A new model for fault identification approach in power transmission lines
Enerji nakil hatlarında arıza tespit yaklaşımında yeni bir model
- Tez No: 920675
- Danışmanlar: DR. ÖĞR. ÜYESİ İSA AVCI
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 145
Özet
Elektrikli araçların (EV) hızlı benimsenmesi ve hızlı şarj istasyonlarının (FCS) modern güç şebekelerine artan entegrasyonu, sistem kararlılığı ve güvenilirliği açısından önemli zorluklar ortaya çıkarmıştır. Voltaj düşmesi (VS), yüksek empedanslı arızalar (HIF) ve düşük empedanslı arızalar (LIF) gibi kritik sorunlar, sistemin işleyişini aksatmakta ve ciddi ekipman hasarlarına yol açabilmektedir. Bu çalışma, sekiz hızlı şarj istasyonunun (FCS) fotovoltaik (PV) sistemler ve ana şebeke desteğiyle eşzamanlı olarak çalıştığı IEEE-14 otobüs güç sistemi için özel olarak tasarlanmış yeni bir hiyerarşik koruma çerçevesi önermektedir. Çerçeve, karma bir makine öğrenimi yaklaşımı kullanmaktadır: Özellik çıkarımı için iki katmanlı bir otoenkoder (TLA), voltaj düşmesi (VS), yüksek empedanslı arızalar (HIF) ve düşük empedanslı arızalar (LIF) gibi başlangıç arıza kategorileri için Long Short-Term Memory (LSTM) ağları ve tek hat-toprak (LG), hat-hat-toprak (LLG), üç fazlı (LLL) ve üç fazlı-toprak (LLLG) arızaları gibi alt kategorilere sınıflandırma için Extreme Gradient Boosting (XGBoost). Önerilen yöntem, voltaj düşmesi tespitinde %99,8, yüksek empedanslı arızaların sınıflandırılmasında %96 ve düşük empedanslı arızaların sınıflandırılmasında %91 doğruluk oranı elde etmiştir. LSTM modeli, voltaj düşmesi için 1.00, düşük empedanslı arızalar için 0.96 hassasiyet ve voltaj düşmesi için 1.00, düşük empedanslı arızalar için 0.94 hatırlama oranlarıyla neredeyse kusursuz bir performans sergilemiştir. Ayrıca, çerçeve geliştirilmiş hesaplama verimliliği, ölçeklenebilirlik ve gürültüye karşı dayanıklılık sunarak gerçek zamanlı arıza tespiti ve sınıflandırması için güvenilir bir çözüm sağlamaktadır. Bu çalışma, yüksek FCS penetrasyonuna sahip modern güç şebekelerinde zeki arıza yönetim sistemlerinin geliştirilmesi için bir temel oluşturarak hem mevcut hem de gelecekteki zorluklara çözüm sunmaktadır.
Özet (Çeviri)
The rapid adoption of electric vehicles (EVs) and the increasing integration of fast-charging stations (FCS) into modern power networks have introduced significant challenges to system stability and reliability. Critical issues, such as voltage sag (VS), high impedance faults (HIF), and low impedance faults (LIF), disrupt system operations and can cause severe equipment damage. This study proposes a novel hierarchical protection framework tailored for an IEEE-14 bus power system with eight concurrently operating FCS supported by photovoltaic (PV) systems and the main grid. The framework employs a hybrid machine learning approach: a two-layer autoencoder (TLA) for feature extraction, Long Short-Term Memory (LSTM) networks for initial fault categorization into VS, HIF, and LIF, and Extreme Gradient Boosting (XGBoost) for refining fault classification into subcategories, including single-line-to-ground (LG), line-to-line-to-ground (LLG), three-phase (LLL), and three-phase-to-ground (LLLG) faults. The proposed methodology achieved 99.8% accuracy in voltage sag detection, 96% classification accuracy for high impedance faults (HIF), and 91% for low impedance faults (LIF). The LSTM model exhibited near-perfect precision (1.00 for VS, 0.96 for LIF) and recall rates (1.00 for VS, 0.94 for LIF), ensuring robust detection capabilities. Furthermore, the framework offers enhanced computational efficiency, scalability, and robustness to noise, making it a reliable solution for real-time fault detection and classification. This work provides a foundation for advancing intelligent fault management systems in modern power grids with high FCS penetration, addressing both current and future challenges.
Benzer Tezler
- İstanbul-Paşaköy-B.Bakkalköy arası enerji nakil hattı kamulaştırma bilgi sistemi pilot çalışması
Başlık çevirisi yok
NURAY BAŞ
Yüksek Lisans
Türkçe
1998
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiJeodezi ve Fotogrametri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GONCA COŞKUN
- Estimation of remaining useful life by using neural network method for lithium based batteries in aviation applications
Havacılıkta kullanılan lityum tabanlı bataryaların yapay sinir ağları ile ömür kestirmine katkılar
HÜSEYİN SELÇUK POLATÖZ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA AHMET KOCABAŞ
- Identification and localization of high impedance faults in distribution networks
Dağıtım şebekelerindeki yüksek empedans arızaların tespiti ve konumunun belirlenmesi
EREN BAHARÖZÜ
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SUAT İLHAN
DR. ÖĞR. ÜYESİ GÜRKAN SOYKAN
- Digital oil refinery: Utilizing real-time analytics and cloud computing over industrial sensor data
Başlık çevirisi yok
ATHAR KHODABAKHSH
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. İSMAİL ARI