Geliştirilmiş rastgele vektör işlevsel bağlantı ağları ile dağıtım şebekelerinde arıza türü ve yerinin tespiti

Arıza tespiti, yapısı giderek karmaşıklaşan elektrik iletim ve dağıtım şebekelerinde önemli bir konudur. Bu tez çalışmasında iletim ve dağıtım hatlarının önemli bir sorunu olan kısa devre arızalarının ve arıza yerlerinin tespitinde rastgele vektör işlevsel bağlantı ağları (RVFLN) tabanlı iki yöntem olan Cauchy ağırlıklandırma M-tahmini RVFLN (Cauchy-M-RVFLN) ve online gürbüz düzenlenmiş RVFLN (ORR-RVFLN) yöntemleri önerilmiştir. Önerilen yöntemlerin arıza tespit performansı analiz edilmiş, klasik makine öğrenme yöntemleri ile ve birbirleriyle karşılaştırılmıştır. Yöntemlerin performanslarının analizi gerçek zamanlı sayısal simülatörde (RTDS) yapılan simülasyonlar sonucu elde edilen veriler yardımıyla yapılmıştır. Simülasyon modeli olarak IEEE 33 ve IEEE 39-baralı sistemlerin gerçek zamanlı simülasyon yazılım paketi olan RSCAD kullanılarak geliştirilen modelleri kullanılmıştır. Literatürde yapılan çalışmalardan farklı olarak tez çalışmasında, arıza ve arıza yeri tespitinde kullanılacak altı yeni öznitelik vektörü geliştirilmiştir. Geliştirilen altı yeni öznitelik vektörünün yüksek empedanslı kısa devre hatalarının tespit doğruluğunu yaklaşık %10 oranında artmasına katkı sunmakta olduğu tespit edilmiştir. Bunun yanında gerçek sistemlere yakınlığın sağlanması için elde edilen verilere gürültü eklenerek yöntemlerin performansı test edilmiştir. Önerilen yöntemler, dağıtım veya iletim sisteminin sadece sekiz barasından alınan akım ve gerilim verileri ile tespit yapabilmektedir. Farklı kısa devre arızaları için 0, 30, 50 ve 100 ohm'luk dört farklı hata empedans değeri ile baradan uzaklığı 0-50, 50-100, 100-150, 150-200, 250-300, 350-400 ve >400 m olan yedi farklı mesafe kategorisinde oluşturulan çok sayıda durum için elde edilen verilerle yöntemlerin performansları analiz edilmiştir. Elde edilen sonuçlar, önerilen ORR-RVFLN ve Cauchy-M-RVFLN yöntemlerinin arıza türü tespitini, arıza türleri, hata empedansları ve gürültü değerlerine bağlı olarak %100 ile %80 doğrulukla tespit edebildiğini göstermektedir. Önerilen yöntemler RVFLN, evrişimsel sinir ağları (CNN), uzun kısa süreli bellek (LSTM), destek vektör makinesi (SVM) ve aşırı öğrenme makinesi (ELM) yöntemlerinden daha yüksek doğrulukla arıza tespiti yapabilmiştir. Arıza yeri tespitinde elde edilen sonuçlar incelendiğinde arıza yer tespitinin hata sayısının, hata empedansı arttıkça yükseldiği ve baraya olan mesafe arttıkça da azaldığı tespit edilmiştir. En çok hatalı yer tespitinin baraya en yakın mesafe olan 0-50 m aralığında olduğu görülmüştür. Sonuçlar yöntemin 400 m'den uzak mesafelerdeki arıza yerini %90'nın üzerinde doğrulukla doğru olarak tespit ettiğini göstermektedir. Önerilen iki yöntem birbirleriyle karşılaştırıldıklarında, ORR-RVFLN yönteminin Cauchy-M-RVFLN yönteminden %3 ile %8 oranında daha iyi arıza tespit başarımına sahip olduğu görülmektedir. Tüm sonuçlar göz önüne alındığında önerilen ORR-RVFLN yönteminin arıza türü ve arıza yeri tespitinde en başarılı yöntem olduğu ortaya çıkmaktadır