Mikro şebekelerde ada durumuna geçme koşulunun yapay öğrenme teknikleri kullanarak tespit edilmesi

Son yıllarda, çevreyi olumsuz etkileyen geleneksel enerji üretim teknikleri yerine yenilenebilir enerjinin kullanılması konusu , Dağıtık Üretim Kaynaklarını elektrik şebekelerinin kullanıma sunmuştur. Bu şebekelerde, geleneksel olarak kullanılan merkezi büyük güç üretim tesislerinin kullanılması yerine, şebekenin tümüne daha küçük enerji üretim kaynakları yerleştirilmektedir. Bu tip şebekeler, enerji üretim birimlerinin işletilmesinde ve korunmasında, ayrıca şebekeden akan gücün kalitesi ve kullanılabilirliğinde yeni zorluklar ortaya çıkarmaktadır. Dağıtık üretim kaynaklarının elektrik şebekelerine entegrasyonu sonrası karşılaşılan en önemli zorluklardan biri, adalanma durumunun tespit edilmesidir. Adalanma durumunda, mikro şebeke olarak adlandırılan dağıtık üretim kaynaklarına sahip şebekenin bir bölümü, şebekeden ayrılarak, kendi içinde bulunan üretim kaynakları ile işletilmeye devam etmektedir. Ana şebekede bir arıza meydana geldiğinde, sistemdeki dağıtık üretim kaynaklarına sahip bir bölgeyi korumak için, adalanma durumunun tespit edilmesi zorunludur. IEEE standartları, adalanma durumunun 2 saniye içinde tespit edilmesi gerektiğini önermektedir. Adalanma durumunun tespit edilmesi için literatürde bir çok yöntem bulunmaktadır. Bu yöntemler aktif, pasif ve haberleşmeye dayalı yöntemler olmak üzere üç ana katagoriye ayrılabilmektedir. Aktif yöntemler, dağıtık üretim kaynaklarının çıkış (inverter çıkışı) formuna bir miktar bozulma eklenmesine dayanmaktadır. Bu bozulmanın etkisi, ilgili birimin terminallerden ölçülmektedir. Adalanma durumunun meydana gelmesi halinde, yani şebeke küçüldükçe, bu bozulmaların etkisi daha belirgin hale gelmektedir. Aktif yöntemler adalanma durumunu hızlı tespit etme özelliğine sahip olmalarına rağmen, bu yöntem kapsamında kullanılan ekipmanların maliyetleri yüksektir. Aynı zamanda aktif yöntemler, güç kalitesini de olumsuz etkilemektedir. Haberleşmeye dayalı yöntemler şebekenin farklı bölgelerindeki bilgileri adalanma durumunu tespit etmek için kullanmaktadır. Bu yöntemde, koruma elemanlarının durumu, gerilim, güç veya frekans gibi bilgileri, mikro şebekenin belirli noktaları için, uzaktan alınan ölçümler ile kullanmaktadır. Bu yöntem adalanma durumunun hızlı ve yüksek doğrulukta tespit edilmesine olanak sağlamaktadır. Fakat oldukça maliyetli bir iletişim sistemine ihtiyaç duymaktadır. Aynı zamanda koruma sistemin güvenilirliği de bu iletişim sistemine bağlıdır; iletişim sisteminde bir arıza meydana geldiğinde, adalanma durumunun tespiti doğru şekilde gerçekleşemeyecektir. Her ne kadar bu yöntem, güç kalitesi açısından bir olumsuzluğa sahip olmasada, sistemdeki yüksek maliyetli altyapı sistemlerinin var olup olmamasına bağlıdır. Adalanma durumunun tespitinde kullanılan pasif yöntemler, sistemde yerel olarak yerleştirilirler ve herhangi bir haberleşme altyapısına gerek duymadıkları gibi güç kalitesi açısından da bir olumsuz etkileri bulunmamaktadır. Bu yöntemler, adalanma durumunun tespit edilmesi için dağıtık üretim kaynaklarındaki bazı spesifik ölçümlerin izlenmesine dayanmaktadır. Var olan pasif yöntemler, diğer katagorilerdeki yöntemler ile karşılaştırıldığında, adalanma durumunu sınırlı tespit edebilme kapasitesine sahiptirler. Fakat