Loading…
Mikroşebekelerde ada mod çalışmanın tespiti ve güç kalitesi olaylarının sınıflandırılması için yapay zekâ tabanlı kontrol yöntemlerinin geliştirilmesi/
Bu tez çalışmasında, şebeke koduna ve belirli standartlara uygun şekilde Ada mod (AMOD) çalışma ve güç kalitesi olaylarının (GKO) tespiti ve sınıflandırılması için literatüre katkıda bulunan özgün akıllı yöntemler önerilmiştir. Önerilen yöntemi kullanan izleme-tespit-koruma sistemi için prototip bir...
| Main Author: | |
|---|---|
| Corporate Authors: | , |
| Other Authors: | |
| Format: | Thesis |
| Language: | Turkish |
| Subjects: |
| Summary: | Bu tez çalışmasında, şebeke koduna ve belirli standartlara uygun şekilde Ada mod (AMOD) çalışma ve güç kalitesi olaylarının (GKO) tespiti ve sınıflandırılması için literatüre katkıda bulunan özgün akıllı yöntemler önerilmiştir. Önerilen yöntemi kullanan izleme-tespit-koruma sistemi için prototip bir ürünün geliştirilmesi de tez kapsamında gerçekleştirilmiştir. Bu kapsamda, yenilenebilir enerji kaynakları (YEK) ve elektrik araç (EA) şarj ünitelerini içeren bir mikroşebeke test sistemi de oluşturulmuştur. Literatürde, konu hakkında araştırma yapan bilim insanlarının çalışmalarında kullanmak için bulmakta zorlandığı doğrulanmış bir veri setinin olmaması önemli bir sorundur. Deneysel sistem ile üretilerek doğrulanmış ve çok çeşitli GKO'larını içerisinde barındıran geniş kapsamlı bir GKO ve AMOD çalışma veri setinin tez kapsamında sunulması, tezin önemli diğer bir katkısı olarak değerlendirilmiştir. AMOD Çalışma'nın tespiti, GKO'ların ve AMOD Çalışma'nın birbirinden ayırt edilmesi konuları, güç sisteminin kararlılığı ve güvenilirliği, DG'lerin şebekeye entegrasyonu ve güç kalitesi açısından literatürde oldukça önemlidir. AMOD çalışma tespit yöntemleri, YEK-Tabanlı DG'lerin ve EA şarj sistemleri gibi lineer olmayan yüklerin olduğu sistemlerde hatalı açma yapabilmektedir. Bu problemin üstesinden gelmek için tek fazlı DG'lerdeki AMOD çalışma araştırılmış ve fotovoltaik (FV)-Tabanlı bir sistem için yeni bir örnek indirgenmemiş dalgacık dönüşümü (ÖİDD)-Tabanlı yöntem önerilmiştir. Piramidal ÖİDD-Tabanlı AMOD çalışma tespit yaklaşımı, güç uyuşmazlığının minimum olduğu en zor şartlar da dahil olmak üzere farklı mod çalışma koşulları ve üretilen GKO'lar için geliştirilen gerçek zamanlı deneysel sistemle de doğrulanmıştır. Önerilen yöntem, yüksek gürültü koşulları için bile AMOD çalışma tespit performansını önemli ölçüde iyileştirmektedir. ÖİDD-Tabanlı yöntem, ortalama 75 ms'de AMOD çalışmayı yaklaşık sıfır ADB ile tespit edebilmektedir. Bu avantajlarıyla, önerilen yöntem, farklı DG'ler için güvenilir ve kolaylıkla kullanılabilir bir koruma sağlar. Mikroşebekelerde meydana gelen güç kalitesi (GK) sorunları, geleneksel güç sistemindeki olaylara benzemekle beraber, bazı şebeke işletim operasyonları nedeniyle çok daha zor tanımlanır. Mikroşebekelerde, rüzgar hızı ve güneş ışınım değerlerindeki değişim gibi çevresel faktörler, şebeke ve yük tarafında dengesizliklere neden olabilir. Ayrıca, DG'lerin devreye girmesi/çıkması, YEK-Tabanlı DG'lerin şebekeye entegrasyonunda kullanılan dönüştürücü ve inverter gibi güç elektroniği cihazlarındaki artış ve son yıllardaki gelişmelerle birlikte sayıları hızlar artan EA şarj istasyonları gibi lineer olmayan yüklerdeki çoğalma, geleneksel sistemlerdekinden farklı tipte GKO'lara sebep olmaktadır. Bu problemlerin üstesinden gelmek için tez çalışmasında GKO olaylarının sınıflandırılması için dört farklı yöntem