Professional Documents
Culture Documents
Özetçe—Elektriğe bağımlılığın artığı günümüzde kaliteli cihazların çalışması için gereklidir. Elektrik barajlarda,
ve kesintisiz enerji iletimi önemi her geçen gün artmaktadır. jeotermal ve termal santraller gibi üretim noktalarında
Bu nedene arıza, arıza tipi ve arıza mesafesinin doğru tespiti, üretilmekte ve tüketim noktalarına enerji iletim hatları ile
elektrik arz güvenliği için elzemdir. Daha önce yapılan 380 kV ve 154 kV seviyelerinde iletilmektedir. Elektrik
çalışmalarımızda aşırı öğrenme makinelerinin arızayı başarı iletimi sürekli (kesintisiz), kaliteli (gerilim dalgalanmaları
ile tespit edebildiğini görmüştük. Bu çalışmada ise aşırı ve harmoniklerden etkilenmeyen) ve en az kayıp ile
öğrenme makinellerinin (ELM) arıza tipi, türü ve iletilmesi esasına göre organize edilmektedir [1]. Bunun
mesafesinin tespitinde uygulanabilirliği test edilmiştir. ATP için yüksek gerilim elektrik şebekesi “ring” diye tabir
ile elde edilen arıza verilerinden 8 ayrı yöntemle özellik
edilen her trafo merkezine (elektriğin yüksek gerilim
çıkarılmış ve elde edilen özellik tam 15 sınıflandırma ve 5
regresyon yöntemi ile analiz edilmiştir. Elde edilen sonuçlar
seviyesinden orta gerilim seviyesine indirildiği noktalar)
ELMnin sadece arıza tespitinde değil aynı zamanda arıza birden fazla yüksek gerilim hattının bağlı olduğu şekilde
tipi ve yeri tespitinde de başarıyla kullanılabileceğini konumlanmıştır. Bu elektrik iletim şebekesi günümüzde
göstermiştir. ülke sınırlarını aşmış ve Avrupa Birliği elektrik iletim
şebekesine enterkonnekte bir sistem halini almıştır [1].
Anahtar Kelimeler — Enerji İletim Hattı; Arıza Tipi; Arıza Enerji iletim hatlarında elektriksel (statik veya geçici
Yeri; Aşırı Öğrenme Makineleri.
aşırı gerilimler, aşırı yük ve ısınma etkileri, sistem
Abstract—Importance of supplying qualified and frekansının değişimi, vb…), mekanik (çarpma, sarsıntı,
undisturbed electricity is increasing day by day. Therefore, eğilme, bükülme, kopma, hatalı devre bağlantıları, hatalı
detecting fault, fault type and fault location is a major issue röle koordinasyonları, yabancı cisimler, vb…) ve çevresel
in power transmission system in order to prevent power (iklim şartları, depremler, nem, sıcaklık, kirlilik, vb…)
delivery system security. In previous studies, we observed sebeplerle zaman zaman arızalar oluşmaktadır. Oluşan
that faults can be easily determined by extreme learning arızaların insan hayatı kaybı, teçhizat hasarlanması,
machine (ELM) and the aim of this study is to determine elektrik kayıpları ve benzeri olumsuz etkilerin asgari
applicability of ELM in fault type, zone and location düzeye indirilmesi için enerjiyi iletim sisteminden hızla
detection. 8 different feature sets were exacted from fault izole edilmesi gerekmektedir [2].
