dalı
  13. Sayfa Sayısı: 176

Özet

Elektrik güç sistemleri günlük faaliyetlerin, ekonomik büyümenin ve toplumsal ilerlemenin sürdürülmesi için gereklidir. Ancak elektriğe olan talep arttıkça bu sistemler daha karmaşık hale gelmekte ve arızalara ve bozulmalara yatkın olmaktadır. Arızalar, standart çalışma koşullarından beklenmedik sapmalar olup, operasyonları kesintiye uğratabilir, önemli bakım maliyetlerine neden olabilir ve derhal ele alınmazsa sistem arızalarına yol açabilir. Bu anlamda güç sistemlerindeki arızaların %85'inden fazlasından sorumlu olan iletim hatları özellikle kritik durumdadır. İletim hatlarındaki yaygın arızalar açık devre ve kısa devre arızalarını içerir. Açık devre arızaları güç akışını bozar ve mekanik stres, çevresel faktörler, eskiyen altyapı veya operasyonel hatalar nedeniyle voltaj dalgalanmalarına neden olur. Kısa devre arızaları düşük empedanslı yollar oluşturarak akım dalgalanmalarına neden olur ve ekipman hasarı, sistem kararsızlığı, elektrik kesintileri, yangın ve patlama gibi güvenlik tehlikelerine yol açar. Gürümüzde elektrik güç sistemlerinde bakım stratejilerinin gelişimi, reaktif yöntemlerden daha çok proaktif yöntemlere doğru kaymış ve durum izleme sistemleri çok önemli bir rol kazanmıştır. Bu sistemler, bozulma, hata veya arızaların erken belirtilerini tespit etmek için elektrikli ekipmanın performansını ve durumunu sürekli olarak izler. Etkili durum izleme, çeşitli sensörler ve cihazlar aracılığıyla gerçek zamanlı verilerin toplanmasını içerir ve bu veriler daha sonra gelişmiş arıza tespit ve sınıflandırma algoritmaları kullanılarak işlenir. Arıza tespitinin ve sınıflandırmasının etkili bir şekilde yapılması, arıza süresinin en aza indirilmesi ve güç sistemlerinin güvenilirliğinin ve güvenliğinin sağlanması için çok önemlidir. Gelişmiş teknolojiler ve sürekli izleme, arızaların etkisini azaltmada ve elektrik enerjisi altyapısının genel sağlığını korumada hayati bir rol oynamaktadır. Bunlar, yüksek enerji potansiyeline sahip olmasına rağmen kendi enerji üretiminin olmaması nedeniyle elektrik enerji ihtiyacı için büyük ölçüde Etiyopya'ya bağımlı olan Cibuti gibi gelişmekte olan ülkeler için özellikle önemlidir. Bir milyonluk nüfusu ve %55'lik elektrifikasyon oranıyla Cibuti, 2035 yılına kadar %100 elektrifikasyona ulaşmayı hedeflemektedir. Ancak Cibuti Elektrik Kurumu (EDD) tarafından yönetilen elektrik sistemi, eski teknolojisi nedeniyle önemli güvenilirlik ve verimlilik sorunlarıyla karşı karşıyadır. Sistem, plansız kesintiler nedeniyle dağıtılamayan toplam enerjinin (END) yaklaşık %85'i ile sık sık operasyonel kesintiler ve plansız kesinti sürelerinden muzdariptir. Mevcut reaktif bakım uygulamaları ise yüksek maliyetlere, uzun süreli kesintilere ve önemli ekonomik kayıplara neden olmaktadır. Dalgacık dönüşümleri ve makine öğrenimi gibi modern yöntemleri kullanarak gelişmiş durum izleme stratejilerinin uygulanması, Cibuti elektrik güç sisteminin güvenilirliğini ve verimliliğini önemli ölçüde artırabilir. Bu