GÜÇ KALİTESİ İÇİN DALGACIK DÖNÜŞÜMÜ VE DESTEK VEKTÖR MAKİNE TABANLI BİR OLAY TANIMA TEKNİĞİNİN GELİŞTİRİLMESİ

Abstract

Güç kalitesi, son yıllarda olduğu gibi gelecekte de, güç sistemlerinde aranan önemli özelliklerinden birisi olacaktır. Güç kalitesi problemleri, sistem üzerindeki elemanlarda ve sisteme bağlı yüklerde; arıza ve hatalı çalışma gibi olumsuz durumlar meydana getirmektedir. Bu nedenle, güç sistemlerinde meydana gelen güç kalitesi problemlerinin belirlenmesi ve oluşabilecek olumsuz durumların ortadan kaldırılması gerekmektedir.Bu tezde, güç kalitesi problemlerine neden olan güç sistemi olaylarının türünü belirlemeye yönelik, bir akıllı tanıma tekniği geliştirilmiştir. Güç sistemi olaylarının türünü belirlemek için üç fazlı gerilim sinyalleri kullanılmıştır. Geliştirilen tanıma tekniğinde önce, üç faz olay gerilim sinyallerine, normalizasyon ve segmantasyon işlemi uygulanmıştır. Sonra, dalgacık dönüşümü yöntemi kullanılarak, olay sinyallerinin dalgacık dönüşümü katsayıları elde edilmiştir. Daha sonra, bu katsayılara iki aşamalı özellik çıkarım işlemi uygulanarak, üç faz olay gerilim sinyallerinin ayırt edici özelliklerini temsil eden ve veri boyutunu indirgeyen etkili bir özellik vektörü elde edilmiştir. Akıllı tanıma tekniğinin son aşamasında ise, yapay sinir ağlara göre hem tanıma süresi hem de başarım oranı açısından oldukça iyi performans gösteren destek vektör makine sınıflandırıcı kullanılarak güç sistemi olay türleri belirlenmiştir. Destek vektör makine sınıflandırıcının parametreleri, 10-kat çapraz geçerlilik testi uygulanarak elde edilmiştir.Geliştirilen akıllı tanıma tekniğinin çıkışından elde edilen arıza olaylarına, ileri analiz işlemi uygulanmıştır. Bunun sonucunda, güç sisteminde meydana gelen gerilim çökmesi ve güç kalitesi bozulma türleri belirlenmiştir.Geliştirilen tekniğin performansını değerlendirmek için, gerçek güç sistemi olay verileri ve ATP/EMTP modelinden elde edilen benzetim olay verileri kullanılmıştır. Elde edilen sonuçlara göre, geliştirilen tanıma tekniği üç faz olay türlerini yüksek doğrulukla sınıflandırmaktadır. Gürültülü olay verileri için elde edilen tanıma sonuçlarına göre, geliştirilen tanıma tekniği gürbüz bir yapıya sahiptir. Ayrıca bu teknik, düşük sayıdaki olay verileri ile eğitim işlemi gerçekleştirilse bile, yüksek doğrulukta tanıma yapabilmektedir.

Power quality will be a sought-after feature in power systems in the future as it has been in the recent years. Power quality problems cause such negativities as breakdowns and malfunctions in the system components and loads in the system. Therefore, it is essential that power quality problems in power systems are determined and so, probable negativities are prevented.In this thesis, an intelligent recognition technique is developed to determine the type of power system events which cause power quality problems. Three phase voltage signals are used to determine the types of power system events. In the first step of this recognition technique, normalization and segmentation processes are applied to the three phase voltage signals. In the second step, wavelet transform method is applied to the voltage signals and wavelet transform coefficients are obtained. Later, the two phase feature extraction process is applied to these coefficients and an effective feature vector which stands for the distinctive features of voltage signals and reduces the data size. In the last step of the intelligent recognition technique, power system event types are determined by using a support vector machine classifier which has a higher level of performance compared to the artificial neural network classifier in terms of both recognition time and performance level. The parameters of support vector machine classifiers are obtained by applying 10-fold cross validation test.The advanced analytical processing is applied to the fault events obtained from the output of the developed intelligent recognition technique. As a result of this, voltage dips in the system and power quality disturbance types are determined.Real power system data and simulation data obtained from the ATP/EMTP model are used to evaluate the performance of the developed technique. According to the results, the recognition technique is classified the three phase event types very accurately. According to the recognition results for noisy event data, the developed recognition technique has a robust structure. Besides, the intelligent recognition technique can function very accurately even if training is realized with little event data.