Elektrik güç sistemlerinde ferrorezonans analizi yapay zeka tabanlı tespit ve matlab simülasyonu

Ferrorezonans, yüksek gerilimli elektrik güç sistemlerinde meydana gelebilecek karmaşık ve potansiyel olarak tehlikeli bir fenomendir. Genellikle, trafolar, kondansatörler ve anahtarlar gibi sistemin doğrusal olmayan bileşenlerinin etkileşimi ile ilişkilidir ve sistemin bileşenleri belirli frekansta rezonansa girdiğinde ortaya çıkar. Ferrorezonans, aniden yük değişiklikleri, arızalar veya anahtarlama işlemleri gibi belirli koşulların tetiklemesiyle başlar ve bunun sonucunda anormal gerilim ve akım salınımları meydana gelir. Bu salınımlar, elektrikli ekipmanlara ciddi zararlar verebilir, güç tedarikini kesebilir ve onarım maliyetleri, duruş süreleri ve sistem arızaları nedeniyle finansal kayıplara yol açabilir. Ferrorezonansın öngörülemezliği, geleneksel koruma sistemleri için bir zorluk oluşturur ve bu olayı gerçek zamanlı olarak tespit etmek ve önlemek zordur. Ferrorezonansın etkileri, trafolar ve kondansatörler gibi önemli elektrikli bileşenlere kalıcı zararlar verebilecek yüksek gerilim zirveleri ve bozulmuş akım dalgaları olarak kendini gösterir. Bu etkiler genellikle öngörülemezdir ve uzun süre devam edebilir, bu da güç şebekesine yönelik riskleri daha da artırır. Ferrorezonans meydana geldiğinde, izolasyon arızaları, ekipman aşırı ısınması ve hatta trafoların ve diğer kritik altyapıların felakete uğraması gibi felaket sonuçları doğurabilir. Ferrorezonansın neden olduğu zararlı elektriksel dalgalanmalar, sistem genelinde yayılabilir ve yakınlardaki trafolara etki ederek geniş çaplı elektrik kesintilerine yol açabilir. Böyle olaylar güç kaybı, ekipman arızası, uzun kurtarma süreleri ve büyük finansal kayıplara neden olabilir. Bu nedenle, ferrorezonansın doğru bir şekilde tespit edilmesi ve önlenmesi, güç sistemlerinin güvenilir bir şekilde çalışabilmesi için çok önemlidir. Gelişmiş tespit tekniklerinin geliştirilmesi, ferrorezonansın etkisini azaltmaya ve güç şebekelerinin dayanıklılığını artırmaya yardımcı olabilir. Geleneksel ferrorezonans tespit yöntemleri genellikle frekans analizi, zaman alanı simülasyonları ve sistem modelleme gibi tekniklere dayanır. Ancak, bu yöntemler genellikle gerçek zamanlı tespit açısından yetersiz kalır, çünkü yüksek hesaplama gereksinimleri vardır ve güç sistemlerinin dinamik doğasını hesaba katmak için esneklikten yoksundurlar. Ayrıca, geleneksel yaklaşımlar zamanında uyarılar sağlamayabilir, bu da müdahale gecikmelerine ve ekipmanlara daha fazla zarar verilmesine yol açabilir. Buna karşılık, yapay zeka (YZ) tabanlı teknikler, makine öğrenmesi (ML), derin öğrenme ve zaman serisi analizi gibi yöntemler, ferrorezonansı daha doğru ve hızlı bir şekilde tespit etmek için umut verici alternatifler sunmaktadır. YZ tabanlı yöntemler, sistem verilerindeki desenleri ve anormallikleri analiz ederek ferrorezonansın başlangıcını tahmin edebilir ve potansiyel arızalar için erken uyarılar sağlayabilir. Bu yaklaşımlar, tespit hızını artırmanın yanı sıra, olaylara daha hızlı yanıt verilmesini sağlayarak maliyetleri ve duruş sürelerini de azaltır. Tespit sürecini otomatikleştirerek, YZ tabanlı izleme sistemleri manuel müdahalelere olan bağımlılığı azaltır ve güç sistemlerinin genel verimliliğini ve güvenilirliğini artırır. Bu çalışma, ferrorezonans olaylarını tespit etmek ve analiz etmek için üç farklı YZ tabanlı tekniğin kullanımını incelemektedir: K-En Yakın Komşular (KNN), Destek Vektör Makineleri (SVM) ve Uzun Kısa Süreli Bellek (LSTM) ağları. Bu teknikler, ferrorezonans tespiti ile ilgili farklı yönleri ele almak ve zaman serisi verileri için uygunlukları nedeniyle seçilmiştir. Çalışmanın amacı, her makine öğrenmesi modelinin gerçek zamanlı gerilim ve akım ölçümleri temelinde ferrorezonans olaylarını tespit etme performansını değerlendirmektir. Bu çalışmada kullanılan veri seti, normal ve ferrorezonans koşullarını temsil eden simüle edilmiş güç sistemi verilerini içermektedir ve her model için eğitim ve test setlerine ayrılmıştır. Simüle edilmiş veri kullanımı, modellerin çeşitli ferrorezonans