Yapay zeka yöntemleri kullanılarak elektrik tesislerinde güç kalitesi problemlerinin sınıflandırılması

Güç sistemlerinin işletilmesinde tüketiciye ulaşan enerjinin kaliteli, güvenli ve kesintisiz olması hedeflenmektedir. Enerji ihtiyacının her geçen gün artması ve bununla birlikte ortaya çıkan sorunların en önemli nedenlerden biri de sistemin kararlılık problemidir. Özellikle nüfus ve sanayileşmenin artmasıyla giderek artan enerji talebi güç sistemlerinin daha ağır şartlarda çalıştırılmasını beraberinde getirmektedir. Bu da hatların fazla yüklenmesine ve iletim hatlarında sıkışıklığa neden olmaktadır. Yeni iletim hatlarının kurulum maliyetlerinin yüksek olması nedeniyle sistemler maksimum kapasitelerinde ve kararlılık sınırlarında çalıştırılmaktadır. Tez çalışmasında gerilim kararlılığını etkileyen faktörler ve bu faktörlerden biri olan güç kalitesi problemleri üzerinde durulmuştur. Problemin tanımlanması, çözümlenebilmesi için kritik önem taşımaktadır. Bu nedenle MATLAB ortamında matematiksel eşitlikler kullanılarak şebekede gerilim kararlılığını bozucu sinyaller modellenmiştir. Üretilen sinyallerin sınıflandırılması ile şebekede meydana gelen bozunum sinyallerinin tespit edilmesi amaçlanmıştır. Oluşturulan model ile sistemde meydana gelen bozukluk tespit edilebildiğinden sistemin kararlılığını sağlayacak adımların atılması da kolaylaşacaktır. Sınıflandırma işleminde K-En Kakın Komşuluk Algoritması (KNN), Destek Vektör Makineleri (DVM), karar ağaçları ve Yapay Sinir Ağları (YSA) gibi makine öğrenmesi yöntemleri kullanılmıştır. Özellik çıkarma işlemi için Fourier Dönüşümü (FD), S-Dönüşümü (SD), Hilbert Huang Dönüşümü (HHD), Dalgacık Dönüşümü (DD, Wavelet Transform) ve Ayrık Dalgacık Dönüşümü (ADD, Discrete Wavelet Transform) yaygın olarak kullanılmaktadır. Bu çalışmada üretilen sinyallerden öncelikle enerji, standart sapma, mutlak değerin ortalaması, eğrilik, basıklık, ortalama (medyan) mutlak sapma, ortalama frekans, medyan frekans, toplam harmonik bozulma, rms, rms oranının tepe büyüklüğü ve entropi olmak üzere 13 adet özellik çıkarılıp sınıflandırma algoritmalarına verilmiştir. Ayrıca ADD yöntemi ile de özellik çıkarımı yapılmış ve sonuçlar karşılaştırmalı olarak verilmiştir. Yapılan çalışma sonucunda dalgacık dönüşümü yapılmadan, 13 adet özellik çıkarılarak yapılan sınıflandırmada Kübik DVM ile %94.4 ile en yüksek doğruluk bulunmuştur.