stratejiler, potansiyel arızaların proaktif olarak tespit edilmesini ve çözülmesini sağlayarak kesinti sürelerini azaltır ve sistem işlevselliğini artırır. Bu tez, sağlam arıza tespit ve sınıflandırma modelleri oluşturarak bu gelişmiş teknolojilerin Cibuti bağlamında uygulanmasını araştırmakta ve doğrulamaktadır. Bu çalışma, bu zorlukları ele almak için üç model geliştirmiştir bu modellerin: ikisi arıza tespiti ve biri arıza sınıflandırması içindir. Modeller, MATLAB/SIMULINK kullanılarak çeşitli arıza senaryolarını değerlendirmek için Cibuti elektrik şebekesinde gerçekleştirilen simülasyonla toplanan verileri kullanmaktadır. Simülasyon, kısa devre koşullarının, özellikle de üç fazlı arızaların, güç sistemi üzerindeki etkilerini gözlemlemek için farklı ayarlar altında modellenmesini içermektedir. Tek hattan toprağa, çift hattan toprağa ve hattan hatta dahil olmak üzere arıza türleri sınıflandırılmış ve sistemin gerilim ve akım kararlılığı üzerindeki etkilerini değerlendirmek için simüle edilmiştir. Cibuti elektrik şebekesinde kullanılan ilk arıza tespit modelinde, durağan olmayan sinyal analizi için Kısa Zamanlı Fourier Dönüşümü (STFT) kullanılmaktadır. Bu yöntem, arıza özelliklerinin hassas ve gerçek zamanlı bir şekilde değerlendirilmesini sağlamaktadır. STFT, tek faz toprak (SLG), iki faz toprak (DLG) ve üç fazlı arızalar gibi çeşitli arıza türlerine odaklanarak, her bir arıza türünün güç sisteminin güvenilirliği ve verimliliği üzerindeki belirli etkilerini ayırt etmeye yardımcı olur. STFT analizinden elde edilen simülasyon sonuçları, üç fazlı ve DLG arızalarının, arıza giderildikten sonra belirli yüksek frekanslı bileşenler sergilediğini ve önemli geçici cevap biçimlerini ortaya koymaktadır. Buna karşılık, SLG arızaları daha düşük genlikli geniş bir frekans bandı sergileyerek daha az belirgin bir geçici davranışa işaret etmektedir. Bununla birlikte, STFT'nin sabit boyutlu penceresi, SLG arıza özelliklerinin tüm spektrumunu yakalamada sınırlamalar getirmekte, arıza tespit doğruluğunu artırmak ve sistemin teşhis yeteneklerini geliştirmek için dalgacık dönüşümleri gibi daha duyarlı tekniklerin gerekli olabileceğini düşündürmektedir. İkinci arıza tespit modeli, iletim hatlarındaki küçük, görünmeyen kusurları tespit etme zorluğunu ele almaktadır. Hibrit dalgacık dönüşümü yaklaşımını kullanan yeni bir arıza tespit metodolojisi kullanmaktadır. Cibuti elektrik şebekesi için tasarlanan bu metodoloji, kısa devre arızaları ve geçici olayların neden olduğu anormal voltaj sinyallerinin tespitini geliştirmek için Durağan Dalgacık Dönüşümü (SWT) ve Sürekli Dalgacık Dönüşümünü (CWT) birleştirir. Süreç, SWT kullanılarak sinyallerin detay ve yaklaşım katsayılarına ayrıştırılmasıyla başlar. Shannon'un Bilgi Kriteri (SIC) sinyal özelliklerini temsil etmek ve aşırı uyumu etkili bir şekilde önlemek için en uygun ayrıştırma seviyesini belirler. Sinyaller daha sonra Cebirsel Toplama İşlemi (ASO) kullanılarak yeniden yapılandırılır, bu da küçük kusurları güçlendirerek sonraki CWT