GÜÇ KALİTESİ OLAYLARININ MAKİNE ÖĞRENME TEKNİKLERİ İLE SINIFLANDIRILMASI

Abstract

Endüstri sektörü ve yaşam alanları elektrik enerjisinden verimli bir şekilde faydalanmalıdır. Bu amaçla, güç sistemi gerilim ve akım işaretlerinin üst düzey bir şekilde işlendiği ve izlendiği akıllı şebeke kavramı geliştirilmiştir. Böylece, denetleme sistemleri şebekenin hem normal hem de arıza koşulları altında sürdürülebilir şekilde işletilmesini sağlayacak hale gelmektedir. Günümüz endüstriyel ortamı, endüstri 4.0 kavramının da tartışılıyor olması ile birlikte, geçmişte hiç olmadığı kadar ``akıllı'' bir hale gelmiştir. Birçok üretim hattı, aralarında haberleşebilen motor sürücüleri ve tek noktadan denetlenebilen diğer elektrikli cihazlar bütününü içermektedir. Bu bileşenlerin bir çoğu endüstriyel internet olarak da adlandırılan bir internet köprüsü ile birbirlerine bağlı ve iletişim içinde çalışmaktadır. Endüstriyel internet kullanımı ile birlikte daha da gelişen akıllı teknoloji, ``izleme'' (monitoring) sistemlerine duyulan ihtiyacı da beraberinde getirmektedir. Son derece ihtiyaç duyulan ve gelişen bir teknoloji olarak karşımıza çıkan bu izleme sistemleri, arıza tespiti, şebekenin kendini iyileştirmesi ve onarması ve güç kalitesi bozulmalarının çevrimiçi izlenmesi gibi önemli başlıklara çözüm getirmektedir. Geniş çaplı ve karmaşık bir sistem olarak elektrik şebekesi, denetim merkezlerinde, şalt sahalarında, iletim ve dağıtım taraflarında çok çeşitli bileşenler içermektedir. Böylesine karmaşık bir sistemde, izleme süreçleri çok önemli bir rol oynamaktadır. Akıllı ölçüm birimleri, güç kalitesi bozulmalarının izlenmesi amacıyla şebekede dolaşan özellikle gerilim ve akım işaretlerine ait tüm bilgiyi toplamaktadır. Toplanan bu verilerin yorumlanması ile operatöre, teşhis ve önleme adımları atmasını sağlayacak gerekli bilgiler ulaştırılmaktadır. Bu tez çalışması, elektrik şebeke izleme sisteminin en temel kısımlarından birisi olan ve güç kalitesi olay sınıflandırma olarak adlandırılan alana, makine öğrenme perspektifini yansıtarak, bütüncül bir model önermektedir. Bu çalışmada, güç kalitesi olay sınıflandırma gerçekleştiren bir akıllı örüntü tanıma sistemi tasarlanmıştır. Çalışmanın temel yapı taşı olan veri seti, Türkiye genelinde konumlanmış trafo merkezlerinden elde edilmiştir. Ham işaretlerden ayırt edici özniteliklerin elde edildiği, öznitelik çıkarım aşamasında Histogram, Permütasyon Entropi, Yerel Tepe Noktaları sayısı ve anlık zaman bölgesi öznitelikleri kullanılmıştır. Güç kalitesi literatüründe daha önce önerilmeyen bu yöntemlere ek olarak, yaygın olarak tercih edilen Ayrık Dalgacık Dönüşümü öznitelikleri ile de gürbüz bir giriş seti elde edilmiştir. Karar aşamasında, makine öğrenme tabanlı Uç Öğrenme Makinesi ve onun geliştirilmiş versiyonları olan Seyrek Bayes Uç Öğrenme Makinesi ve Ağırlıklandırılmış Uç Öğrenme Makinesi kullanılmıştır. Öğrenmede geriye yayılım kullanan yöntemlerin aksine, döngüsel bir işleyiş içermeyen uç öğrenme makinesi ve geliştirilmiş versiyonları bir çok farklı alanda kullanılmaktadır. Tez sonucunda elde edilen bulgular detaylı olarak analiz edilmiş ve kapsamlı bir değerlendirme yöntemi kullanılarak, önerilen modeller farklı değerlendirme ölçütlerine göre yorumlanmıştır. Tüm analizler MATLAB programı kullanılarak gerçekleştirilmiştir. En iyi performansı gösteren algoritma modeli, kapsamlı bir ürün olarak tezin çıktısını oluşturmaktadır.Industrial plants and residential areas need to utilize electrical energy effectively. For this purpose smart grids were performed within power system where voltage and current signals are processed and monitored in detail. Thus controller systems provide solutions that keep the grid sustainability in both faulty and normal conditions. Today's industrial environment is smarter than ever before whilst Industry 4.0 is being globally approved. Most production lines include electrical devices which are able to communicate each other and controlled from a single station with automation systems. Most of those elements have an internet connection link known as industrial internet. Development of smart technology with industrial internet comes with a need of monitoring. Monitoring technologies are emergent systems that focus on fault detection, grid self – healings and online tracking of power quality issues. As a comprehensive and complex system, electrical grid includes numerous components in control center, switchyards, transmissions and distribution modules. In a complex system, monitoring process has a great role. Smart measurement units collect all required data signals roaming in electrical grid which are especially voltage and current signals to monitor power quality issues. Using the collected data, all the required information to the operator is provided to specify a diagnosis and prevention abnormal operation. Present study deals with one of the essential part of an electricity grid monitoring system called power quality event classification in a manner of machine learning topic. In this study, an intelligent pattern recognition system which performs classification of power quality events has been designed. The backbone of the study which is the dataset has been gathered from the substation centers all over the Turkey. In the feature extracting stage which builds a meaningfull whole from the raw dataset, Histogram, Permutation Entropy, Local Peaks, and instantaneous time domain based techniques have been used. In addition to those techniques of feature extracting which are novel to power quality event classification field, commonly used Discrete Wavelet Transform features are determined to construct a robust feature set. In decision stage, a machine learning based structure which is Extreme Learning machine and its enhanced versions Weighted Extreme Learning Machine and Sparse Bayesian Extreme Learning machine have been designed. Extreme learning machine and its enhanced versions are preferred in most of the research fields because of their learning structure which does not include any iterative process contrary of \emph{back propagation learning} based methods. Findings of thesis are analyzed in detail and a comprehensive evaluation method is used with various performance criteria. All the analyzes are held in MATLAB environment. The algorithm of the best performance is proposed to build a generic product as an output for this thesis.