Güç kalitesi için dalgacık dönüşümü ve destek vektör makine tabanlı bir olay tanıma tekniğinin geliştirilmesi

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.