Identification and localization of high impedance faults in distribution networks
Dağıtım şebekelerindeki yüksek empedans arızaların tespiti ve konumunun belirlenmesi
- Tez No: 937955
- Danışmanlar: DOÇ. DR. SUAT İLHAN, DR. ÖĞR. ÜYESİ GÜRKAN SOYKAN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 165
Özet
Yüksek empedanslı arızalar, düşük arıza akımları ve karmaşık özellikleri nedeniyle güvenilir güç sistemlerinin sağlanmasında önemli zorluklar oluşturmaya devam etmektedir. Yüksek empedans arızası, enerjili bir havai hat iletkeninin kopup zemine temas etmesi veya yakındaki ağaçların enerjili bir havai hat iletkenine temas etmesi gibi çeşitli senaryolarda meydana gelebilmektedir. Bu arızalar, genellikle koruma sistemleri için belirlenen eşik değerlerinden daha düşük genlikli arıza akımları üretmekte olup geleneksel koruma donanımlarına tarafından büyük oranda tespit edilememektedirler. Yüksek empedans arızalarının, ark ile ilişkili olması ve tespiti ile konumunun zor belirlenebilmesi nedeniyle yangın çıkarma ve şebeke donanımlarına zarar verme potansiyeline sahiptirler. Bu nedenle sadece enerji dağıtım şirketleri için değil insan ve çevre güvenliği açısından ciddi riskler oluşturmaktadır. Bu durum araştırmacıları kırk yıldan uzun süredir yüksek empedans arızalara odaklanmaya yöneltmiştir. Günümüze kadar yüksek empedans arızası kaynaklı sorunları tespit edip, azaltmayı amaçlayan çok sayıda çalışma yapılmıştır. Ancak, bu arızaları tespit etmek veya konumunu belirlemek için halen evrensel bir çözüm bulunamamıştır. Bu nedenle, tez kapsamında bir yandan yüksek empedans arızalarının daha iyi anlaşılması sağlarken bir yandan da özellikle konumunun noktasal olarak belirlenmesi için ekonomik ve uygulanabilir bir çözüm aranmıştır. Konunun çalışıldığı ilk yıllarda yüksek empedans arızalarının davranışları hakkında bilgi eksiklikleri bulunmaktaydı. Bu da konuyla ilgili yapılan tüm erken çalışmaların laboratuvar testlerinden veya sahada bilerek oluşturulan arızalardan elde edilen sinyallerin kullanılması yol açtı. Bu çalışmalar sayesinde araştırmacılar gerçek arıza sinyallerini analiz edebildiler ve yüksek empedans arızalarının temel özelliklerini belirleyebildiler. Bu benzersiz davranışlar tespit edildikten sonra ise, yüksek empedans arızalarının özelliklerinden bir veya birkaçını yansıtacak modellemeler önerildi. Sonraki ve günümüzde yapılan çalışmaların birçoğunda yüksek empedans arızalarını tespit edebilmek veya yerini belirlemek için önerilen bu modeller kullanıldı. Bunun iki temel nedeni bulunmaktadır. İlki saha ve laboratuvar testlerinin yapılmasındaki zorluklardır. Diğeri ise birçok durumun yüksek empedans arıza modelleri kullanılarak simülasyon ortamında incelenebilmesi ve yapılacak basit modifikasyonlar sayesinde yüksek empedans arıza modellerinin her dağıtım şebekesine uyum sağlayacak şekilde uyarlanabilmesidir. Ancak bu tür arızalarının etkilerini net bir şekilde incelemek için doğru ve tamamlanmış modellerin kullanılması önemlidir. Bu nedenle tezde, öncelikle yüksek empedans arızalarının özelliklerinin ayrıntılı bir açıklaması yapılmış ve önerilen yüksek empedans arıza modelleri yansıttığı özellikler ile beraber kronolojik olarak sunulmuştur. Yüksek empedans arızaları ile ilgili temel kavramlar incelenip net bir şekilde anlaşıldıktan sonra, tezde güç sistemlerinde yüksek empedans arızalarının tespiti ve konumunun belirlenmesiyle alakalı çalışmalara odaklanılmıştır. Her iki konu için de literatür kapsamlı bir şekilde araştırılmıştır. Önerilen yöntemlerde değerlendirilen sistem değişiklikleri, gürültü durumu, test şebekeleri ve kullanılan yüksek empedans arıza modeli gibi tüm önemli endeksler dikkate