uygulaması için daha görünür hale getirir. Sürekli Dalgacık Dönüşümü (CWT) daha önce tespit edilemeyen frekans bileşenlerini, özellikle de 12., 13., 14. ve 16. bileşenleri ortaya çıkarmıştır. Bu yaklaşımın etkinliği, güç sistemlerinde meydana geldiği bilinen belirli harmonik bozuklukları taklit etmek için tasarlanmış yapay sinyalleri kullanan simülasyonlar aracılığıyla doğrulanmıştır. Simülasyon çeşitli arıza senaryolarını değerlendirerek hibrit yöntemin arıza türlerini başarılı bir şekilde tespit ve analiz edebildiğini ortaya koymaktadır. Bu kapsamlı yaklaşım, güç sisteminin istikrarını ve güvenilirliğini korumak için çok önemli olan hassas arıza tespiti ve karakterizasyonuna olanak tanır. Elektrik güç sistemlerinde arıza sınıflandırması, özellikle Cibuti güç sistemi için makine öğrenimi tekniklerinin geleneksel yöntemlere göre avantajlarını da vurgulamaktadır. Bu çalışmada üç makine öğrenimi sınıflandırıcısı tanıtılmaktadır: Karar Ağaçları (DT), Uzun Kısa Vadeli Bellek (LSTM) ağları ve Destek Vektör Makineleri (SVM). Metodoloji, aşırı örnekleme kullanarak veri ön işleme, Ayrık Dalgacık Dönüşümü (DWT) yoluyla özellik çıkarma ve k-kat çapraz doğrulama yoluyla değerlendirmeyi içerir. Bulgular, özellikle polinom çekirdeği ile SVM'nin sınıflandırıcılar arasında en yüksek doğruluk ve kesinliğe ulaştığını göstermektedir. Daha az doğru olmasına rağmen, DT yüksek yorumlanabilirlik sağlar ve parametre ayarlaması ile gelişebilir. LSTM, genel etkinliği SVM'den biraz daha az olsa da mükemmel başarım göstererek sıralı verilerle iyi bir performans gösterir. Her sınıflandırıcının performansı karışıklık matris hesabı kullanılarak analiz edilmiş ve farklı hata türlerini ele almadaki güçlü ve zayıf yönleri ortaya çıkarılmıştır. Bu bölüm, gelişmiş makine öğrenimi tekniklerinin entegre edilmesinin arıza teşhisini ve sistem güvenilirliğini önemli ölçüde artırdığı sonucuna varmakta ve arıza sınıflandırma görevinin özel ihtiyaçlarına göre özel bir sınıflandırıcı seçimini sağlamaktadır. Böylece bu çalışma ile güç sistemlerinin istikrarını ve verimliliğini korumada durum izleme, arıza tespiti ve sınıflandırmanın önemi vurgulanmaktadır. Sürekli izleme, erken arıza tespiti ve zamanında bakım yapılmasını sağlayarak plansız kesintileri önler ve ekipman ömrünü uzatır. İnsansız hava araçları (İHA'lar), IoT cihazları ve makine öğrenimi algoritmaları gibi gelişmiş teknolojilerin entegre edilmesi, arıza yönetimi stratejilerinin etkinliğini artırmaktadır. Sonuç olarak, gelişmiş durum izleme, arıza tespit teknikleri ve sofistike arıza sınıflandırma modellerinin uygulanması, Cibuti'deki güç sistemlerinin güvenilirliğini ve verimliliğini önemli ölçüde arttırabilir. Gelecekteki çalışmalar, arıza sınıflandırma doğruluğunu ve güvenilirliğini daha da arttırmak için bu sınıflandırıcıları hibrit bir modele entegre etmeyi keşfetmelidir. Daha istikrarlı, verimli ve sağlam bir enerji altyapısı sağlamak için akıllı veri toplama ve karar verme robotları gibi pratik uygulamalar da geliştirilebilir.

