Dağıtık üretim güç sistemlerinde geliştirilmiş oylama modeli tabanlı arıza tespiti ve sınıflandırması

Mevcut elektrik güç sisteminde enerji talebinin artması ve fosil yakıtların sınırlı olması, enerji piyasasının serbestleşmesi, ekonomik ve çevresel kaygıların etkileri sonucunda, yenilenebilir ve yenilenemeyen enerji kaynaklarını içeren dağıtık üretim fikri popülerlik kazanmıştır. Dağıtık Enerji Üretim Kaynakları (DEÜK) güç sistemine dahil edilmesiyle pasif durumdan aktif duruma geçiş gerçekleşmiştir. Aktif duruma geçişle birlikte doğal olarak güç sistemindeki akımın yönü tek yönlü durumdan çift yönlü duruma dönüşmüştür. Güneş panelleri ve rüzgâr türbinleri gibi yenilenebilir enerji kaynaklarının dağıtım şebekesine entegrasyonu, çift yönlü güç akışına ve arıza akımının genliğinin değişmesine neden olmuştur. Arıza akımı, DEÜK'lerin kapasitesinden, tipinden, sayısından ve konumundan etkilenebilir. Diğer yandan, yenilenebilir DEÜK'ler kesintili güç üretim karakteristiğine sahiptir, böylece tüketici tarafında da olası yük talebi belirsizliğine yol açabilmektedir. Bu bilgiler ışığında, DEÜK'lere sahip böyle bir güç sisteminde, yük paylaşımında, korumada ve kontrolde karmaşıklık mümkündür. Güç akışındaki çift yönlülük ile arıza akımı seviyesindeki değişiklik, koruma cihazları arasındaki koordinasyonun kaybolmasına ve sonuç olarak güç sisteminin güvenilirliğine yol açtı. Bu nedenle arıza tespiti ve sınıflandırmasında problemlerin çıkması kaçınılmazdır. Arıza tespiti ve sınıflandırması için makine öğrenmesi modellerinin kullanımı üzerine birçok çalışma yapılmıştır. Ancak sınıflandırmada en zorlu problemlerden biri, her probleme ait veri setini doğru bir şekilde öğrenebilen genel bir sınıflandırıcının ortaya çıkmamış olmasıdır. Ayrıca sınıflandırıcıların veri setinin tamamını öğrenmesi gibi bir durum da söz konusu değildir. Farklı sınıflandırıcılar, bir veri kümesinin farklı alt uzaylarında farklı performans veya hata eğilimi gösterebilir. Dolayısıyla herhangi bir probleme yönelik optimale yakın bir sınıflandırıcı model oluşturulması, topluluk öğrenme modeli ile sağlanabilmektedir. Literatürde yer alan topluluk öğrenme modelinin bir yöntemi olan oylama modelleri ile ilgili olarak ağırlıklı oylama modelinde sınıflara ait olasılıksal katkılar ve sınıflara ait performanslar sonuçları dikkate alınmamıştır. Diğer yandan ağırlıksız oylama modellerinde özellikle olasılıksal tabanlı oylama modelinde ise sınıflandırıcıların eğitim aşamasına dair performansları dikkate alınmamıştır. Literatürdeki araştırmalara göre, bildiğimiz kadarıyla arızasız/arızalı durumların tespiti ve çeşitli arıza türlerinin sınıflandırılmasıyla ilgili çoklu sınıflandırıcılardan oluşan olasılıksal ağırlıklı oylama modelinin kullanıldığı herhangi bir çalışma yapılmamıştır. Yukarıdaki açıklamalardan esinlenerek bu tez konseptinde olasılıksal ağırlıklı oylama modeli (OAOM) tabanlı arıza tespit ve sınıflandırma şeması (ATSŞ) önerilmiştir. Bu tez çalışmasında yukarıda bahsedilen oylama modellerinin zayıf yönleri ele alınarak önerilen oylama modeli (OAOM) ile arıza tespiti ve sınıflandırma performansının geliştirilmesi hedeflenerek literatüre katkı sağlanmıştır. Önerilen modelin çalışma prensibi, eğitim performansına dayalı sınıf