data that produced by ATP and these features were assessed
by 15 different classifier and 5 different regression method. Arıza tipinin tespiti: arızanın nedeni ve
The results showed that ELM can be employed for detecting tekrarlanmaması için arıza gideren ekibin hazırlanmasına
fault types and locations successfully. olanak vermekte bu sayede arıza giderme süresi ve
maliyetini düşürmektedir. Arıza yeri bilgisi ise yüzlerce
Keywords — Power Transmission Lines; Fault Type; Fault km uzunluğundaki hatta arıza giderme ekibinin doğru
Location; Extreme Learning Machine. noktaya gitmesine olanak verdiğinden arıza yerinin tespit
I. GİRİŞ süresini düşürmektedir. Çünkü enerji iletim hatlarında
arızalar direk yıkılması gibi gözle rahat görülen arızalar
Elektrik enerjisi günümüzde insan hayatını olabildiği gibi izolatör delinmesi gibi gözle rahat bir
kolaylaştıran, yaşam kalitesini artıran neredeyse tüm şekilde tespit edilemeyecek nedenlerden dolayı arızalar da
oluşabilmektedir. Arıza tespit sisteminin arıza lokasyonunu Tablo 1. Veri Setinin Dağılımı
doğru tespit etmesi bu sebeple önemlidir. Ayrıca arızanın Türü Veri Sayısı
oluştuğu bölgeye (zone) bağlı olarak belirlenen süreler Faz – Toprak 5
doğrultusunda hat açılmaktadır. Trafo merkezinin röleyle Faz – Faz 5
Arıza
korunan hattında trafo merkezine yakın olan arızaların 2 Faz – Toprak 5
Tipi
daha fazla kısa devre akımına neden olması nedeniyle ani 3 Faz 5
açması beklenmektedir. Ancak aynı trafo merkezine enerji 40. km 4
Arıza Yeri
iletim hattı ile bağlı başka bir trafo merkezi ile üçüncü bir 80. km 4
trafo merkezi arasındaki hatta oluşan arızadan dolayı 120. km 4
korunan hattın gereksiz kesintilere neden olmaması için 160. km 4
geç açması istenmektedir. Özetle mesafe koruma rölesinin 200. km 4
açma zamanının ayarlanması için arıza bölgesi önemli bir
veridir. Bazı rölelerde sadece arıza bölgesi, kiminde sadece III. KULLANILAN METOTLAR
arıza lokasyonu (km) ve kiminde ise bu iki veri ayrı ayrı Yapılan çalışma arıza tespitinde popüler yapay öğrenme
tespit edilmektedir. Bu sebeple yapılan çalışmada arıza metotlarına kıyasen daha fazla başarı gösteren ELM’nin
türü, arıza lokasyonu ve bölgesi tespit edilmeye arıza türü ve arıza tespitindeki performansını test etmek
çalışılmıştır. amacıyla yapılmıştır. Bu çalışmada daha objektif bir
Daha önce birçok farklı metot ile gerçek enerji iletim değerlendirme yapmak amacıyla birçok farklı özellik
hattı sinyalleri (3 faz akım ve gerilim) kullanılarak arıza çıkarma yöntemi ve farklı özelliklerde regresyon ve
tespiti yapmıştık [2, 3, 4]. Aşırı öğrenme makineleri sınıflandırma metotları kullanılmıştır.
(ELM) kullanılarak yapmış olduğumuz arıza tespit
A. Kullanılan Özellik Çıkarma Metotları
çalışmasında bir arızalı sinyal (3 faz akım ve gerilim
sinyali) ve bir adet normal elektrik sinyal grubu referans Yapılan çalışmada aşağıda listelenen özellikler her bir
sinyaller olarak atanmış ve diğer sinyallerin bu referans faz akım ve gerilim bilgisi için çıkarılmış ve her birinden
sinyallerle bağıl entropisi hesaplanmıştır. Elde edilen ayrı birer veri seti oluşturulmuştur. Kullanılan özellik
özellikler ELM ile sınıflandırılmış ve arıza tespitinde çıkarma metotları:
%97,79 oranında başarı elde edilmiştir [3]. Aynı çalışmada 1. Dalgacık katsayıları (WC, 8. derece) [11]
ayrıca yapay sinir ağları (ANN), destek vektör makineleri
(SVM) ve Bayes metotları da kullanılmış ve bu metotların 2. Dalgacık enerjisi (WE, 8. derece) [12]
başarısı %97,05 oranında kalmıştır [3]. 3. Dalgacık shannon entropisi (WS) [12]
Bu çalışmada ATP yazılımıyla sanal olarak 4. Zamansal istatistiksel özellikler (TS, enerji, aritmetik
oluşturulmuş veriler kullanılmıştır. Arıza tespitinde ANN, ortalama, medyan ortalama, standart sapma, çarpıklık,
SVM ve Bayes metotlarına kıyasen daha yüksek başarı basıklık, maksimum ve minimum)
