Araştırma Makalesi
BibTex RIS Kaynak Göster

IEEE 14-Baralı Güç Sisteminde Gerilim Kararlılığının Uç Öğrenme Makinesi İle Analizi

Yıl 2019, Cilt: 7 Sayı: 3, 564 - 575, 27.09.2019
https://doi.org/10.29109/gujsc.547860

Öz

Günümüzde elektrik enerjisi ihtiyacı, teknolojik
gelişmeler sonucunda nüfusla orantılı olarak hızla artmaktadır. Artan bu talebi
karşılamak için büyük güçlü üretim merkezleri kurulmuştur. Üretim merkezlerinin
tüketim merkezlerinden uzakta kurulma gerekliliği, üretilen elektrik
enerjisinin çok yüksek gerilimle ve uzun iletim hatlarıyla tüketim merkezlerine
iletim zorunluluğu getirmiştir. Güç sistemleri de bu duruma bağlı olarak hızla
büyümüş ve karmaşık bir yapı oluşturmuştur. Bu durum önemli işletme ve kontrol
sorunlarını da beraberinde getirmiştir. Bu çalışmada, IEEE 14-baralı güç sisteminde
gerilim kararlılığı Uç Öğrenme Makinesi (UÖM) yardımıyla incelenmiştir. Bu
amaçla, IEEE 14-baralı güç sistemi modeli Matlab ortamında oluşturulmuş ve bu
model kullanılarak Newton-Raphson yöntemi yardımı ile yük akış analizi
yapılmıştır. Bu güç sisteminde gerilim kararlılığı Hat Kararlılık İndeksi (HKİ)
hesaplanarak değerlendirilmiştir. Yük akış analizinde tüm baraların aktif ve
reaktif güçleri 0.05 birim değer (pu) artırılmış ve her bir baraya ait toplam
1000 adet aktif güç, reaktif güç, ilgili baranın gerilimi ve faz açısı elde
edilmiştir. Bu değerler kullanılarak HKİ değerleri hesaplanmıştır. UÖM’ye
girişler; aktif güç, reaktif güç, ilgili baranın gerilimi ve faz açısı seçilmiştir.
UÖM’nin çıkışı ise HKİ değerleri olarak belirlenmiştir. UÖM’nın test başarımı
5-kat çapraz doğrulama ile verilmiştir. Ayrıca UÖM’nın başarımı farklı sayıda
gizli katman hücre sayısı ve farklı tip aktivasyon fonksiyonları için
incelenmiştir. Önerilen yöntemin en iyi test başarımı gizli katman hücre sayısı
100 olan ve tanjant sigmoid aktivasyon fonksiyonu kullanan UÖM’den elde
edilmiştir. Elde edilen sonuçlardan, IEEE 14-baralı güç sistemlerinde gerilim
kararlılığının tespitinde UÖM’nin HKİ’yi oldukça yüksek bir başarımla tahmin
ettiği görülmüştür.

