Enerji iletim sistemlerinde arıza yeri ve türünün makine öğrenmesi teknikleri ile yüksek doğruluklu tespiti
High accuracy detection of fault location and type in power transmission systems using machine learning techniques
- Tez No: 988838
- Danışmanlar: PROF. DR. RAŞİT KÖKER, DOÇ. DR. NİHAT PAMUK
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sakarya Uygulamalı Bilimler Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yüksek gerilim enerji iletim hatlarında arıza tespiti, sınıflandırılması ve hassas arıza konumu belirleme işlemleri, modern güç sistemlerinin kararlılığı, güvenliği ve işletme verimliliği açısından kritik öneme sahiptir. Arızaların doğru ve zamanında tespit edilmesi, enerji kesintilerinin azaltılmasının yanı sıra, donanım hasarlarının ve sistem duruşlarının en aza indirilmesine katkı sağlamaktadır. Bu tez çalışmasında, şebekeye bağlı iki farklı iletken bulunduran bir iletim hattına ait karakteristik parametreler standart hat verileri kullanılarak hesaplanmıştır. Bu parametrelere ilişkilendirilerek simülasyon ortamında kapsamlı bir sentetik veri seti oluşturulmuştur. Veri seti, ilgili noktalarındaki ark direnci ve kısa devre gücü gibi değişkenleri içermekte olup, farklı arıza koşullarında çeşitli makine öğrenmesi ve derin öğrenme algoritmalarının performanslarının değerlendirilmesine imkan tanımaktadır. Çalışma kapsamında, hatalı fazın doğru şekilde belirlenmesinin arıza konumunun hassas tespiti için son derece önemli olduğu gösterilmiştir. Bu nedenle, arıza tespiti, faz sınıflandırması ve konum tahmini işlemleri kademeli bir yapı ile gerçekleştirilmiştir. Arıza tespiti aşamasında, torbalama, k en yakın komşu ve derin öğrenme algoritmaları %100 başarı oranı ile en yüksek performansı sergilemiş ve farklı şebeke koşullarında arıza varlığını güvenilir biçimde tespit edebilmiştir. Hatalı faz sınıflandırmasında ise derin öğrenme ve yapay sinir ağı algoritmaları sırasıyla %99,81- %99,79 doğruluk oranı ile oldukça başarılı sonuçlar elde edilmiştir. Arıza konumunun belirlenmesinde regresyon tabanlı makine öğrenmesi modelleri kullanılmış ve bu modellerin başarısı ortalama mutlak hata, ortalama kare hata ve karekök ortalama kare hata gibi standart hata metrikleri ile değerlendirilmiştir. Fazlar arası arızalarda ve faz-toprak arızalarında en iyi performansı doğrusal regresyon algoritmaları göstermiştir. Yaklaşık 178 km uzunluğundaki karışık iletkenli iletim hattında, önerilen yöntem ile faz-faz arızalarında maksimum 26 metre ve faz-toprak arızalarda ise maksimum 110 metre hata ile arıza konumu tahmin edilmiştir. Elde edilen yüksek doğruluk oranlarının yanı sıra, çalışmada farklı makine öğrenmesi ve derin öğrenme algoritmalarının eğitim ve test aşamalarındaki başarıları; doğruluk, toplam hata, duyarlılık, hassasiyet, F1 skoru, özgüllük, ortalama mutlak hata, ortalama kare hata ve karekök ortalama kare hata gibi performans metrikleriyle karşılaştırılmıştır. Bu bulgular, enerji iletim hatlarında arıza analizi için en uygun modelin seçilmesine imkan sağlamakta ve akıllı şebeke koruma sistemlerinin geliştirilmesine katkı vermeyi amaçlamaktadır.
Özet (Çeviri)
Fault detection, classification, and precise fault location determination in high-voltage power transmission lines are critical for the stability, security, and operational efficiency of modern power systems. Accurate and timely detection of faults contributes to reducing power outages, as well as minimizing hardware damage and system shutdowns. In this study, the characteristic parameters of a transmission line connected to the grid and containing two different conductors were calculated using standard line data. Based on these parameters, a comprehensive synthetic dataset was created in a simulation environment. The dataset includes variables such as arc resistance and short-circuit power at relevant points, providing an opportunity to evaluate the performance of various machine learning and deep learning algorithms under different fault conditions. Within the scope of the study, it has been demonstrated that the accurate identification of the faulty phase is extremely important for the precise detection of the fault location. Therefore, fault detection, phase classification, and location estimation processes were carried out using a cascaded structure. In the fault detection stage, bagging, k-nearest neighbors, and deep learning algorithms demonstrated the highest performance with a 100% success rate, reliably detecting the presence of faults under different grid conditions. In faulty phase classification, deep learning and artificial neural network algorithms provided highly successful results with accuracy rates of 99.81% and 99.79%, respectively. For fault location determination, regression-based machine learning models were used, and the success of these models was evaluated using standard error metrics such as mean absolute error, mean squared error, and root mean squared error. For phase-to-phase faults and phase-to-ground faults, linear regression algorithms showed the best performance. For the mixed-conductor transmission line approximately 178 km in length, the proposed method estimated the fault location with a maximum error margin of 26 meters for phase-to-phase faults and 110 meters for phase-to-ground faults. In addition to the high accuracy rates obtained, the success of different machine learning and deep learning algorithms during the training and testing phases in the study was compared using performance metrics such as accuracy, total error, sensitivity, precision, F1 score, specificity, mean absolute error, mean squared error, and root mean squared error. These findings guide the selection of the most suitable model for fault analysis in power transmission lines and aim to contribute to the development of smart grid protection systems.
Benzer Tezler
- Wide-area measurement-based early prediction and corrective control for transient stability in power systems
Güç sistemlerinde geçici hal kararlılığı için geniş alan ölçümlerine dayalı erken kestirim ve düzeltici kontrol
MOHAMMED S.M. MAHDI
Doktora
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Development of impedance differential method for fault detection and location in hybrid transmission lines
Hibrid iletim hatlarında, arıza ve arıza yeri tesbiti için empedance diferansiyel metodunun geliştirilmesi
SAEED ASGHARIGOVAR
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER USTA
- Enerji iletim hatlarında ark arızası yerinin yürüyen dalga yöntemleri ile belirlenmesi
Estimation of arc fault location in power transmission lines with travelling wave methods
MUSTAFA AKDAĞ
Doktora
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİnönü ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET SALİH MAMİŞ
- Elektrik güç sistemlerinde hatların kısa devre ve güç salınımına karşı nümerik mesafe röleleri ile korunmasının incelenmesi ve dinamik simülasyonunun gerçekleştirilmesi
Analysing protection of lines with numerical distance relays against short circuit and power swing in electrical power systems and implementing its dynamic simulation
ENES ÖZEVİN
Yüksek Lisans
Türkçe
2015
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. RECEP YUMURTACI