Mikroşebekelerde ada mod çalışmanın tespiti ve güç kalitesi olaylarının sınıflandırılması için yapay zekâ tabanlı kontrol yöntemlerinin geliştirilmesi
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bursa Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu tez çalışmasında, şebeke koduna ve belirli standartlara uygun şekilde Ada mod (AMOD) çalışma ve güç kalitesi olaylarının (GKO) tespiti ve sınıflandırılması için literatüre katkıda bulunan özgün akıllı yöntemler önerilmiştir. Önerilen yöntemi kullanan izleme-tespit-koruma sistemi için prototip bir ürünün geliştirilmesi de tez kapsamında gerçekleştirilmiştir. Bu kapsamda, yenilenebilir enerji kaynakları (YEK) ve elektrik araç (EA) şarj ünitelerini içeren bir mikroşebeke test sistemi de oluşturulmuştur. Literatürde, konu hakkında araştırma yapan bilim insanlarının çalışmalarında kullanmak için bulmakta zorlandığı doğrulanmış bir veri setinin olmaması önemli bir sorundur. Deneysel sistem ile üretilerek doğrulanmış ve çok çeşitli GKO'larını içerisinde barındıran geniş kapsamlı bir GKO ve AMOD çalışma veri setinin tez kapsamında sunulması, tezin önemli diğer bir katkısı olarak değerlendirilmiştir. AMOD Çalışma'nın tespiti, GKO'ların ve AMOD Çalışma'nın birbirinden ayırt edilmesi konuları, güç sisteminin kararlılığı ve güvenilirliği, DG'lerin şebekeye entegrasyonu ve güç kalitesi açısından literatürde oldukça önemlidir. AMOD çalışma tespit yöntemleri, YEK-Tabanlı DG'lerin ve EA şarj sistemleri gibi lineer olmayan yüklerin olduğu sistemlerde hatalı açma yapabilmektedir. Bu problemin üstesinden gelmek için tek fazlı DG'lerdeki AMOD çalışma araştırılmış ve fotovoltaik (FV)-Tabanlı bir sistem için yeni bir örnek indirgenmemiş dalgacık dönüşümü (ÖİDD)-Tabanlı yöntem önerilmiştir. Piramidal ÖİDD-Tabanlı AMOD çalışma tespit yaklaşımı, güç uyuşmazlığının minimum olduğu en zor şartlar da dahil olmak üzere farklı mod çalışma koşulları ve üretilen GKO'lar için geliştirilen gerçek zamanlı deneysel sistemle de doğrulanmıştır. Önerilen yöntem, yüksek gürültü koşulları için bile AMOD çalışma tespit performansını önemli ölçüde iyileştirmektedir. ÖİDD-Tabanlı yöntem, ortalama 75 ms'de AMOD çalışmayı yaklaşık sıfır ADB ile tespit edebilmektedir. Bu avantajlarıyla, önerilen yöntem, farklı DG'ler için güvenilir ve kolaylıkla kullanılabilir bir koruma sağlar. Mikroşebekelerde meydana gelen güç kalitesi (GK) sorunları, geleneksel güç sistemindeki olaylara benzemekle beraber, bazı şebeke işletim operasyonları nedeniyle çok daha zor tanımlanır. Mikroşebekelerde, rüzgar hızı ve güneş ışınım değerlerindeki değişim gibi çevresel faktörler, şebeke ve yük tarafında dengesizliklere neden olabilir. Ayrıca, DG'lerin devreye girmesi/çıkması, YEK-Tabanlı DG'lerin şebekeye entegrasyonunda kullanılan dönüştürücü ve inverter gibi güç elektroniği cihazlarındaki artış ve son yıllardaki gelişmelerle birlikte sayıları hızlar artan EA şarj istasyonları gibi lineer olmayan yüklerdeki çoğalma, geleneksel sistemlerdekinden farklı tipte GKO'lara sebep olmaktadır. Bu problemlerin üstesinden gelmek için tez çalışmasında GKO olaylarının sınıflandırılması için dört farklı yöntem önerilmiştir. İlk önerilen yöntem, ÖİDD-Tabanlı öznitelik çıkarma işlemi ve çoklu çekirdek içeren destek vektör makinesi (DVM) sınıflandırıcı içeren hibrit bir makine öğrenmesi yapısıdır. Önerilen öznitelik çıkarım sürecinin performans iyileştirmesini kanıtlamak için diğer DD-Tabanlı yöntemlerle karşılaştırmalar yapılmıştır. Ayrıca ÖİDD'nin performansı farklı sınıflandırıcı modelleri için de incelenmiştir. Sonuçta, DD'ye dayalı olarak geliştirilen ancak gürültü altında düşük performansa sahip olan sınıflandırıcıların performansı, ÖİDD ile önemli ölçüde iyileştirilmiştir. ÖİDD ve DVM-Tabanlı hibrit yöntem, 25 dB ile 40 dB gürültü altında bile yüksek doğruluk ve güvenilirlikle GKO sınıflandırması yapabilmektedir. GKO'lar için genel tanıma testi doğruluğu, önerilen ÖİDD ve DVM tabanlı hibrit yöntem için %99,85'tir. Önerilen ikinci yöntem olan ÖİDD-Gradyan artırıcı karar ağaçları (GAKA)-Tabanlı GKO sınıflandırma yönteminde ise Piramidal ÖİDD ile sınıflandırma başarımı oldukça yükseltilmiştir. Test/tahminde en hızlı algoritma olan GAKA'nın performansındaki düşüşler genellikle sinyaldeki gürültünün aşırı uydurulmasından kaynaklanmaktadır. ÖİDD süreci ile bu dezavantaj ortadan kalkmakta ve nominal koşullardaki gibi yüksek bir sınıflandırma doğruluğu elde edilebilmektedir. Önerilen yöntem düşük seviyeli gürültü koşullarında %99,50, yüksek seviyeli gürültü koşullarında ise %99,29 sınıflandırma doğruluğuna sahiptir. Üçüncü önerilen yöntem ise bulanık mantık karar verici (BKV) ile ÖİDD ayrıştırmasından oluşan adaptif özellikteki şemadır. Bu şema, özellikle eşik değer içeren tespit ve sınıflandırma yöntemlerindeki gürültülü koşullardan kaynaklanan belirsiz durumlar nedeniyle yanlış algılama ve eksik algılama eğilimini önlemek için oluşturulmuştur. 20-40 dB yüksek seviyeli gürültü koşullarında ise %94,96 sınıflandırma doğruluğuna sahiptir. Önerilen dördüncü yöntem ise derin ağ modelleri ve ağırlıklı çoğunluk oylaması (AÇO) içeren yöntemdir. Otomatik özellik çıkarma ve sınıflandırma için kapalı döngü derin evrişimsel sinir ağları (ESA), uzun kısa süreli bellek (UKSB) ve hibrit (ESA-UKSB) modeller kullanılmaktadır. Derin ESA-UKSB yapısında, öznitelik çıkarımı için ESA'nın ve zaman serisi veri işleme için UKSB'nin avantajları, karmaşık GKO sınıflandırma doğruluğunu iyileştirmek için kullanılmıştır. Önerilen derin ağlar-AÇO gürültüsüz ortamda %99,26, düşük seviyeli gürültüde %98,58 ve yüksek seviyeli gürültüde %98,05 doğruluk oranına sahiptir. Ayrıca, gerçek veriler için sınıflandırma doğruluğu %97,78'dir. Tez sonrasındaki AMOD çalışma tespitine yönelik yaklaşımların, veri sayısının arttırılması ve önerilen algoritmanın FPGA-Tabanlı bir karta gömülmesine odaklanması hedeflenmektedir. Tezde önerilen gelişmiş yapay zeka temelli pasif yöntem, çoklu inverter yapılarına uygundur. Ancak gerçek zamanlı testleri laboratuvar imkanları nedeni ile bu çalışmada gerçekleştirilememiştir. İlerleyen süreçte iki veya daha fazla şebeke bağlantılı DG içeren bir test sistemi kurularak bu testlerin de gerçekleştirilmesi düşünülmektedir. Diğer yandan, IoT ve 5G teknolojisini içeren akıllı şebekelerde GKO'ların tespiti ve sınıflandırılması da gelecek çalışmalar kapsamında değerlendirilecektir. Bununla birlikte, gelecekteki GKO sınıflandırma/tespit çalışmaları, optimizasyon yöntemleri gibi özellik seçim tekniklerini kullanarak özellik vektörünü azaltmaya da odaklanmalıdır.