Kaynakça

  • [1] Stevenson W.D. (1982). Elements of power system analysis (Fourth edition). New York: McGraw-Hill.
  • [2] Kundur P. (1994) Power System Stability and Control. EPRI Power System Engineering Series, McGraw Hill.
  • [3] Kundur P., et al. Definition and classification of power system stability IEEE/CIGRE joint task force on stability terms and definitions. IEEE Transaction Power Syst., 19(3); 1387–1401, (2004).
  • [4] Balamourougan V, Sidhu TS and Sachdev MS. Technique for online prediction of voltage collapse. IEEE Proc. Gener. Transm. Distrb., 151(454-460), (2004).
  • [5] Bernardes BC, Oliveira WD, Vieira JPA, Ohana I, Bezerra UH. Decision Tree-Based Power System Static Security Assessment Using PMU Measurements, In: IEEE PES Trondheim Power Tech, Trondheim, (2011).
  • [6] Ramaswamy M, Nayar, KR. On-line estimation of bus voltages based on fuzzy logic. International Journal of Electrical Power & Energy Systems, 26(9), 681-684, (2004).
  • [7] Rahi OP, Yadav AK, Malik H, Azeem A, Kr B.. Power system voltage stability assessment through artificial neural network. Procedia Engineering, 30; 53-60, (2012).
  • [8] Vankayala VS, Rao ND. Artificial neural networks and their applications to power systems-a bibliographical survey. ELECTR.POWER SYST. RES, 27; 67–79, (1993).
  • [9] Short MJ, Hui KC, Macqueen JF, Ekwue AOR. Application of artificial neural networks for NGC voltage collapse monitoring, Inter. Conf. On Large High Voltage Electric Systems, Cigre, Paris, (1994).
  • [10] Huang GB, Zhu QY, Siew CK. Extreme learning machine: theory and applications, Neurocomputing, 70(1); 489-501, (2006).
  • [11] Huang GB, Zhu QY, Siew CK. Extreme learning machine: Theory and applications, Neurocomputing 70: 489-501, (2006).
  • [12] Huang GB, Zhu QY, Siew CK. Extreme Learning Machine: A New Learning Scheme of Feedforward Neural Networks, IEEE International Joint Conference on Neural Networks, Budapest, Hungary, pp. 985-990, (2004).
  • [13] Ucar F, et al. Power quality event detection using a fast extreme learning machine. Energies 11(145); 1-144, (2018).
  • [14] Ertuğrul ÖF, Tağluk ME, Kaya Y. Fault Detection at Power Transmission Lines by Extreme Learning Machine, 21st Signal Processing and Communications Applications Conference (SIU), Haspolat, Turkey, (2013).
  • [15] Wan C, Xu Z, Pinson P, Dong ZY, Wong KP. Optimal Prediction Intervals of Wind Power Generation, IEEE Trans. On Power Systems, 29: 1166-1174, (2014).
  • [16] Zhang R, Dong ZY, Xu Y, Meng K, Wong KP. Short term load forecasting of Australian National Electricity Market by an ensemble model of extreme learning machine, IET Generation, Transmission & Distribution, 7(4): 391-397, (2013).
  • [17] Öztürk A, Bozali B., Tosun S. Güç Sistemi Kararlılığını İyileştirecek Facts Cihazlarının Bağlantı Noktasının Belirlenmesi, Düzce Üniversitesi Bilim ve Teknoloji Dergisi 4(2); 812-825, (2016).
  • [18] Subramani C, Dash SS, Bhaskar MA, Jagdeshkumar M. Simulation technique for voltage stability Analysis and contingency ranking in power systems. International Journal of Recent Trends in Engineering, 2(5); 263-267. (2009).
  • [19] Musirin I, Rahman TA. Estimating maximum loadability for weak bus identification using FVSI. IEEE Power Engineering Review, 22(11); 50-52, (2002).
  • [20] Moghavvemi M, Omar FM. Technique for contingency monitoring and voltage collapse prediction. IEE Proceedings-Generation, Transmission and Distribution, 145(6); 634-640, (1998).
  • [21] Musirin I, Abdul Rahman TK. On-Line Voltage Stability Index for Voltage Collapse Prediction in Power System, Brunei International Conference on Engineering and Technology 2002 (BICETZOOl), Brunei, pp. 1118-1121, (2002).
  • [22] Huang GB, Wang DH, Lan Y. Extreme learning machines: a survey, International Journal of Machine Learning and Cybernetics, 2(2); 107-122, (2011).
  • [23] Uçar F, Dandıl B, Ata F. Classification of power quality events using extreme learning machine, 23th Signal Processing and Communications Applications Conference (SIU), (2015).
  • [24] Ben-Israel A, Greville TNE. (2003). Generalized Inverses: Theory and Applications, Springer-Verlag.
  • [25] Ethem A. (2011). Yapay Öğrenme (2.baskı), Boğaziçi Üniversitesi Yayınevi, 278-281.
Toplam 25 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Mühendislik
Bölüm Tasarım ve Teknoloji
Yazarlar

Hakan Açıkgöz 0000-0002-6432-7243

İlhami Poyraz Bu kişi benim 0000-0002-7365-4318

Resul Çöteli 0000-0002-7365-4318

Yayımlanma Tarihi 27 Eylül 2019
Gönderilme Tarihi 1 Nisan 2019
Yayımlandığı Sayı Yıl 2019 Cilt: 7 Sayı: 3

Kaynak Göster

APA Açıkgöz, H., Poyraz, İ., & Çöteli, R. (2019). IEEE 14-Baralı Güç Sisteminde Gerilim Kararlılığının Uç Öğrenme Makinesi İle Analizi. Gazi University Journal of Science Part C: Design and Technology, 7(3), 564-575. https://doi.org/10.29109/gujsc.547860

Cited By

Grafiksel Arayüz Tabanlı Mermer Sınıflandırma Uygulaması Geliştirme
Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji
Erhan TURAN
https://doi.org/10.29109/gujsc.818058

                                     16168      16167     16166     21432        logo.png


    e-ISSN:2147-9526