Enhanced fault detection in low voltage distributionsystems with innovative methods
Yenilikçi yöntemlerle alçak gerilim dağıtım sistemlerinde gelişmiş arıza tespiti
- Tez No: 970747
- Danışmanlar: PROF. DR. MUSTAFA ONAT
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dengesiz üç fazlı akımlar, güç dağıtım sistemlerinde (GDS) açık iletken arızalarının tespitini ve sınıflandırılmasını karmaşık hale getiren doğrusal olmayan sistem dinamikleri oluşturur. Mevcut literatürdeki geleneksel arıza tespit yöntemleri, eksik veri erişimi ve yetersiz modelleme teknikleri nedeniyle bu problemle baş etmede sınırlı performans sergilemektedir. Bu çalışma, söz konusu kısıtlamaları aşmak amacıyla Uzun-Kısa Vadeli Bellek (LSTM) tabanlı Karmaşık Değerli Sinir Ağları (CVNN) entegrasyonuna dayalı hibrit bir derin öğrenme mimarisi önermektedir. Yöntem, dengesiz üç fazlı dağıtım ağlarında açık iletken arızalarının tespiti ve çoklu senaryo bazlı sınıflandırılmasını hedeflemektedir. Faz dengesizliğini minimize etmek ve arıza sinyallerindeki karşıt faz bileşenlerini elimine etmek için Orantılı Topoloji Optimizasyonu (PPTO) tekniği uygulanmış; böylece arıza tespiti için yüksek kaliteli sinyal temsili sağlanmıştır. Özellik çıkarımı ve topolojik durum tahmini için, DenseNet tabanlı önceden eğitilmiş bir model, dayanıklılığı artırılmış veri temsilleriyle entegre edilmiştir. CVNN mimarisi, karmaşık değerli girdi-ağırlık uzayında hızlı hesaplama kapasitesi sunan TensorFlow Sıralı API ile gerçeklenmiş ve güç sistemlerindeki karmaşık sinyal yapılarının işlenmesi optimize edilmiştir. Önerilen yöntem, üç heterojen veri kümesinde 5-kat çapraz doğrulama ile test edilmiş ve şu performans metriklerini elde etmiştir: - Sınıflandırma Doğruluğu: %99,83 / %98,22 / %98,22 - F1-Skor: 0,8881 / 0,9983 / 0,88 - Hassasiyet: 0,9207 / 0,9983 / 0,92 - Geri Çağırma: 0,8578 / 0,9983 / 0,85 - AUC (Eğri Altı Kalan Alan): 0,9433 / 0,9917 / 0,9958 Karşılaştırmalı analizlerde, yöntem Destek Vektör Makineleri (SVM), Karar Ağaçları (DT) ve Rastgele Orman (RF) gibi geleneksel sınıflandırıcıları performans açısından geride bırakmıştır. Ayrıca, (1) Stockwell Dönüşümü + SVM, (2) Hızlı Fourier Dönüşümü + SVM ve (3) Hilbert-Huang Dönüşümü + Güç Spektral Yoğunluk Analizi gibi son teknoloji yöntemlere kıyasla daha yüksek genelleme yeteneği sergilemiştir.Sonuç olarak, önerilen hibrit mimari, gerçek zamanlı arıza teşhisi için yüksek doğruluk, kararlılık ve hesaplama verimliliği sağlayarak dinamik yük profillerine sahip endüstriyel DGS'lerinde uygulanabilirliğini kanıtlamıştır. Çalışma, derin öğrenme tabanlı sistemlerin enerji dağıtım altyapılarında kritik arızaların proaktif yönetimini nasıl destekleyebileceğine dair metodolojik bir çerçeve sunmaktadır.
Özet (Çeviri)
Unbalanced three-phase currents introduce nonlinear system dynamics in power distribution systems (PDS), complicating the detection and classification of openconductor faults. Conventional fault detection methodologies in the literature exhibit limited performance due to insufficient data availability and inadequate modelling techniques. To overcome these limitations, this study proposes a hybrid deep learning architecture integrating Long Short-Term Memory (LSTM) with Complex-Valued Neural Networks (CVNNs). The method aims to detect and classify open-conductor faults in unbalanced three-phase distribution networks under multiple operational scenarios. A Proportional Topology Optimization (PPTO) technique was applied to mitigate phase imbalance and eliminate adverse phase components in fault signals, thereby enhancing signal quality for accurate fault detection. For feature extraction and topological state prediction, a pre-trained DenseNet model was integrated with robust data representations. The CVNN framework, implemented using TensorFlow Sequential API leverages complex-valued inputs and weights to enable rapid computation, effectively processing entangled signal patterns common in power systems. The proposed approach was validated on three heterogeneous datasets using 5-fold cross-validation, achieving the following performance metrics: - Classification Accuracy: 99.83% / 98.22% / 98.22% - F1-Score: 0.8881 / 0.9983 / 0.88 - Precision: 0.9207 / 0.9983 / 0.92 - Recall: 0.8578 / 0.9983 / 0.85 - AUC (Area Under the Curve): 0.9433 / 0.9917 / 0.9958 Comparative analyses demonstrated the pre-eminence of the proposed methodology over traditional classifiers such as Support Vector Machines (SVM), Decision Trees (DT), and Random Forests (RF). It also outperformed state-of-the-art techniques, including (1) Stockwell Transform + SVM, (2) Fast Fourier Transform + SVM, and (3) Hilbert-Huang Transform + Power Spectral Density Analysis. In conclusion, the hybrid architecture achieved high accuracy, stability, and computational efficiency, proving its applicability for real-time fault diagnosis in industrial PDS with dynamic load profiles. This study provides a methodological framework for leveraging deep learning systems to enable proactive management of critical faults in energy distribution infrastructure.
Benzer Tezler
- High impedance fault detection in medium voltage distribution systems using wavelet transform
Dalgacık dönüşümü kullanılarak orta gerilim dağıtım sistemlerinde yüksek empedanslı arıza tespiti
BARAA MAKKAWI
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER USTA
- Identification and localization of high impedance faults in distribution networks
Dağıtım şebekelerindeki yüksek empedans arızaların tespiti ve konumunun belirlenmesi
EREN BAHARÖZÜ
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SUAT İLHAN
DR. ÖĞR. ÜYESİ GÜRKAN SOYKAN
- Güç transformatörleri sfra tarama frekans cevabı analizi sonuçlarının yapay zeka uygulamaları ile karşılaştırılması
Comparison of power transformer sfra sweep frequency response analysis results with artificial intelligence applications
HAKAN ÇUHADAROĞLU
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YILMAZ UYAROĞLU
- Dağıtık üretim kaynağı içeren elektrik dağıtım sistemlerinde görünmeyen hataların koruma koordinasyonu üzerindeki etkileri
Impacts of hidden failures on protection coordination in electrical distribution systems with distributed generation
MUSTAFA SELİM SEZGİN
Yüksek Lisans
Türkçe
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA BAĞRIYANIK
- A new model for fault identification approach in power transmission lines
Enerji nakil hatlarında arıza tespit yaklaşımında yeni bir model
MUHAMED G. MEHMUD AL SULTAN
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSA AVCI