Hidroelektrik santrallerinde gerçek zamanlı verilere dayalı arıza tahmin etmek ve önlemek için makine öğrenmesi temelli kontrol sistemi geliştirilmesi
Developing a machine learning based control system to predict and prevent failures in hydroelectric power plants based on real-time data
- Tez No: 947946
- Danışmanlar: PROF. DR. HÜSEYİN DEMİREL
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 263
Özet
Son yıllarda, algoritmalar, geleneksel kontrol sistemlerinin geliştirilmesinde önemli bir rol oynamaya başlamış, bu sistemlerin performansını artırmış ve daha doğru ve verimli hale getirmiştir. Algoritmaların, kontrol sistemlerinin hataları gerçekleşmeden önce yüksek doğrulukla tahmin etme ve bunlardan kaçınma yeteneği, büyük önem taşıyan ve yüksek verimli bir süreç olmasından dolayı, bu tür sistemlerin başarısını önemli ölçüde artırmıştır. Bu da felaket hatalarının önlenmesini sağlar. 2019 yılında, dünya genelindeki toplam elektrik üretiminin %16'sından fazlası hidroelektrik santrallerinden sağlanmıştır. Tipik bir hidroelektrik santralinin çekirdeğini türbinler oluşturur. Türbinler, suyun içinden geçerken yüksek seviyelerde basınca, titreşime, yüksek sıcaklıklara ve hava boşluklarına maruz kalmaktadır. Suyun türbin kanatlarından geçerken, bu ani artışlar nedeniyle tonlarca ağırlığındaki türbin kanatları kırılabilmektedir. Bu, yol açtığı büyük hasar nedeniyle trajik bir kazadır.Bu araştırma, hidroelektrik santrallerinin kontrol sistemlerini yapay zeka kullanarak geliştirmeyi amaçlamaktadır. Bu sayede, bu santrallerin durumunu etkileyen tüm faktörlere dair gerçek bir veritabanına dayalı olarak durumu doğru bir şekilde tahmin edebilmek ve bu sonuçları, türbinlerin çalışmasını kontrol etmek için kullanarak herhangi bir hasarı önlemek mümkün olacaktır. Bu santrallerin gelecekteki durumuna dair tipik bir prediktif modelin kontrol sistemiyle entegrasyonu, türbin kanadı kırılmalarını ve güç santrallerindeki felaket kazalarını, bunların neden olduğu hasarları önlemenin, bu santrallerin ömrünü artırmanın, ani kapanmaları engellemenin ve elektrik enerjisi üretiminde istikrarı sağlamanın önemini taşımaktadır. Bu sistemi ayıran özellik, santrallerde kullanılan izleme ve kontrol sistemleriyle entegrasyon olasılığına sahip olması ya da bir GUI tabanlı bağımsız entegre bir sistem olarak kullanılabilmesidir. Bu çalışmada, hidroelektrik santralinin durumunu tahmin etmek, hatayı oluşmadan önce tespit etmek ve önlemek amacıyla yapay sinir ağı algoritmaları (RNN ve LSTM) kullanılmıştır. Yapılan testler sonrasında, LSTM algoritması, en yüksek doğruluk ve en düşük hata açısından en iyi sonuçları elde etmiştir. Sonuçlara göre, LSTM modeli %99.55 doğruluk, 0.0072 ortalama kare hata (MSE) ve 0.0053 ortalama mutlak hata (MAE) elde etmiştir.
Özet (Çeviri)
In recent years, algorithms have begun to play a pivotal role in developing traditional control systems, improving their performance, and making them more accurate and efficient due to their importance and high efficiency in the prediction process, which enables control systems to know errors before they occur with high accuracy and avoid them, which avoids catastrophic errors. In 2019, more than 16% of the world's total electricity production was provided by hydroelectric power plants. The core of a typical hydroelectric power plant is the turbine. Turbines are exposed to high levels of pressure, vibration, high temperatures, and air gaps as water passes through them. Turbine blades weighing several tons break due to these sudden increases, which is a tragic accident due to the enormous damage they cause. This research aims to develop hydroelectric power plant control systems using artificial intelligence to accurately predict the status of these stations based on a real database stored for all factors affecting the status of these stations and use this result to control the operation of the turbines to avoid any damage. The importance of having a typical predictive model for the future status of these plants integrated with the control system lies in avoiding turbine blade breakage and catastrophic accidents in power plants and the resulting damage, increasing the life of these plants, avoiding sudden shutdown, and ensuring stability in the generation of electrical energy. What distinguishes this system is the possibility of integrating it with the monitoring and control systems used in these plants or using it as a separate integrated system based on a GUI. In this study, artificial neural network algorithms (RNN and LSTM) are used to predict the status of the hydropower plant, identify the error before it occurs, and avoid it. After testing, the LSTM algorithm achieved the greatest results in terms of the highest accuracy and the lowest error. According to the results, the LSTM model achieved an accuracy of 99.55%, a mean square error (MSE) of 0.0072, and a mean absolute error (MAE) of 0.0053.
Benzer Tezler
- Optimal site selection of wind power plants using geographic information systems and best worst method: A case study in İzmir
Coğrafi bilgi sistemleri ve en iyi-en kötü yöntemi kullanılarak rüzgar enerjisi santralleri için optimal yer seçimi: İzmir örneği
ABDULLAH DORUK GÖKKAYA
Yüksek Lisans
İngilizce
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TURAN ERDEN
- Hidroelektrik santrallerde enerji yönetimi ve optimizasyonu için gerçek zamanlı bir dijital ikiz modeli tasarımı ve uygulaması
Design and application of a real-time digital twin model for energy management and optimisation in hydroelectric power plants
MUSTAFA ERSAN
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERDAL IRMAK
DOÇ. DR. TEVFİK KUTAY ÇELEBİOĞLU
- Olasılık sinir ağı kullanarak alternatör arızalarının tespiti
Fault diagnosis of alternators using probabilistic neural network
EMEL KOÇAK
Yüksek Lisans
Türkçe
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
DOÇ. DR. RAİF BAYIR
- Hidroelektrik santrallerde kavitasyon durumunu gerçek zamanlı izleyen uygulama geliştirilmesi
Başlık çevirisi yok
KAMURAN SEÇKİN
Yüksek Lisans
Türkçe
2018
EnerjiBeykent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. TURHAN KARAGÜLER