katkılarına ve test seti ile sınıf başına olasılıklara dayanmaktadır. Eğitim aşamasında elde edilen doğrulama metriği (ortalama mutlak hata) ve Fskor ile modelin tahmin gücünü ve dengesiz sınıf dağılımını dikkate almaktadır. Test setindeki herhangi bir örneğin sınıf etiketi, eğitim aşamaları ve eğitim sonrası test setine ait sınıflandırıcıların sınıflarından elde edilen olasılıksal katkılarla elde edilir. Önerilen OAOM modelinin diğer oylama modellerine göre katkısı; ağırlıksız oylama modellerine ait olasılıksal tabanlı oylama yöntemlerinden olan olasılıklar toplamı tabanlı oylama yöntemi, ağırlıklandırılmış olasılıkların toplamı şekline dönüşmüştür ve ağırlıklar ağırlık matrisinden seçilerek elde edilmiştir. Sinyaldeki ani değişimleri tespit edebilmek için örneklerin yapısal olarak detaylı bir şekilde yorumlanması gerekmektedir. Bu nedenle, sinyalin çekirdeğini temsil eden daha anlaşılır ve basitleştirilmiş bilgileri çıkarmak için özellik çıkarımı gerekmektedir. Bu tez çalışmasında özellik çıkarımı için kullanılan sinyal işleme yöntemi ayrık dalgacık dönüşümüdür. Dalgacık dönüşümü, çok çözünürlüklü zaman-frekans alanında saf sinyalin kesin özelliklerini sağlar. Kullanılan ana dalgacık fonksiyonu (db10) ve dalgacık ayrıştırma seviyeleri 9 ve 10'dur. 9. ayrıştırma seviyesi 11th ve 13th harmonik bileşenlerini, 10. ayrıştırma seviyesi ise 5th, 7th ve 9th harmonik bileşenlerini içerir. Bu tez kapsamında DEÜK'lerden oluşan güç dağıtım sistem modeline farklı tipte arızalar (tek faz toprak arızaları; AG, BG, CG, faz-faz arızaları; AB, BC, CA, faz-faz toprak arızaları; ABG, BCG, CAG, üç faz toprak arızası ABCG) uygulanmıştır. Tanımlayıcı özellik fonksiyonları, bu arıza durumlarıyla ilgili dalgacık ayrıştırma seviyelerine ilişkin detay katsayılarına uygulanır. Bu tezde temel olarak 4 farklı özellik kullanılmıştır. Ancak 2 farklı dalgacık ayrıştırma seviyesi olduğu için 8 öznitelik ve 3 farklı faz olduğu için toplam 24 özellik çıkarılmıştır. Bu özellikler, detay katsayılarının mutlak maksimumu, detay katsayılarının mutlak ortalaması, varyans ve entropidir. Arıza tespiti ve sınıflandırması için önerilen olasılıksal ağırlıklı oylama modelinin (OAOM) ve destek vektör makinesi (SVM), ekstra ağaç sınıflandırıcı (ETC), rastgele orman (RF) ve çoklu katman algılayıcısı (MLP) içeren temel sınıflandırıcıların performanslarını değerlendirmek için kapsamlı bir karşılaştırmalı performans analizi yapılmıştır. İlk olarak önerilen olasılıksal ağırlıklı oylama modeli (OAOM) ve bu modeli oluşturan temel öğrenicilerin/sınıflandırıcıların arıza tespiti ve sınıflandırma performansları değerlendirilmiştir. Bu amaçla kapsamlı bir karşılaştırmalı performans analizi yapılmıştır. Önerilen OAOM ve makine öğrenimi yöntemlerinin farklı veri kümelerindeki performanslarını analiz etmek ve karşılaştırmak için doğruluk, duyarlılık, kesinlik, Fskor ve eğrinin altındaki alan (AUC) dahil olmak üzere çeşitli değerlendirme ölçütleri kullanılmıştır. ATSŞ'de önerilen OAOM yapısının farklı veri kümeleri (normal ve gürültülü veriler) üzerinde klasik öğrenme modellerinden daha yüksek performans gösterdiği görülmüştür. Sınıflandırıcıların genelleştirme kabiliyetini doğrulamak için, gürültüsüz veri seti üzerine toplamsal beyaz Gauss gürültüsü eklenir. Bu gürültü seviyeleri SNR 20 dB, SNR 30 dB ve SNR 40 dB'dir. İkinci uygulamada, önerilen OAOM'nin etkinliği, ilgili arıza tespiti ve sınıflandırmasında literatürdeki oylama makinesi öğrenme modelleri kullanılarak değerlendirilmiştir. 