alınarak ayrıntılı olarak incelenmiştir. Ayrıca, tespit ve konum belirleme teknikleri artıları ve eksileri vurgulanarak kendi sınıfları içinde kategorize edilmiş ve karşılaştırılır. Son olaraksa, literatür incelemesi başlığı altında incelenen makalelerden elde edilen sonuçlar değerlendirilmiştir. Tezin üçüncü bölümünde ise, İstanbul Teknik Üniversitesi Fuat Külünk Yüksek Gerilim Laboratuvarı'nda gerçekleştirilen yüksek empedans arızası deneyleri ayrıntılı olarak anlatılmıştır. Yüksek empedans arızalarının temel özellikleri mevcut literatürde ana hatlarıyla belirtilmiş olsa da, bu arıza özelliklerinin gerçeğe yakın arıza senaryolarında da tutarlı bir şekilde gözlenip gözlenmediğini değerlendirmek oldukça önemlidir. Bu nedenle, gerçeğe yakın yüksek empedans arızalarının sinyallerini yakalamak için çeşitli temas yüzeylerinde kapsamlı laboratuvar deneyleri tasarlanmış ve yürütülmüştür. Deneysel kurulumun sınırlamaları nedeniyle laboratuvarda elde edilen yüksek empedans arıza akımlarının genlikleri genellikle sahada gözlemlenen bir arızanınkinden daha düşük olmaktadır. Fakat ilgili sinyallerin 4. Başlıkta açıklandığı gibi ölçekleme yapılarak simülasyonlarda kullanılmaları sayesinde, deneysel testlerden elde edilen sinyallerin kullanılmasındaki bu dezavantaj ortadan kaldırmıştır. Laboratuvar ölçümlerinden toplanan arıza verilerinin analizi ile de yüksek empedans arızasının doğası hakkında daha derin bir anlayış elde edilirken, bu tip arızalarının belgelenen özellikleri de doğrulanmıştır. Literatür taraması ve laboratuvar deneyleri yapıldıktan sonra, laboratuvarda kayıt altına alınan yüksek empedans arıza sinyallerinden de yararlanılarak yüksek empedans arızaların tespitinde kullanılmasını önerilen iki farklı özellik yaklaşımı test edildi ve karşılaştırıldı. Literatüre göre, yayınlanan tespit yöntemlerinin çoğu ümit verici sonuçlar verirken, makine öğrenimi yöntemleri üstün doğruluk göstermiştir. Bu nedenle, değişik özellik kümelerinin kullanılmasına ek olarak iki farklı makine öğrenimi algoritmasını da tez içerisinde inceledi. Ayrıca, yüksek empedans arızalarına benzer özellikler gösteren olaylar, laboratuvar ortaında elde edilmiş ve modellenmiş yüksek empedans arıza sinyalleriyle birlikte, yöntemlerin etkinliğini doğrulamak için simülasyonlara dahil edildi. Çalışmada ayrıca, makine öğrenmesi tekniklerinin farklı yapılandırmalarının, çeşitli ana dalgacıkların ve değişen gürültü seviyelerinin sonuçları nasıl etkilediği incelendi. Elde edilen sonuçlar, Yapay Sinir Ağları algoritmasının gürültülü ve temiz sinyaller üzerinde yüksek empedans arızalarını diğer olaylardan daha yüksek doğrulukla tespit ettiğini, özellik olarak kullanılan standart sapma yaklaşımının ise enerji toplamı yaklaşımından daha iyi performans ortaya koyduğu gösterdi. Bununla birlikte gerek laboratuvar ortamında elde edilmiş yüksek empedans arıza sinyallerinin kullanılmasının gerekse de sinyallere gürültü eklenmesinin, yöntemlerin genel performansında bir düşüşe yol açtığı gözlemlendi. Konum tespiti öncesi ilk adım olan yüksek empedans arızasının diğer arızalardan ayrıştırılması çalışıldıktan sonra, tez içerisinde yüksek empedans arızalarının noktasal konumunun belirlenmesi konusuna odaklanılmıştır. Yapılan çalışmalara göre, yüksek empedans arızalarını ayırt etmeye kıyasla onların konumunu bulmaya yönelik nispeten daha az çalışma yapılmıştır. Çalışmaların yaklaşık %80'i yüksek empedans arızalarının tam yerini belirlemek için empedans tabanlı yöntemler veya makine öğrenme teknikleri kullanmıştır. Son yıllarda, gerilim ve akım sinyallerinden elde edilen özellikleri kullanan makine öğrenimi yöntemleri daha düşük hata oranlarına sahip olmaları nedeniyle