YÜKSEK GERILIM DOĞRU AKIM ENERJI ILETIMINDE MEYDANA GELEN ARIZALARIN SAYISAL KORUMA YÖNTEMLERI ILE BELIRLENMESI

Abstract

Bu çalışmada, YGDA iletim hatları üzerinde meydana gelen arızaların konumunu tahmin etmeye yardımcı olacak birbirinden farklı sinyal analiz ve makine öğrenme yöntemleri kullanılmıştır. Arıza tahmini için kullanılan arıza akım ve gerilim sinyalleri Matlab programında bulunan benzetim çalışması vasıtasıyla elde edilmiştir. Benzetim çalışmasındaki iletim hattının her bir km'sinden elde edilen arıza akım ve gerilim sinyalleri, dalgacık dönüşümü, Stockwell dönüşümü ve Hilbert-Huang dönüşümü yöntemleri kullanılarak analiz edilmiştir. Böylece, geçici arıza durumlarına ait ayırt edici özellikler elde edilmiştir. Özellik vektörlerinin boyutunu azaltmak için bu yöntemlere; enerji, entropi, standart sapma, ortalama büyüklük, anlık frekansların ve genliklerin ortalaması gibi farklı ölçütler uygulanmıştır. Arıza tahmini aşamasında ise istatistiksel öğrenme teorisine dayanan destek vektör makinaları, yapay sinir ağları ve uç öğrenme makinaları yöntemleri kullanılmıştır. Farklı sinyal analiz yöntemlerinin arıza yeri tahmini performansı üzerindeki etkileri araştırılarak en uygun arıza konumlandırma algoritması belirlenmiştir. Elde edilen sonuçlardan, önerilen yöntemin arıza tahmini aşamasında oldukça başarılı olduğu görülmüştür. Anahtar Kelimeler: YGDA iletim hattı arızaları, ayrık dalgacık dönüşümü, Stockwell dönüşümü, Hilbert-Huang dönüşümü, destek vektör makinaları, yapay sinir ağları, uç öğrenme makinaları.

In this study, different signal analysis and machine learning methods were used to help to predict the location of faults occuring on HVDC transmission lines. The fault current and voltage signals used for fault prediction were obtained by simulation in Matlab. The fault current and voltage signals obtained from each km of transmission line simulation were analyzed by using wavelet transform, Stockwell transform and Hilbert-Huang transform methods. Thus, the distinctive features of transients are obtained. In this methods to reduce the size of feature vectors, different criterions such as; energy, entropy, standard deviation, mean magnitude, the mean of the instantaneous frequency and amplitude are employed. In the fault estimation process, support vector machines which are based on statistical learning theory, artificial neural networks and extreme learning machines methods are used. By investigating impacts of those different signal analysis methods on fault estimation process, optimal fault location algorithm is determined. The obtained results show that the proposed approach is very successful in fault estimation and location process. Key Words: HVDC transmission line faults, discrete wavelet transform, Stockwell transform, Hilbert-Huang Transform, support vector machines, artificial neural networks, extreme learning machines.