6 tür oylama modeli vardır: olasılıklar toplamı, olasılıklar çarpımı, olasılıklar maksimumu, olasılıklar minimumu, çoğunluk ve ağırlıklı. Bu modellerin performansı hem normal hem de gürültülü veri setleri üzerinde incelenmiştir. Üçüncü uygulamada, önerilen OAOM'nin tahmin gücünü veya genelleme yeteneğini doğrulamak için eğitim-test veri kümeleri üzerinde kapsamlı bir analiz yapıldı. İlgili hata tespiti ve sınıflandırma problemi 70-30, 60-40 ve 50-50 gibi oranlarda farklı eğitim-test setlerine dönüştürülmüştür. Bu değerlendirme ile farklı oranlara sahip test setleri üzerinde OAOM'nin diğer oylama modellerine göre en yüksek genelleme yeteneğine sahip olduğu gözlenmiştir. Dördüncü uygulamada, normal ve gürültülü veri setleri için her bir arızalı (10 farklı arıza türü) ve arızasız duruma ait (toplamda 11 etiketli) OAOM'nin arıza tespiti ve sınıflandırmasına yönelik performans analizinin gerçekleştirilmiştir. Beşinci uygulamada, farklı sayıda temel sınıflandırıcılardan oluşan önerilen OAOM yapılarının doğruluk kriteri açısından performans etkinliği incelenmiştir. 4 sınıflandırıcıdan oluşan OAOM yapısının, 3 sınıflandırıcıdan oluşan OAOM yapısına göre daha başarılı olduğu ortaya çıkmıştır. Ayrıca sınıflandırıcı çeşitliliği kavramının topluluk öğrenme modeli için önemi vurgulanmıştır. Altıncı durumda, 9. dalgacık ayrıştırma seviyesi (11th ve 13th harmonik bileşenleri) ve 10. dalgacık ayrıştırma seviyesi (5th, 7th ve 9th harmonik bileşenleri) için ayrı ayrı yeni bir özellik seti oluşturularak yeni arıza tespiti ve sınıflandırma problemlerine yönelik önerilen OAOM'nin performansı analiz edilmiştir. 9. ve 10. dalgacık ayrıştırma seviyelerine ait ayrı özellik setlerinin OAOM'deki arıza tespit ve sınıflandırma verimliliği incelenmiştir. Burada yeni duruma ait özellik setleri hem normal (gürültüsüz) hem de SNR 20 dB oranına sahip gürültülü veri setleri şeklinde oluşturulmuştur. SNR 20 dB'deki özellik setlerine ait arıza tespiti ve sınıflandırmasında, 9. ayrıştırma seviyesindeki özellik setinin, 10. ayrıştırma seviyesindeki özellik setine göre daha başarılı olduğu görülmüştür. Yedinci uygulamada, arıza tespiti ve sınıflandırması için kullanılan oylama modellerinin performans sonuçlarına bağlı olarak istatistiksel analiz gerçekleştirilmiştir. OAOM'nin diğer oylama modellerine üstünlüğü Friedman ve Finner post hoc testleri ile araştırılmıştır. Sonuçlardan oylama modelleri arasında anlamlı sonuç veren ve kabul edilebilirliği tespit edilen modelin OAOM olduğu görülmüştür. Son uygulamada ise tez çalışmasında kullanılan arıza tespit ve sınıflandırmasına yönelik oluşturulan veri seti dışında uluslararası platformlarda kabul görmüş farklı özelliklere sahip veri setleri kullanılarak önerilen OAOM ve farklı oylama modellerini değerlendirme ölçütleri (doğruluk, kappa ve Matthews Korelasyon Katsayısı (MCC)) ile karşılaştırılarak performans değerlendirmesi yapılmıştır. Elde edilen sonuçlardan OAOM yapısının etkinliğinin diğer oylama modellerine karşı doğrulandığı görülmüştür.