önerilmiştir. İlk önerilen yöntem, ÖİDD-Tabanlı öznitelik çıkarma işlemi ve çoklu çekirdek içeren destek vektör makinesi (DVM) sınıflandırıcı içeren hibrit bir makine öğrenmesi yapısıdır. Önerilen öznitelik çıkarım sürecinin performans iyileştirmesini kanıtlamak için diğer DD-Tabanlı yöntemlerle karşılaştırmalar yapılmıştır. Ayrıca ÖİDD'nin performansı farklı sınıflandırıcı modelleri için de incelenmiştir. Sonuçta, DD'ye dayalı olarak geliştirilen ancak gürültü altında düşük performansa sahip olan sınıflandırıcıların performansı, ÖİDD ile önemli ölçüde iyileştirilmiştir. ÖİDD ve DVM-Tabanlı hibrit yöntem, 25 dB ile 40 dB gürültü altında bile yüksek doğruluk ve güvenilirlikle GKO sınıflandırması yapabilmektedir. GKO'lar için genel tanıma testi doğruluğu, önerilen ÖİDD ve DVM tabanlı hibrit yöntem için %99,85'tir. Önerilen ikinci yöntem olan ÖİDD-Gradyan artırıcı karar ağaçları (GAKA)-Tabanlı GKO sınıflandırma yönteminde ise Piramidal ÖİDD ile sınıflandırma başarımı oldukça yükseltilmiştir. Test/tahminde en hızlı algoritma olan GAKA'nın performansındaki düşüşler genellikle sinyaldeki gürültünün aşırı uydurulmasından kaynaklanmaktadır. ÖİDD süreci ile bu dezavantaj ortadan kalkmakta ve nominal koşullardaki gibi yüksek bir sınıflandırma doğruluğu elde edilebilmektedir. Önerilen yöntem düşük seviyeli gürültü koşullarında %99,50, yüksek seviyeli gürültü koşullarında ise %99,29 sınıflandırma doğruluğuna sahiptir. Üçüncü önerilen yöntem ise bulanık mantık karar verici (BKV) ile ÖİDD ayrıştırmasından oluşan adaptif özellikteki şemadır. Bu şema, özellikle eşik değer içeren tespit ve sınıflandırma yöntemlerindeki gürültülü koşullardan kaynaklanan belirsiz durumlar nedeniyle yanlış algılama ve eksik algılama eğilimini önlemek için oluşturulmuştur. 20-40 dB yüksek seviyeli gürültü koşullarında ise %94,96 sınıflandırma doğruluğuna sahiptir. Önerilen dördüncü yöntem ise derin ağ modelleri ve ağırlıklı çoğunluk oylaması (AÇO) içeren yöntemdir. Otomatik özellik çıkarma ve sınıflandırma için kapalı döngü derin evrişimsel sinir ağları (ESA), uzun kısa süreli bellek (UKSB) ve hibrit (ESA-UKSB) modeller kullanılmaktadır. Derin ESA-UKSB yapısında, öznitelik çıkarımı için ESA'nın ve zaman serisi veri işleme için UKSB'nin avantajları, karmaşık GKO sınıflandırma doğruluğunu iyileştirmek için kullanılmıştır. Önerilen derin ağlar-AÇO gürültüsüz ortamda %99,26, düşük seviyeli gürültüde %98,58 ve yüksek seviyeli gürültüde %98,05 doğruluk oranına sahiptir. Ayrıca, gerçek veriler için sınıflandırma doğruluğu %97,78'dir. Tez sonrasındaki AMOD çalışma tespitine yönelik yaklaşımların, veri sayısının arttırılması ve önerilen algoritmanın FPGA-Tabanlı bir karta gömülmesine odaklanması hedeflenmektedir. Tezde önerilen gelişmiş yapay zeka temelli pasif yöntem, çoklu inverter yapılarına uygundur. Ancak gerçek zamanlı testleri laboratuvar imkanları nedeni ile bu çalışmada gerçekleştirilememiştir. İlerleyen süreçte iki veya daha fazla şebeke bağlantılı DG içeren bir test sistemi kurularak bu testlerin de gerçekleştirilmesi düşünülmektedir. Diğer yandan, IoT ve 5G teknolojisini içeren akıllı şebekelerde GKO'ların tespiti ve sınıflandırılması da gelecek çalışmalar kapsamında değerlendirilecektir. Bununla birlikte, gelecekteki GKO sınıflandırma/tespit çalışmaları, optimizasyon yöntemleri gibi özellik seçim tekniklerini kullanarak özellik vektörünü azaltmaya da odaklanmalıdır. |
|---|---|
| Physical Description: | 166 sayfa ; 30 cm |
| Bibliography: | Kaynakça 151-163 sayfa |