This thesis proposes intelligent methods for islanding condition and Power Quality Event (PQE) detection/classification in accordance with the Grid Code and certain standards. At the same time, a prototype product for the monitoring-detection-protection system using the proposed method has been developed. In this context, a microgrid test system including renewable energy sources (RES) and electric vehicle (EV) charging stations has been established. In addition, the lack of a common data set that can be used and evaluated for the performance of the method, which is an important gap in the literature, has been attempted to be overcome. Data sets consisting of mathematical, simulated and test system real data for event signals will provide convenience to researchers in the field. Conventional passive and advanced passive islanding detection methods can lead to inaccurate tripping in systems with non-linear loads such as renewable energy based DG and EV charging systems. To overcome this problem, islanding in single-phase DGs is investigated and a new un-decimated wavelet transform (UWT)-based method is proposed for a PV system. The pyramidal UWT-based approach for detecting islanding mode operation is validated by a real-time experimental setup for different mode operation conditions and generated PQEs, including the most severe conditions where the power mismatch is minimal. The proposed method significantly improves the islanding detection performance even under high noise conditions. The UWT-based method is able to detect the islanding mode operation in an average of 75 ms with approximately zero non-detection zone(NDZ). With these advantages, the proposed method provides reliable and easy-to-use protection for various DGs. Power quality (PQ) problems occurring in microgrids are similar to the phenomena in conventional power systems, but are much more difficult to identify due to some operating operations. In microgrids, environmental factors such as variations in wind speed and solar irradiance can cause instabilities on both the grid and load side. In addition, the start-up/start-up of DGs, the increase in power electronics devices such as converters and inverters used in the integration of RES-based DGs into the grid, and the proliferation of non-linear loads such as EV charging stations, the number of which has been increasing rapidly with the developments in recent years, cause different PQEs than in conventional systems. To overcome these problems, four different methods are proposed in this thesis for the classification of PQEs. The first proposed method is a UWT-based feature extraction process and a support vector machine (SVM) classifier with multiple kernels for the classification of SCOs in DGs. Comparisons with other WT-based methods are made to prove the performance improvement of the proposed feature extraction process. In addition, the performance of the WT-based feature extraction process is also analysed for different classifier models. As a result, the performance of the classifiers developed based on WT, which have poor performance under noise, is significantly improved by the UWT. The proposed hybrid method based on UWT and SVM is able to classify PQEs with high accuracy and reliability even under 25 to 40 dB noise. The overall recognition test accuracy for PQEs is 99.85% for the proposed UWT and DVM-based hybrid method. The classification accuracy under low level noise and high level noise conditions are 99.66% and 99.32%, respectively. In the second proposed method, the UWT-Gradient boosting decision tree (GBDT)-based PQE classification method, the classification performance is significantly improved with pyramidal UWT. The performance degradation of GBDT, which is the fastest algorithm in test/forecast, is usually due to over-fitting of the noise in the signal. This disadvantage is eliminated with the UWT process and a high classification accuracy can be obtained as in nominal conditions. The test accuracy is 99.59 per cent for the UWT-GBDT under noise-free conditions. In addition, the proposed method has a classification accuracy of 99.50% under low level noise conditions and 99.29% under high level noise conditions. The third proposed method is an adaptive scheme consisting of a fuzzy logic decision maker (FDM) and a UWT decomposition. This scheme was created to avoid the tendency of false detection and underdetection due to uncertainty caused by noisy conditions, especially in threshold detection and classification methods. The test accuracy of the mathematical and simulated data is 96.13% for the FDM method using pyramidal UWT under noiseless conditions. In 20-40 dB high level noise conditions, the classification accuracy is 94.96%. The fourth proposed method includes deep network models and weighted majority voting (WMV). Closed-loop deep convolutional neural networks (CNN), long short-term memory (LTSM) and hybrid (CNN-LSTM) models are used for automatic feature extraction and classification. In the deep CNN-LSTM structure, the advantages of CNN for feature extraction and LSTM for time series data processing are utilised to improve the complex PQE classification accuracy. The proposed deep networks-WMV has an accuracy of 99.26% in noise-free environment, 98.58% in low-level noise and 98.05% in high-level noise. Moreover, the classification accuracy for real data is 97.78% Future island mode detection work focuses on increasing the number of data and embedding the proposed algorithm on a field programmable gate array (FPGA)-based board. The proposed advanced passive method is suitable for multiple inverter structures, but real-time tests could not be performed. In the future, a test system with two or more grid-connected DGs is planned to be built to perform these tests. On the other hand, the focus will be on the detection and classification of PQEs in smart grids including IoT and 5G technology. However, future PQE classification/detection studies should focus on reducing the feature vector using feature selection techniques such as optimisation methods.