üreten ELM’nin arıza tipi ve arıza yeri tespitinde başarısı 5. Frekans düzleminde elde edilen istatiksel özellikler (FS,
test edilmesi amaçlanmıştır. Bu amaçla literatürde sıkça enerji, aritmetik ortalama, medyan ortalama, standart
kullanılan özellik çıkarma metotlarıyla elde edilen veriler sapma, çarpıklık ve basıklık)
farklı karakteristik özelliklere sahip popüler sınıflandırma 6. Toplam harmonik bozulma (THD)
ve regresyon metotlarıyla kıyaslanmıştır. Elde edilen 7. Kısa zamanlı Fourier dönüşümü (STFT)
sonuçlar ELM’nin sadece arıza tespitinde değil arıza yeri,
bölgesi ve türü tespitinde de başarılı bir yapay öğrenme 8. Bağıl entropi (RE, her faza ait akım sinyalinin aynı faza
metodu olduğunu doğrulamıştır. ait gerilim sinyali ile bağıl entropi)
B. Aşırı Öğrenme Makineleri (ELM)
II. VERİ KÜMESİ
ELM, tek gizli katmanlı ileri beslemeli YSAlar için
ATP elektrik iletim ve dağıtım sistemi geliştirilmiş bir öğrenme yaklaşımıdır [6, 7, 8]. ELM
simülasyonlarında sıkça kullanılmaktadır [5].Yapılan sisteminde gradyan bazlı öğrenme algoritmalarından
çalışmada ATP kullanılarak yapay arızalar (örneğin geri yayılımlı öğrenme algoritması) farklı olarak
oluşturulmuştur. Kullanılan modelde, kaynak gerilimi: giriş katmanındaki ağırlıklar ve bias rastgele atanır ve çıkış
310268.7 V, direnci: 0.1 ohm ve indüktansı:1mH olarak katmanındaki ağırlıklar analitik olarak hesaplanmaktadır
alınmış ve toprak arızalarında toprak direnci ise 1 ohm [6]. Geleneksel ileri beslemeli bir YSA da ağın eğitilmesi
olarak alınmıştır. Elde edilen arıza verileri her bir faza (A, iteratif olarak gerekirken, bu süreç ELM’de analitik bir
B ve C fazları) ait 2560 Hz örnekleme frekansına sahip, denkleme dönüştürülmüş ve bu sebeple çok hızlı bir
birer alternas boyutunda akım ve gerilim sinyallerinden öğrenme yeteneği kazanılmıştır. Ayrıca, ELMde çıkış
oluşmaktadır. Veri setinde bulunan 20 adet sinyalin ağırlıkları genelleştirilmiş ters Moore-Penrose matrisi [9]
dağılımı aşağıdaki gibidir. ile hesapladığından, yerel minimuma takılma veya
optimum öğrenme parametresi (örneğin momentum,
öğrenme katsayısı) belirlenmesi [10] gibi performansı
978-1-4799-4874-1/14/$31.00 ©2015 IEEE
doğrudan etkileyen sorunları yoktur ve genelleştirme olur. Eğitim algoritmalarınınn amacı hatayı minimize
kabiliyeti daha yüksektir [6,7,8]. etmektir. ELMde ise hata fonksiyonu ∑ veya
Öte yandan ELM ağ mimarisi (gizli katmandaki nöron aynı şekilde hata maliyet fonkksiyonu ∑
sayısı) ve veri dağılımına uygun traansfer fonksiyonu, minimum olmasını sağlamaaktır (burada eğitim
gradyan bazlı öğrenme algoritmalarıında olduğu gibi
kümesindeki veri sayısıdır). Buunu sağlamanın yolu ise tüm
belirlenmesi birçok deneme veya tecrübee gerektirmektedir.
ELM gradyan bazlı öğrenme algorittmalarından farklı gerçek çıktı değeri ( ) ile elde edilen çıktı ( ) değerlerine
olarak türevlenemeyen veya kessikli aktivasyon eşit olmasıdır. Bu şekilde denkklem 3’te tek bilinmeyen
fonksiyonları da kullanabilmektedir [11]]. Ancak, YSA’nın ağırlık değerleridir.
aşırı öğrenmemesi (yani genelleştirrme kabiliyetinin matrisinin kare bir matris olma olasılığının
düşmemesi) için ELM ile öğrenen bir ileri beslemeli YSA düşüklüğü (eğitim kümesindekki veri sayısının, her verinin
ağında kullanılabilecek nöron sayısı eğğitim kümesindeki
içerdiği özellik sayısına eşit olması)
o basitçe bu matrisin
örnek sayısına eşit veya daha az olm malıdır. Aşağıdaki
tersinin alınarak ağırlıkların buulunmasına engeldir. Huang
şekilde ELM ile eğitilen bir YSAnın yapıısı gösterilmiştir.
ve arkadaşları ise tersi alınam mayan matrislerin yaklaşık
terslerini hesaplamak için gelişştirilmiş genelleştirilmiş ters
Moore-Penrose matrisi kullanm mışlardır. Dolayısıyla çıkış
ağırlıkları ( ):
(4)
şeklinde bulunur. Buradaa , matrisinin
genelleştirilmiş ters Moore-Pennrose matrisi, ise yaklaşık
çıkış ağırlıklarıdır.