düşük maliyetleri ve başka bir sisteme (haberleşme vb.) bağlı olmamaları, bu yöntemi gelecek vaat eden bir yöntem haline getirmektedir. Yerel ölçümlere dayanan mevcut yöntemlerin tek sakıncası, adalanma durumunun tespit edilemediği bölgenin (Non-Detection Zone) diğer yöntemlere kıyasla daha geniş olmasıdır. Bu durum ise pasif yöntemlerin, bazı adalanma durumunlarının tespitinde daha az kapasiteye sahip olmasına yol açmaktadır. Bu çalışmada, kıvrımsal sinir ağlarına dayalı yeni bir pasif yöntemin performansı test edilmiştir. Kıvrımsal Sinir Ağları (KSA) canlıların çevresini görme biçimini taklit etmektedir. Bunlar, sinir ağı eğitiminde tespit edilen özelliklerin varlığını ve yerini saptamaya dayanmaktadır. Her fazın gerilimi için önceden belirlenmiş olan anlık değer sayısına dayanarak üç matris oluşturulur. Bu matrisler, şebekenin normal işletmede veya adalanma durumunda olup olmadığını öngörmek için sinir ağına giriş olarak verilir. Anlık değerlerin kullanılması, belirli bir süre boyunca ölçülen değişkenin anlık değerlerinin bir özet bilgisini temsil eden frekans ve RMS değerleri gibi değerleri kullanan diğer tekniklerden farklı olarak, KSA'ya adalanma durumunu daha hızlı tespit edebilmesini sağlar. Ani değişiklikler, bu değerleri etkilemek için daha uzun süreye ihtiyaç duyarlar ve bu da tespit süresinin uzamasına neden olur. Öte yandan, bazı yöntemler, ölçüm değerindeki değişikliği yansıtmak için daha uzun süre gerektiren değişim oranı gibi özet bilgi içeren değerlere dayanmaktadır. Şebekenin normal işletme durumunu ve ada durumunu simüle etmek için bir test sistemi Matlab&Simulink kullanılarak oluşturulmuştur. Daha sonra, sınıflandırıcılar, ada durumunun tespitinde geniş bir kullanım alanına sahip oldukları için, simülasyon çalışmaları sonucunda alınan verilere dayalı olarak farklı sınıflandırıcılar oluşturulmuştur. Son olarak, kıvrımlı sinir ağı için python programlama dili, sinir ağları uygulaması için ise Tensorflow kütüphanesi kullanılmıştır. Adalanma durumunun tespitinde KSA kullanımı, diğer sınıflandırıcılarla karşılaştırıldığında daha iyi performans sergilemiştir. KSA kullanımı ile adalanma durumu %99,78 doğruluk oranıyla ve 11,7 milisaniye tespit süresiyle, karar ağacı sınıflandırıcısı % 97.02 doğruluk oranı ve 61.64 milisaniye tespit süresiyle, rastgele ormanlar %99.08 doğruluk oranı ve 19.01 milisaniyelik tespit süresine sahiptir. En yakın komşu sınıflandırıcısı (k-NN) %99.97 oranın yüksek bir başarım göstermiştir. Fakat oldukça yüksek bir hesaplama zamanına sahip olmakla birlikte adalanma durumunu tespit süresi 50.53 milisaniyedir. Bayes Net sınıflandırıcısı ise %99.34 doğruluğa ve 14.24 milisaniye tespit süresine sahiptir. Sınıflandırıcıların performanslarının test edilmesinde, eğitimlerinde kullanılan ve 2 farklı durumu (şebekeye-bağlı / adalanma durumu) içeren bir veri seti kullanmıştır. Kıvrımsal sinir ağları kullanılılarak yapılan adalanma durumunun tespiti 11,7 milisaniyeye ihtiyaç duymaktadır. Bu süre içerisinde kıvrımsal sinir ağları adalanma durumunun tespiti için 4.5 milisaniyeye, hesaplama için ise 4.5 milisaniyeye ihtiyaç duymaktadır. Bu hesaplama süresi, adalanma durumunun daha hızlı tespi edilebilmesi için, daha iyi donanım özelliklerine sahip bilgisayarlar kullanarak veya bazı özel hızlandırıcıları kullanarak azaltılabilir.