popülerlik kazanmıştır. Ancak, bu çalışmalardan hiçbiri özellik seçimi için herhangi bir yöntem uygulamamış veya seçtikleri özellikler için bir gerekçe sunmamıştır. Bu nedenle tezde özellik seçimi tekniklerinin yüksek empedans arızalarının konum tespiti üzerindeki etkisinin araştırılması amaçlanmıştır. Bu kapsamda öncelikle yüksek empedans arızalarının akım dalga formları benzetim çalışmaları yardımıyla elde edilmiştir. Daha sonrasında ise akım sinyallere yedi seviye ayrık dalgacık dönüşümü uygulanmış ve her bir farklı dalgacık katsayıları için beş istatistiksel parametre hesaplanarak toplamda kırk adet özellik elde edilmiştir. Bu istatistiksel paremetreler; standart sapma, varyans, çarpıklık, basıklık ve enerji içeriğinin toplamıdır. Daha sonra oluşturulan özellik havuzuna, özellik seçim yöntemleri uygulanmış ve seçilen özellik alt kümeleri ile eğitilen yapay sinir ağlarının sonuçları değerlendirilmiştir. Her bir özellik seçme yönteminden önerilen özellikler yapay sinir ağlarda 250 kez test edilmiş ve değerlendirmelerde tüm sonuçların ortalamaları dikkate alınmıştır. Yapılan değerlendirmelere göre, yapay sinir ağlarının yapısı aynı olduğunda sarmal yöntemler diğer özellik seçimi yapan yöntemlerinden daha iyi performans göstermiştir. Ancak, rastgele orman yönteminin önerdiği özelliklerin kullanıldığı durumlarda, farklı yapay sinir ağları yapılandırmaları için tutarlı bir şekilde daha düşük hata mesafelerine ulaşıldığı ve gürültülü koşullar altında bile test verilerinde daha yüksek doğruluklar elde edildiği görülmüştür. Genel bir değerlendirme yapıldığında ise tüm özellik seçimi yöntemleri, gürültülü koşullarda bile hesaplama karmaşıklığını başarıyla azaltmış ve yöntem doğruluğunu arttırmıştır. Dahası, bu yöntemlerin verilerdeki önemli ve alakasız olarak tanımlanabilecek özellikleri de başarıyla ayrıştırabildiği gözlemlenmiştir. Mevcut yayınlarda eksik kalan alanları tamamlamayı hedefleyerek, yüksek empedans arızalarının tespiti ve konumlandırılması kapsamında yapılan çalışmaların ardından, tez içerisinde yüksek empedans arızasının meydana geldiği arızalı şebeke dalını ve konumunu doğru bir şekilde hesaplayabilen veriye dayalı yeni bir yüksek empedans arızası konum belirleme yöntemi önerilmiştir. Bu yenilikçi teknik, yürüyen dalga yaklaşımı, Ayrık Dalgacık Dönüşümü ve makine öğrenmesi yöntemi kullanmaktadır. Yayınlarda yaygın olarak kullanılması nedeniyle önerilen metodoloji içerisinde de kullanılan makine yöntemi olarak yapay sinir ağları seçilmiştir. Normalde yürüyen dalga yöntemlerini kullanarak arıza mesafesini doğru bir şekilde tahmin etmek için her yansıyan ve kırılan yürüyen dalgayı tanımlamak gerekmektedir. Ancak bu yöntemin direkt olarak kullanımı özellikle birden fazla kısa dala sahip dağıtım şebeklerinde oldukça zor olabilmektedir. Bu nedenle, arıza konum mesafesini etkili bir şekilde tahmin etmek için önerilen yöntemde yapay sinir ağları girdisi olarak akım sinyali üzerinden kolayca ayırt edilebilecek belirli sayıdaki seçilmiş yürüyen dalga bilgisi kullanılmaktadır. Bu seçim sürecini, yürüyen dalga ve makine öğrenimi tekniklerinin kombinasyonunu ile birlikte kullanarak her yöntemin belirli zayıflıklarının üstesinden gelmek amaçlanmıştır. Önerilen yaklaşım, sağlamlığını ve verimliliğini doğrulamak için farklı arıza başlangıç açıları, makine öğrenme teknikleri, yük değişimleri, aşırı yüklenme koşulları ve dağıtım şebekeleri dikkate alınarak birden fazla senaryo için değerlendirilmiştir. Elde edilen bulgular, önerilen yöntemin hatalı şebeke dalını belirlemede yüksek doğruluk sergilediğini ve arızanın meydana geldiği yerin mesafesinin hesaplanmasında minimum hata oranına sahip olduğu göstermiştir.