Özet (Çeviri)

Electrical power systems are essential for sustaining daily activities, economic growth, and societal advancement. However, as the demand for electricity increases, these systems become more complex and prone to faults and disturbances. Faults are unexpected deviations from standard operating conditions that can disrupt operations, incur significant maintenance costs, and lead to system failures if not addressed promptly. Transmission lines, responsible for over 85% of faults in power systems, are particularly vulnerable. Common faults in transmission lines include open circuit and short circuit faults. Open circuit faults disrupt power flow and cause voltage fluctuations due to mechanical stress, environmental factors, ageing infrastructure, or operational errors. Short circuit faults create low-impedance pathways that result in current surges, causing severe consequences such as equipment damage, system instability, power outages, and safety hazards like fires and explosions. The evolution of maintenance strategies in electrical power systems has shifted from reactive to more proactive methodologies, with condition monitoring systems playing a crucial role. These systems continuously monitor the performance and status of electrical equipment to detect early signs of deterioration, faults, or failures. Effective condition monitoring involves collecting real-time data through various sensors and devices, which is then processed using advanced fault detection and classification algorithms. Ensuring effective fault detection and classification is essential for minimising downtime and ensuring the reliability and safety of power systems. Advanced technologies and continuous monitoring play a vital role in mitigating the impact of faults and maintaining the overall health of electrical power infrastructure. These are particularly important for developing countries like Djibouti, which relies heavily on Ethiopia for electricity due to its lack of self-energy production despite having high energy potential. With a population of one million and an electrification rate of 55%, Djibouti aims to achieve 100% electrification by 2035. However, due to an outdated maintenance framework, Djibouti's power system, managed by the Electricity of Djibouti (EDD), faces significant reliability and efficiency challenges. The system suffers from frequent operational disruptions and unscheduled downtimes, with approximately 85% of the total Energy not Distributed (END) due to unplanned outages. Current reactive maintenance practices result in high costs, extended outages, and substantial economic losses. Implementing advanced condition monitoring strategies using modern technologies like wavelet transforms and machine learning can significantly enhance the reliability and efficiency of Djibouti's electrical power systems. These strategies enable proactive identification and resolution of potential faults, reducing downtimes and improving system resilience. This thesis explores and validates the application of these advanced technologies in Djibouti's context, establishing robust fault detection and classification models. This study developed three models to address these challenges: two for fault detection and one for fault classification. The models use the data collected by the simulation conducted on the Djibouti power grid to evaluate various fault scenarios using MATLAB/SIMULINK. The simulation involved modelling short-circuit conditions, specifically three-phase faults, under different settings to observe their effects on the power system. Fault types, including single line-to-ground, double-line-to-ground, and line-to-line, were classified and simulated to assess their impact on the system's voltage and current stability. The first fault detection model employed in the Djibouti power grid utilises the Short-Time Fourier Transform (STFT) for non-stationary signal analysis. This method is instrumental in providing a sensitive and real-time assessment of fault characteristics. By focusing on various types of faults, such as single-line-to-ground (SLG), double-line-to-ground (DLG), and three-phase faults, STFT helps distinguish the specific impacts of each fault type on the power system's reliability and efficiency. The simulation results from the STFT analysis reveal that three-phase and DLG faults display specific high-frequency components upon fault clearance, highlighting their significant transient nature. Conversely, SLG faults exhibit a broad frequency band with lower amplitude, indicating a less distinct transient behaviour. However, the fixed-size window of the STFT poses limitations in capturing the full spectrum of SLG fault characteristics, suggesting that more refined techniques, such as wavelet transforms, may be necessary to improve fault detection accuracy and enhance the system's diagnostic capabilities. The second fault detection model addresses the challenge of detecting minor, unseen defects in transmission lines. It employs a novel fault detection methodology utilising a hybrid wavelet transform approach. This methodology, intended for the Djibouti power grid, combines Stationary Wavelet Transform (SWT) and Continuous Wavelet Transform (CWT) to enhance the detection of abnormal voltage signals caused by short-circuit faults and transient phenomena. The process begins with the decomposition of signals into detail and approximation coefficients using SWT. Shannon's Information Criterion (SIC) determines the optimal decomposition level to represent signal features and prevent overfitting effectively. The signals are then reconstructed using an Algebraic Summation Operation (ASO), which amplifies minor defects, making them more visible for the subsequent application of CWT. The Continuous Wavelet Transform (CWT) revealed previously undetectable frequency components, specifically the 12th, 13th, 14th, and 16th components. The effectiveness of this approach is validated through simulations that use artificial signals designed to mimic specific harmonic disturbances known to occur in power systems. The simulation evaluates various fault scenarios, revealing that the hybrid method can detect and analyse fault types successfully. This comprehensive approach allows for precise fault detection and characterisation, which is crucial for maintaining the stability and reliability of the power system. The fault classification in electrical power systems highlights the advantages of machine learning techniques over traditional methods, particularly for the Djibouti power system. It introduces three machine learning classifiers: Decision Trees (DT), Long Short-Term Memory (LSTM) networks, and Support Vector Machines (SVM). The methodology involves data pre-processing using oversampling, feature extraction via Discrete Wavelet Transform (DWT), and evaluation through k-fold cross-validation. The findings show that SVM, particularly with a polynomial kernel, achieves the highest accuracy and precision among the classifiers. Though less accurate, DT provides high interpretability and can improve with parameter tuning. LSTM performs well with sequential data, showing excellent specificity, though its overall effectiveness is slightly less than that of SVM. Each classifier's performance is analysed using confusion matrices, revealing their strengths and weaknesses in handling different fault types. The chapter concludes that integrating advanced machine learning techniques significantly enhances fault diagnosis and system reliability, advocating for a tailored choice of classifier based on the specific needs of the fault classification task. The importance of condition monitoring, fault detection, and classification in maintaining the stability and efficiency of power systems is underscored. Continuous monitoring allows for early fault detection and timely maintenance, preventing unplanned outages and extending equipment lifespan. Integrating advanced technologies such as unmanned aerial vehicles (UAVs), IoT devices, and machine learning algorithms enhances the effectiveness of fault management strategies. In conclusion, implementing advanced condition monitoring, fault detection techniques, and sophisticated fault classification models can significantly improve the reliability and efficiency of power systems in Djibouti. Future work should explore integrating these classifiers into a hybrid model to enhance fault classification accuracy and reliability further. Practical applications, such as intelligent data collection and decision-making robots, can be developed to ensure a more stable, efficient, and robust power infrastructure.