senaryolarında eğitilmesi ve test edilmesi için kontrollü deneyler yapılmasını sağlamaktadır, bu da etkinliklerinin kapsamlı bir şekilde değerlendirilmesini garanti eder. Ayrıca, veri artırma teknikleri uygulanarak modellerin sağlamlığı artırılmış ve farklı senaryolarda genelleme yapma yetenekleri geliştirilmiştir. KNN, küçük ve orta ölçekli veri setleri üzerinde etkili olan basit ancak güçlü bir sınıflandırma algoritması olduğu için seçilmiştir. KNN, veri noktalarını yakınlarındaki diğer veri noktalarına göre sınıflandırır, bu da onu güç sistemi verilerindeki desenleri tespit etmek için uygun hale getirir. Ancak, KNN'nin hesaplama karmaşıklığı veri setinin büyüklüğü arttıkça artar, bu da büyük veri setleri için ölçeklenebilirliğini sınırlayabilir. SVM ise, doğrusal olmayan verileri sınıflandırabilme yeteneği ve karmaşık sınıflandırma görevlerinde doğruluğu ile seçilmiştir. SVM, veri noktalarını ayrıştıran hiper düzlemler oluşturur ve karmaşık ferrorezonans desenlerinde doğrusal olmayan karar sınırlarını işlemek için özellikle etkilidir. SVM, doğrusal olmayan karar sınırlarını işleyebilmesi sayesinde zorlu senaryolarda bile ferrorezonans olaylarını doğru bir şekilde sınıflandırmıştır. LSTM ağı ise, ferrorezonans olaylarının dinamik ve sıralı doğasını modellemek için kullanılmıştır, özellikle zaman serisi verileri için idealdir. LSTM ağları, sıralı verilerde uzun vadeli bağımlılıkları öğrenebilme yeteneğine sahip olup, ferrorezonans olaylarının zaman içindeki dinamiklerini modelleyerek potansiyel arızaların erken uyarılarını sağlar. Her modelin performansı, doğruluk, hassasiyet, hatırlama ve F1 puanı gibi çeşitli metriklerle değerlendirilmiştir. Sonuçlar, KNN'nin küçük veri setlerinde iyi performans gösterdiğini ve ferrorezonans olaylarını yüksek doğrulukla tespit ettiğini göstermiştir. Ancak, veri seti büyüdükçe KNN'nin hesaplama karmaşıklığı bir sınırlama haline gelmiş ve verimliliğini azaltmıştır. SVM ise, daha büyük ve daha karmaşık veri setlerinde üstün performans sergileyerek yüksek doğruluk ve sağlam sınıflandırma yetenekleri sunmuştur. SVM, doğrusal olmayan karar sınırlarını işleme yeteneği sayesinde zorlu senaryolarda bile ferrorezonans olaylarını doğru bir şekilde sınıflandırmıştır. LSTM ağları ise, zaman serisi verilerinde ferrorezonans olaylarını tespit etmede hem KNN hem de SVM'den daha iyi performans göstermiştir. LSTM, verilerdeki uzun vadeli bağımlılıkları ve desenleri yakalayarak, ferrorezonans olayları kritik hale gelmeden önce erken uyarı sinyalleri sağlamıştır. Ferrorezonansın zaman içindeki dinamiklerini modelleme yeteneği, LSTM'yi güç sistemlerinin gerçek zamanlı izlenmesi için değerli bir araç yapmıştır. Bu bulgular, YZ tabanlı yaklaşımların, güç sistemlerinde ferrorezonans tespitini iyileştirme potansiyelini doğrulamaktadır. Sonuçlar, özellikle LSTM'nin, geleneksel yöntemlere göre ferrorezonans olaylarını daha doğru ve verimli bir şekilde tespit xxi edebileceğini ve operatörler için değerli gerçek zamanlı uyarılar sağlayabileceğini göstermektedir. Bu olayların erken tespiti, ekipman hasarını ve sistem kesintilerini önemli ölçüde azaltabilir. Gelecekteki araştırmalar, veri setini gerçek dünya ölçümleri ile genişletmeyi ve tespit doğruluğunu daha da artırmak için ek YZ modellerini keşfetmeyi hedefleyebilir. YZ teknikleri gelişmeye devam ettikçe, ferrorezonans olaylarının güç sistemlerine olan etkilerini azaltmada kritik bir rol oynamaları, sistem güvenilirliğini artırmaları ve daha proaktif bakım stratejilerini mümkün kılmaları beklenmektedir. YZ tabanlı izleme sistemlerinin güç şebekelerine entegrasyonu, tespit sürecini otomatikleştirerek manuel müdahalelere olan bağımlılığı azaltacak ve potansiyel ferrorezonans olaylarına daha hızlı yanıt verilmesini sağlayacaktır. Ayrıca, bu sistemler yeni verilerden sürekli olarak öğrenebilir ve zamanla performanslarını iyileştirebilirler. YZ alanı ilerledikçe, daha sofistike modeller ve teknikler ortaya çıkacak, bu da ferrorezonansı tespit etme ve hafifletme yeteneğini daha da geliştirecek ve nihayetinde daha dayanıklı ve verimli güç sistemlerine yol açacaktır.