Özet (Çeviri)
High impedance faults continue to pose significant challenges in ensuring reliable power systems due to their low fault currents and complex characteristics. HIFs can occur in various scenarios, such as when a live conductor breaks and either contacts the ground or nearby trees touching an energized overhead line conductor. These faults usually generate fault currents with lower amplitudes than the threshold values set for protection systems and are largely undetectable by traditional protection equipment. Due to their arcing nature and difficulty in detection and location, high impedance faults have the potential to cause fires and damage network equipment. Therefore, they pose serious risks not only for energy distribution companies but also for human and environmental safety. This situation has prompted researchers to focus on high impedance faults for over forty years. To date, numerous studies have been conducted to explore and mitigate HIF-related problems caused by high impedance faults. However, a universal solution for detecting or locating HIFs remains absent. Therefore, an economical and applicable solution, especially for the localization of HIFs, was sought within the thesis while enhancing the understanding of HIFs. In the early years, when the subject was studied, there was limited information available about the behaviors of HIFs. This led all early studies on the subject to use signals obtained from laboratory tests or staged faults in the field. Through these efforts, researchers were able to analyze actual fault signals and identify the key characteristics of HIFs. Once these unique behaviors were recognized, models that replicate one or more behaviors of HIFs were proposed. Most subsequent studies have utilized these proposed models to identify or locate HIFs. There are two main reasons for this. First, conducting field and laboratory tests can be quite challenging. The other is that many scenarios can be explored within a simulation environment using HIF models, which can be easily adapted to fit various distribution networks through simple modifications. However, it is essential to employ accurate and complete models to examine clearly the influences of such faults. Thus, the thesis presents a detailed explanation of HIF characteristics and proposed HIF models with their represented behaviors in chronological order after the introduction section. After examining and clearly understanding the fundamental concepts of HIF, the thesis shifts its focus to studies related to the detection and localization of HIFs within power systems. Comprehensive literature reviews were conducted for both topics. The proposed methods were described in detail, considering all key indices, such as system changes, noise conditions, test networks, and the HIF model. In addition, detection and localization techniques were categorized and compared within their classes, emphasizing their pros and cons. Finally, outcomes from the analyzed articles were addressed under the literature review section. In the third section of the thesis, the HIF experiments carried out in Istanbul Technical University Fuat Külünk High Voltage Laboratory are described in detail. While the main characteristics of HIF have been outlined in existing literature, it is crucial to assess whether these fault characteristics are observed consistently in real fault scenarios. Therefore, extensive laboratory experiments on HIF were designed and executed on various contact surfaces to capture realistic HIF signals. Due to the limitations of the experimental setup, the amplitudes of HIF currents obtained in the laboratory are typically lower than those of a fault observed in the field. However, by scaling the relevant signals as described in Section 4 and using them in simulations, the drawbacks of utilizing signals obtained from experimental tests have been eliminated. Through the analysis of the fault data collected from the laboratory measurements, a deeper understanding of the nature of HIF was achieved while the documented characteristics of HIF were validated. After performing a literature review and laboratory experiments, two different feature approaches for HIF detection were tested and compared by utilizing HIF signals captured in the laboratory. According to the literature, most published detection methods have yielded promising outcomes, while machine learning methods have demonstrated superior accuracy. Therefore, in addition to employing a different set of input features, two distinct machine-learning algorithms were analyzed in the thesis. Furthermore, events exhibiting similar characteristics to HIFs, along with HIF signals obtained in the laboratory and modeled, were included in the simulations to verify the effectiveness of the methods. The study also examined how different configurations of machine learning techniques, various mother waves, and varying noise levels affect the results. Findings indicated that the ANN algorithm produced more accurate detection results for noisy and clean signals, while the standard deviation approach used as input features outperformed the energy sum approach. However, it was observed that both using HIF signals obtained in a laboratory environment and adding noise to the signals caused a reduction in the overall performance of the methods. After studying distinguishing HIFs from other faults, which is the first step before