Benzer Tezler

  1. Tez No

    392973

    Condition monitoring and fault detection for induction motors by spectral trending and stationary wavelet analysis

    Spektral trend ve durağan dalgacık dönüşümü yardımıyla durum izleme ve arıza tanısı

    DUYGU BAYRAM

    Doktora

    İngilizce

    İngilizce

    2015

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAHİN SERHAT ŞEKER

  2. Tez No

    884109

    Neuro classifiers for condition and bearing health assessment of an electric motor

    Elektrik makinasında durum ve rulman sağlığı değerlendirmesi için nöro sınıflandırıcılar

    MINA GHORBAN ZADEH BADELI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DUYGU BAYRAM KARA

  3. Tez No

    338655

    Sabit mıknatıslı senkron motorda demagnetizasyon ve eksenden kaçıklık arızalarının tespiti

    Demagnetization and eccentricity faults detection in permanent magnet synchronous motor

    MUSTAFA EKER

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Elektrik ve Elektronik MühendisliğiGaziosmanpaşa Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. MEHMET AKAR

  4. Tez No

    724534

    Sensor validation and fusion for system monitoring

    Sistem gözetiminde sensör doğrulama ve bilgi birleştirme

    SADRA MOUSAVI

    Doktora

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAHİN SERHAT ŞEKER

  5. Tez No

    527966

    Arc-based modeling, condition monitoring and failure detection of on-load tap-changers

    Yük altında kademe değiştiricilerin ark tabanlı modellenmesi, durum izlenmesi ve arıza tespiti

    BEHNAM FEIZIFAR

    Doktora

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. ÖMER USTA

Geri Dön