This thesis proposes intelligent methods for islanding condition and Power Quality Event (PQE) detection/classification in accordance with the Grid Code and certain standards. At the same time, a prototype product for the monitoring-detection-protection system using the proposed method has been developed. In this context, a microgrid test system including renewable energy sources (RES) and electric vehicle (EV) charging stations has been established. In addition, the lack of a common data set that can be used and evaluated for the performance of the method, which is an important gap in the literature, has been attempted to be overcome. Data sets consisting of mathematical, simulated and test system real data for event signals will provide convenience to researchers in the field. Conventional passive and advanced passive islanding detection methods can lead to inaccurate tripping in systems with non-linear loads such as renewable energy based DG and EV charging systems. To overcome this problem, islanding in single-phase DGs is investigated and a new un-decimated wavelet transform (UWT)-based method is proposed for a PV system. The pyramidal UWT-based approach for detecting islanding mode operation is validated by a real-time experimental setup for different mode operation conditions and generated PQEs, including the most severe conditions where the power mismatch is minimal. The proposed method significantly improves the islanding detection performance even under high noise conditions. The UWT-based method is able to detect the islanding mode operation in an average of 75 ms with approximately zero non-detection zone(NDZ). With these advantages, the proposed method provides reliable and easy-to-use protection for various DGs. Power quality (PQ) problems occurring in microgrids are similar to the phenomena in conventional power systems, but are much more difficult to identify due to some operating operations. In microgrids, environmental factors such as variations in wind speed and solar irradiance can cause instabilities on both the grid and load side. In addition, the start-up/start-up of DGs, the increase in power electronics devices such as converters and inverters used in the integration of RES-based DGs into the grid, and the proliferation of non-linear loads such as EV charging stations, the number of which has been increasing rapidly with the developments in recent years, cause different PQEs than in conventional systems. To overcome these problems, four different methods are proposed in this thesis for the classification of PQEs. The first proposed method is a UWT-based feature extraction process and a support vector machine (SVM) classifier with multiple kernels for the classification of SCOs in DGs. Comparisons with other WT-based methods are made to prove the performance improvement of the proposed feature extraction process. In addition, the performance of the WT-based feature extraction process is also analysed for different classifier models. As a result, the performance of the classifiers developed based on WT, which have poor performance under noise, is significantly improved by the UWT. The proposed hybrid method based on UWT and SVM is able to classify PQEs with high accuracy and reliability even under 25 to 40 dB noise. The overall recognition test accuracy for PQEs is 99.85% for the proposed UWT and DVM-based hybrid method. The classification accuracy under low level noise and high level noise conditions are 99.66% and 99.32%, respectively. In the second proposed method, the UWT-Gradient boosting decision tree (GBDT)-based PQE classification method, the classification performance is significantly improved with pyramidal UWT. The performance degradation of GBDT, which is the fastest algorithm in test/forecast, is usually due to over-fitting of the noise in the signal. This disadvantage is eliminated with the UWT process and a high classification accuracy can be obtained as in nominal conditions. The test accuracy is 99.59 per cent for the UWT-GBDT under noise-free conditions. In addition, the proposed method has a classification accuracy of 99.50% under low level noise conditions and 99.29% under high level noise conditions. The third proposed method is an adaptive scheme consisting of a fuzzy logic decision maker (FDM) and a UWT decomposition. This scheme was created to avoid the tendency of false detection and underdetection due to uncertainty caused by noisy conditions, especially in threshold detection and classification methods. The test accuracy of the mathematical and simulated data is 96.13% for the FDM method using pyramidal UWT under noiseless conditions. In 20-40 dB high level noise conditions, the classification accuracy is 94.96%. The fourth proposed method includes deep network models and weighted majority voting (WMV). Closed-loop deep convolutional neural networks (CNN), long short-term memory (LTSM) and hybrid (CNN-LSTM) models are used for automatic feature extraction and classification. In the deep CNN-LSTM structure, the advantages of CNN for feature extraction and LSTM for time series data processing are utilised to improve the complex PQE classification accuracy. The proposed deep networks-WMV has an accuracy of 99.26% in noise-free environment, 98.58% in low-level noise and 98.05% in high-level noise. Moreover, the classification accuracy for real data is 97.78% Future island mode detection work focuses on increasing the number of data and embedding the proposed algorithm on a field programmable gate array (FPGA)-based board. The proposed advanced passive method is suitable for multiple inverter structures, but real-time tests could not be performed. In the future, a test system with two or more grid-connected DGs is planned to be built to perform these tests. On the other hand, the focus will be on the detection and classification of PQEs in smart grids including IoT and 5G technology. However, future PQE classification/detection studies should focus on reducing the feature vector using feature selection techniques such as optimisation methods.
Açıklama
Anahtar Kelimeler
Akıllı şebekeler, Intelligence networks, Elektrik güç sistemleri, Electric power systems, Güç kalitesi, Power quality, Yapay zeka, Artificial intelligence, Çoklu dalgacık, Multiwavelet