localization, the thesis focuses on pinpointing the location of HIFs accurately. According to the conducted studies, there have been relatively few studies on locating HIFs compared to distinguishing them. Approximately 80% of studies have employed either impedance-based methods or machine learning techniques to pinpoint the exact location of HIFs. In recent years, machine learning methods that utilize features extracted from voltage and current signals have gained popularity due to their lower error rates. However, none of these studies have implemented any feature selection method or provided a rationale for their chosen features. Therefore, it is aimed to investigate the influence of feature selection techniques on HIF localization in the thesis. In this context, firstly, current waveforms of high impedance faults were obtained with the help of simulation studies. Then, a seven-level discrete wavelet transform was applied to the current signals, and five statistical parameters were calculated for each wavelet coefficient, resulting in a total of 40 features. These statistical parameters are standard deviation, variance, skewness, kurtosis, and the sum of energy content. Feature selection methods were then applied to the created feature pool, and the performance of ANNs trained with the selected feature subsets was evaluated. The features proposed from each feature selection method were tested 250 times on artificial neural networks, and the averages of all results were taken into account in the evaluations. Based on the comparisons, wrapper methods outperformed others when the ANN settings were the same. However, features chosen by the random forest method consistently achieved lower error distances across different ANN configurations and demonstrated higher accuracies in test data, even under noisy conditions. Overall, all feature selection methods successfully reduced computational complexity and enhanced accuracy, even in noisy conditions. Furthermore, it was observed that these methods could successfully identify significant and irrelevant features within the data. Following an assessment of available detection and localization methods by aiming to complete the missing areas in existing publications, this thesis proposes a new data-driven HIF location method that can identify the faulty branch associated with HIF and accurately pinpoint its location in a distribution network. This innovative method utilizes the traveling wave approach, Discrete Wavelet Transform (DWT), and machine learning technique. Since ANN is used commonly in localization studies, the proposed methodology incorporates this method as the chosen machine learning method. Normally, estimating the fault distance accurately using traveling wave methods requires identifying each reflected and refracted traveling wave. However, using this method directly can be challenging, especially in distribution networks with multiple short branches. Therefore, the proposed method utilizes information from a certain number of selected traveling waves that can be easily distinguished from the current signal in ANN. By employing this selection process alongside a combination of traveling wave and machine learning techniques, the aim was to overcome certain weaknesses of each method. The proposed approach has been evaluated across multiple scenarios, considering different inception angles, machine learning techniques, load variations, extreme conditions, and distribution networks to validate its robustness and efficiency. The findings indicate that the proposed method exhibits high accuracy in detecting the faulty network branch and has a minimal error rate in calculating the distance of the fault location.
Benzer Tezler
- Design and simulation of microstrip antenna with tuneable notch-band characteristic for uwb applications based on graphene material
Grafen malzemesine dayalı UWB uygulamaları için ayarlanabilir çintik bandı karakteristikli mikro şerit anten tasarımı ve simülasyonu
ZAINAB RAWAN ABDULRAHEEM ALOBAIDI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SEFER KURNAZ
- Renal hücreli karsinomda substans p düzeyi ile substans P'yi parçalayan enzimlerin aktivitesindeki değişimin kanserin fenotipi ve prognozu ile ilişkisi
Association of renal cell carcinoma phenotype and prognosis with differential changes of substance p and substance P degrading enzyme levels
TÜMAY İPEKÇİ
- İntraserebral kanamalarda kanama lokalizasyonunun ve yayılımının prognoza etkisi
The effect of localization and spread of intracerebral hemorrhages on prognosis
AYGUL RASULOVA
Tıpta Uzmanlık
Türkçe
2021
NörolojiSağlık Bilimleri ÜniversitesiNöroloji Ana Bilim Dalı
DOÇ. DR. HÜLYA ERTAŞOĞLU TOYDEMİR
- Matriks yardımlı lazer desorpsiyon/iyonlaşmalı kütle spektrometrisinde yapılacak proteolitik parçalanma temelli proteomik çalışmaları için, enzim immobilize edilmiş sol-jel yüzeylerin geliştirilmesi
Development of proteolytic enzyme immobilized sol-gel target surfaces for digestion based proteomic studies in matrix-assisted laser desorption/ionization mass spectrometry
ÖZLEM DEMİREL
- Hava araçlarında yapısal sağlık izlemesi için mekanolüminesans malzemenin geliştirilmesi
Development of mechanoluminescent material for structural health monitoring in aircraft
ONUR ÖZDAĞ
Yüksek Lisans
Türkçe
2025
Metalurji Mühendisliğiİstanbul Teknik ÜniversitesiMalzeme Bilimi ve Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NURİ SOLAK