Güç kalitesi olaylarının makine öğrenme teknikleri ile sınıflandırılması

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.