Yapay Us Yöntemleri Kullanılarak Enerji Kalitesi Bozucularının Belirlenmesi

Abstract

Bu tez çalışmasında gerilim yükselmesi, gerilim çökmesi, harmonikli gerilim,geçici olay içeren gerilim ve kırpışmalı gerilimden oluşan beş adet güç kalitesibozucusu ve saf sinüs işareti dalgacık tabanlı destek vektör makinesiyle (DVM)sınıflandırılmaya çalışılmıştır ve kullanılan aynı özellik vektörü ve aynı veriler içinDVM' nin başarımı yapay sinir ağları (YSA) ve Bayes sınıflandırıcıylakarşılaştırılmıştır.İlk başta temel güç sistem sıklığındaki güç kalitesi bozucusu içeren işaretlerinbelirlenmesi istatistiksel yöntemler kullanılarak gerçekleştirilmiştir. Oluşturulanişaretlerin bölgesel pencereler içerisinde çarpıklık ve basıklık katsayıları hesaplanmıştır.Elde edilen çarpıklık ve basıklık katsayılarının genliklerindeki değişimler oluşturulanbozucuların oluşum zamanlarını belirleyebilmektedirler. Bu istatistiksel yöntemin bazıgüç kalitesi olaylarında (yükselme, çökme, geçici olay) bozucunun oluşum yerine görefarklı sonuçlar verdiği gözlemlenmiştir. Bu iki katsayının enerjileri Bayessınıflandırıcıya verilmiştir. Sınıflandırıcı sonuçlarına göre bazı güç kalitesibozucularının birbirine karıştığı görülmüştür. Çarpıklık ve basıklık katsayılarınınenerjilerine ek olarak kullanılacak farklı özelliklerle sınıflandırıcı başarımınınartabileceği sonucu gözlemlenmiştir.Ardından temel güç sistem sıklığındaki güç kalitesi bozucusu içeren işaretlerinanalizi ayrık dalgacık dönüşümü kullanılarak gerçekleştirilmiştir. Güç kalitesi bozucusuiçeren işaret yüksek sıklıklı bileşen içermiyorsa sadece dalgacık dönüşümünün yetersizkaldığı gözlemlenmiştir.Daha sonra oluşturulan temel güç sistem sıklığındaki güç kalitesi bozucuişaretlerinin enerji dağılım özelliklerini çıkarmak için çok çözünürlüklü ayrık dalgacıkdönüşümü ve Parseval kuramı uygulanmıştır. Destek vektör makinesi güç kalitesibozucularının özellik vektörlerini sınıflandırmak için kullanılmıştır. DVM' ninsınıflandırma başarımının oldukça iyi olduğu görülmüştür. Temel güç sistem sıklığıdışındaki güç kalitesi bozucu işaretlerini de önerilen yöntemin yüksek başarımlasınıflandırdığı gözlemlenmiştir.Anahtar Kelimeler: Güç kalitesi, gerilim çökmesi, gerilim yükselmesi, harmonikligerilim, geçici olay, kırpışma, ayrık dalgacık dönüşümü, çarpıklık ve basıklıkkatsayıları, destek vektör makinesi, yapay sinir ağları, Bayes sınıflandırıcı.

In this thesis five kinds of power quality disturbances such as voltage swell,voltage sag, voltage with harmonics, transients, flicker and pure sine are tried to classifyby using wavelet based support vector machines (SVM) and performance of SVM iscompared with artificial neural network (ANN) and Bayes classifier for same futurevector and datas.Firstly signals consisting of power quality disturbances at power systemfrequency is determined by using statistical methods. Skewness and kurtosiscoefficients of constituted signals are calculated in local frames. Changes of skewnessand kurtosis coefficients? amplitudes determine the moment of occurrences ofconstituted disturbances. . It has been observed that in certain power quality events(swell, sag, and transients) this statistical method gives different results depending onmoment of occurrences of disturbances. Energy of these coefficients are given to Bayesclassifier. According to results of classifier it is seen that some power qualitydisturbances are confused. It?s observed that performance of classifier can be increasedwith different features in addition to energy of skewness and kurtosis coefficients.After that the signals consisting of power quality disturbances are determined byusing discrete wavelet transform. It is observed that if a signal consisting of powerquality disturbances not having high frequency components, wavelet transform seemsinsufficient.After that multi-resolution analysis (MRA) technique of discrete wavelettechnique (DWT) and Parseval?s theorem are employed to extract the energydistribution features of signals consisting of power quality disturbances at powersystem frequency. SVM are used to classify these feature vectors of PQ disturbances.It?s seen that classification performance of SVM is well. It?s observed that this methodclassify signals consisting of power quality disturbances even if they are outside ofpower system frequency.Key Words: Power quality, voltage sag, voltage swell, voltage with harmonics,transients, flicker, discrete wavelet transform, skewness and kurtosis coefficients,support vector machines, artificial neural network, Bayes classifier.