Enerji iletim hatlarında arıza tipi ve konumunun makine öğrenmesine dayalı tespiti
Machine learning based detection of fault type and location in power transmission lines
- Tez No: 1016870
- Danışmanlar: DR. ÖĞR. ÜYESİ KORHAN KARAARSLAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
İletim hattı arızalarının güvenilir tespiti, sınıflandırılması ve konumlandırılması, modern güç sistemlerinin kararlılığını ve dayanıklılığını sağlamak için kritik öneme sahiptir. Yenilenebilir enerji üretiminin, çift yönlü güç akışlarının ve seri kompanzasyonlu iletim hatlarının artan yaygınlığı, uyarlanabilir, veri odaklı koruma şemalarına olan ihtiyacı artırmıştır. Geleneksel röle tabanlı yöntemler, yüksek empedans koşulları, gelişen arızalar ve karmaşık şebeke dinamikleri altında genellikle yetersiz kalmaktadır. Bu tez, yüksek gerilim iletim sistemlerinde doğru arıza sınıflandırması ve konum tahmini için makine öğrenimi tabanlı bir koruma çerçevesi sunmaktadır. Önerilen bu yapı, arıza sonrası gerilim ve akım sinyallerinden çok alanlı özellik çıkarımı, özellik önem analizi ve denetimli öğrenme modellerini entegre etmektedir. Arıza sonrası gerilim ve akım dalga formlarını elde etmek amacıyla kapsamlı iki MATLAB/Simulink modeli geliştirilmiştir: (i) sistematik öznitelik değerlendirmesi ve gözlem penceresi analizi için 132 kV, 50 km tek devreli bir iletim hattı ve (ii) yüksek doğruluklu uzun hat analizi için 300 km'lik seri kompanzasyonlu bir şebeke. Çalışmada, 20-60 ms'lik arıza sonrası gözlem pencerelerinden; zaman alanı istatistiksel ölçümlerini, frekans alanı toplam harmonik bozulmayı ve dalgacık tabanlı zaman-frekans tanımlayıcılarını kapsayan toplam 96 öznitelik hesaplanmıştır. En bilgilendirici nitelikleri belirlemek ve hesaplama yükünü azaltmak amacıyla, Rastgele Orman (Random Forest) algoritması kullanılarak öznitelik önem analizi gerçekleştirilmiştir. Çalışma kapsamında; Rastgele Orman, Destek Vektör Makinesi, k-En Yakın Komşular, Lojistik Regresyon, Karar Ağacı ve Çok Katmanlı Algılayıcı Sinir Ağı olmak üzere altı denetimli makine öğrenimi algoritması, farklı öznitelik alt kümeleri üzerinden sistematik olarak karşılaştırılmıştır. Sınıflandırma modelleri, arıza türlerinin ayırt edilmesinde yüksek doğruluk sağlarken, aynı algoritmalardan türetilen regresyon modelleri iletim hattı boyunca hassas arıza konumu kestirimi sunmaktadır. Elde edilen sonuçlar, optimize edilmiş öznitelik alt kümelerinin, doğruluk oranını koruyarak veya artırarak model karmaşıklığını önemli ölçüde azalttığını ortaya koymaktadır. Ayrıca, arıza sonrası gözlem penceresi süresinin, sınıflandırma performansını değiştirmeksizin arıza konum kestirimini güçlü bir şekilde etkilediği tespit edilmiştir. Önerilen bütünleşik sınıflandırma-regresyon çerçevesi, yenilenebilir enerji entegrasyonu, uzun iletim hatları ve seri kompanzasyon ile karakterize edilen modern şebeke yapıları için uygun, ölçeklenebilir ve yorumlanabilir bir çözüm sunmaktadır.
Özet (Çeviri)
Reliable detection, classification, and localization of transmission line faults are of critical importance for ensuring the stability and resilience of modern power systems. The increasing penetration of renewable energy sources, bidirectional power flows, and series-compensated transmission lines has intensified the need for adaptive, data-driven protection schemes. Conventional relay-based methods often prove inadequate under high-impedance fault conditions, evolving faults, and complex grid dynamics. This thesis presents a machine learning-based protection framework for accurate fault classification and location estimation in high-voltage transmission systems. The proposed framework integrates multi-domain feature extraction from post-fault voltage and current signals, feature importance analysis, and supervised learning models. To obtain post-fault voltage and current waveforms, two comprehensive MATLAB/Simulink models were developed: (i) a 132 kV, 50 km single-circuit transmission line for systematic feature evaluation and observation window analysis, and (ii) a 300 km series-compensated transmission network for high-accuracy long-line analysis. A total of 96 features were computed from post-fault observation windows ranging from 20 to 60 ms, including time-domain statistical measures, frequency-domain total harmonic distortion, and wavelet-based time-frequency descriptors. To identify the most informative features and reduce computational burden, feature importance analysis was performed using the Random Forest algorithm. Within the scope of the study, six supervised machine learning algorithms, Random Forest, Support Vector Machine, k-Nearest Neighbors, Logistic Regression, Decision Tree, and Multilayer Perceptron Neural Network, were systematically compared using different feature subsets. The classification models achieved high accuracy in distinguishing fault types, while regression models derived from the same algorithms provided precise fault location estimation along the transmission line. The results demonstrate that optimized feature subsets significantly reduce model complexity while maintaining or improving classification and regression performance. Furthermore, it was observed that the duration of the post-fault observation window strongly influences fault location estimation accuracy, while having minimal impact on classification performance. The proposed integrated classification–regression framework offers a scalable, interpretable, and effective solution for modern power grid structures characterized by renewable energy integration, long transmission lines, and series compensation.
Benzer Tezler
- Organize sanayi bölgelerinde iş güvenliği sorunlarının teknik ve bilimsel araştırılmasında bir yöntem önerisi
Başlık çevirisi yok
MEHMET ALİ YILDIRIM
Yüksek Lisans
Türkçe
1986
Çalışma Ekonomisi ve Endüstri İlişkileriGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. İBRAHİM BOYNUKALIN
- Çoklu amaçların çözümlemesinde amaç programlaması ile genelleştirilmiş ters yaklaşımı ve yem sanayiinde bir uygulama
Goal programming and generalieed inverse approaches in the multi-objective analysis and application in feed industry
HASAN BAL
- Akaryakıtla çalışan endüstriyel tav fırınlarında yanma, sıcaklık ve basıncın optimum kontrolu
Optimum control of combustion temperature and pressure in industrial tempering furnaces working with fuel-oil
MEHMET EROĞLU
Yüksek Lisans
Türkçe
1987
Makine MühendisliğiGazi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. YÜCEL ERCAN
- Sürekli rejim şartlarında nükleer yakıt çubuklarında tek ve iki boyutlu ısı iletiminin analizi
In steady-state conditions analyses of one and two dimensional conduction in nuclear fuel rods
İBRAHİM ATILGAN
Yüksek Lisans
Türkçe
1987
Makine MühendisliğiGazi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERCAN ATAER