GÜÇ SİSTEMLERİNDE GERİLİM KARARLILIĞI İNDEKSLERİNİN UÇ ÖĞRENME ALGORİTMASI İLE TAHMİNİ

Abstract

Günümüzde elektrik enerjisi ihtiyacı, teknolojik gelişmeler sonucunda nüfusla orantılı olarak hızla artmaktadır. Artan bu talebi karşılamak için büyük güçlü üretim merkezleri kurulmuştur. Üretim merkezlerinin tüketim merkezlerinden uzakta kurulma gerekliliği, üretilen elektrik enerjisinin çok yüksek gerilimle ve uzun iletim hatlarıyla tüketim merkezlerine iletim zorunluluğu getirmiştir. Güç sistemleri de bu duruma bağlı olarak hızla büyümüş ve karmaşık bir yapı oluşturmuştur. Bu durum önemli işletme ve kontrol sorunlarını da beraberinde getirmiştir. Güç sistemleri daha karmaşık ve yoğun bir şekilde yüklenirken, ekonomik ve çevresel kısıtlamaların yanı sıra, gerilim dengesizliği gittikçe daha ciddi bir problem haline geldiğinden güç sistemleri yüklenme limitlerine yakın çalışmaktadır. Gerilim dengesizliği ile ilgili problemler birçok güç sisteminin güvenli bir şekilde çalışması için büyük bir endişe haline gelmiştir. Bu çalışmada, IEEE 14-baralı güç sisteminde gerilim kararlılığı Uç Öğrenme Makinesi (UÖM) ve Yapay Sinir Ağları (YSA) yardımıyla incelenmiştir. Bu amaçla, IEEE 14-baralı güç sistemi modeli Matlab ortamında oluşturulmuş ve bu model kullanılarak Newton-Raphson yöntemi yardımı ile yük akış analizi yapılmıştır. Bu güç sisteminde gerilim kararlılığı Hat Kararlılık İndeksi (HKİ) hesaplanarak değerlendirilmiştir. Yük akış analizinde tüm baraların aktif ve reaktif güçleri 0.05 birim değer (pu) artırılmış ve her bir baraya ait toplam 1000 adet aktif güç, reaktif güç, ilgili baranın gerilimi ve faz açısı elde edilmiştir. Bu değerler kullanılarak HKİ değerleri hesaplanmıştır. UÖM'ye ve YSA'ya girişler; aktif güç, reaktif güç, ilgili baranın gerilimi ve faz açısı seçilmiştir. UÖM'nin ve YSA'nın çıkışı ise HKİ değerleri olarak belirlenmiştir. UÖM'nın test başarımı 5-kat çapraz doğrulama ile verilmiştir. Ayrıca UÖM'nın başarımı farklı sayıda gizli katman hücre sayısı ve farklı tip aktivasyon fonksiyonları için incelenmiştir. YSA'nın oluşturulması aşamasında belirlenen aktivasyon fonksiyonu hem girişler için hem de ara katmanda tanjant sigmoid aktivasyon fonksiyonu seçilmiştir. Eğitim aşamasında ise Levenberg-Marquardt eğitim algoritması tercih edilmiştir. Elde edilen tüm sonuçlardan, IEEE 14-baralı güç sistemlerinde gerilim kararlılığının tespitinde UÖM'nin ve YSA'nın HKİ'yi oldukça yüksek bir başarımla tahmin ettiği görülmüştür. Ancak YSA'nın tahmin süresi ve hata değerleri UÖM'nin değerlerinden daha büyük olmasından dolayı UÖM'nin tercih edilebileceği değerlendirilmiştir.Nowadays, electrical energy needs are increasing rapidly as a result of technological developments. In order to meet this growing demand, power plants have been built. The necessity of the building the production centers away from the consumption centers brought the electricity energy to be transmitted to the consumption centers with very high voltage and long transmission lines. Power systems have also grown rapidly and this situation formed a complex structure. Also, this case brought important operational and control problems. In this study, voltage stability in the the IEEE 14-bus power system was investigated by means of Extreme Learning Machine (ELM) and Artificial Neural Networks (ANN). For this purpose, the IEEE 14-bus power system model was built in Matlab environment and load flow analysis for this model was performed by using the Newton-Raphson method. In this power system, the voltage stability was evaluated by calculating the Line Stability Index (LSI). In the load flow analysis, the active and reactive powers of all bus were increased by 0.05 step (pu) and a total of 1000 active power, reactive power, voltage, and phase angle of the respective bus were obtained for each busbar. These values were used to calculate the values of LSI. The inputs of ELM and ANN are selected as active power, reactive power, voltage and phase angle of the respective bus. The output of the ELM and ANN was determined as LSI values. The test performance of the ELM is given by 5-fold cross-validation. In addition, the ELM's performance was investigated for the different number of hidden layer cell numbers and different types of activation functions. The activation function, which was determined during the creation of ANN, was chosen for the tangent sigmoid activation function for both inputs and the intermediate layer. Levenberg-Marquardt training algorithm was preferred in the training stage. From all the results, IEEE 14-bus power systems with the determination of the voltage stability of the ELM and ANN has been found to predict a very high performance in the LSI. However, since the estimated time and error values of the ANN are higher than the values of the ELM, it was evaluated that the ELM could be preferred.