GÜÇ KALİTESİNDEKİ BOZULMA TÜRLERİNİN AKILLI ÖRÜNTÜ TANIMA YAKLAŞIMLARI İLE BELİRLENMESİ

Abstract

Bu tezde, güç kalitesi izleme sistemlerinin etkinliğini ve güvenilirliğini artırmaya yönelik güçlü algoritmalar geliştirilmiştir. İlk olarak, farklı özellikteki güç kalitesi bozulma işaretlerinin temel özelliklerinin çıkarılması için, zaman-frekans gösterimlerine dayalı üç farklı işaret işleme yöntemiyle karşılaştırmalı analizler yapılmıştır. Bu yöntemlerden, dalgacık dönüşümü ve s dönüşümü yöntemleriyle daha hızlı ve etkili bir analiz yapılabileceği gösterilmiştir. Daha sonra, güç kalitesi bozulma işaretlerinin ayırt edici özelliklerini kaybetmeksizin veri boyutunu indirgeyen iki farklı özellik vektörü elde edilmiştir. Bu özellik vektörleri, destek vektör makine örüntü sınıflandırıcısının girişine ayrı ayrı uygulanarak güç kalitesindeki bozulma türleri belirlenmiştir.Geliştirilen algoritmaların başarımı, gerçek güç sistemi verileri, ATP/ EMTP modelinden elde edilen benzetim verileri ve matematiksel modellerden elde edilen yapay veriler kullanılarak değerlendirilmiştir. Elde edilen sonuçlara göre bu algoritmaların en önemli avantajı, birden fazla bozulma türü içeren işaretleri ve farklı gürültü içeren güç kalitesi bozulma işaretlerini yüksek doğrulukla sınıflandırmasıdır. Bununla birlikte, özellik uzayının boyutunun indirgenmesi, sınıflandırıcının karmaşıklığını ve dolayısıyla hesaplama süresini azaltacağı için sistemi gerçek zamanlı uygulamalara daha uygun hale getirmektedir.

In this thesis, the powerful algorithms are developed to increase the efficiency and reliability of the power quality monitoring systems. Firstly, the comparatively analyses are done by using three different signal processing methods based on time-frequency representations to extract the different unique characteristics of power quality disturbance signals. It is shown that more effective analysis can be performed by discrete wavelet transform and s-transform methods. Then, two different reduced feature vectors are obtained without losing main distinguishing characteristics of power quality disturbance signals. The types of power quality disturbances are identified by applying separately to input of support vector machine pattern classifier of these feature vectors.The performance of the developed algorithms is evaluated by using real power system data, simulation data and synthetic data obtained from ATP/EMTP and mathematical models. The obtained results is shown that the most important advantages of these algorithms are the high accuracy classification of power quality disturbance signals including more than one of the disturbance type and different noise. Therefore, reduction of the size of feature space is to make more feasible for real time applications since complexity of the classifier is decreased and consequent computation time of the proposed systems is shorten.