C. Karşılaştırma Amacıyla Kullanılan Diğer Makine
Öğrenmesi Metotları
Şekil 1: Tek Gizli Katmanlı YSA
Y [4] Yapılan çalışmada ELMnin başşarısını test etmek amacıyla
Yukarıdaki şekilde giriş özellikk vektörlerini (veri kullanılan diğer yöntemler aşağğıda listelenmiştir.
kümesinde her örnek tane özelliği iççermektedir), a. Lineer polinom tipi sınıflandırıcılar: S şekilli (logistic)
çıkış vektörlerini ( tane çıkış) ve çıkış katmanı lineer (LC), Fisher (FC), enn yakın ortalama (NMC),
ağırlıklarını ( tane gizli katman nöronnu) göstermektedir. karesel ayırtaç (QC), altuzay (S
SC) sınıflandırıcıları,
Çıkış denklemi ise ileri beslemeli YS SA’da olduğu gibi b. Gaussian yoğunluk tabanlı sınıflandırıcılar: lineer bayes
[11]: (LB), karesel bayes (QB) sınıflandırıcıları,
c. Lineer olmayan sınıflandırıccılar: k en yakın komşuluk
, , (1)
(kNN), Naive Bayes (NB), ileri beslemeli YSA (geri
beslemeli algoritma ile eğitillmiş) (BP), ileri beslemeli
şeklindedir. Burada , giriş katmanda ile gizli YSA (Levenberg-Marquardt algoritması ile eğitilmiş)
katman arasındaki bağlantı ağırlıklaarını, gizli (LM), destek vektör makineleeri (SVM), nu tipi destek
katmandaki nöronların eşik değerlerini ve . ise vektör makineleri (nSVM), Parrzen (PC) sınıflandırıcıları,
aktivasyon fonksiyonunu göstermekteddir [11]. Denklem
d. Regresyon yöntemleri: illeri beslemeli YSA (geri
1’de giriş katmanı ağırlıkları ( , ) ve bias ( )
beslemeli algoritma ile eğitilm
miş) (BP), lineer regresyon
değerlerinin rastgele atanmakta, traansfer fonksiyonu
(LR), destek vektör makinelerri regresyon (SVR) ve k en
( . ), giriş katman nöron sayısınınn veri kümesinde
yakın komşuluk regresyon (kNN NR) metotları
bulunan özellik sayısı ( ) ve gizli katmaandaki nöron sayısı
( ) ise başlangıçta atanmaktadır. Buu bilgiler ışığında IV. SON
NUÇLAR
yukarıdaki denklemde bilinenler bir arayya getirilip yeniden
Yapılan çalışmada ELMnin arrıza tipi, bölgesi ve yerinin
isimlendirilirse çıkış katmanı girişi:
tespiti ile ilgili uygulanabilirliğği ayrı ayrı test edilmiştir.
, ,
A. Arıza Tipi Tespiti
, , , (2)
, , Veri kümesinde bulunaan sinyallerden çıkarılan
özellikler ELM ve çeşitli sınnıflandırma algoritmalarıyla
şeklinde ifade edilebilir. Bu durumda çıkkış denklemi: sınıflandırılmış ve elde edilen başarı oranı aşağıda
(3) tablolaştırılmıştır.
Tablo 2. Arıza Tipi Tespitinde Başarı Oranı (%) 4
x 10
1
WC WE WS TS FS THD STFT RE
LC 70 100 25 62,5 77,5 100 42,5 80
FC 85 80 20 75 65 77,5 42,5 62,5 0.5
NMC 100 97,5 25 25 20 100 35 70
Lineer
Akım (A)
QB 85 90 12,5 27,5 12,5 92,5 25 75
-1
kNN 100 100 0 2,5 2,5 100 30 80
PC 100 95 10 7,5 10 100 32,5 72,5 40 km
-1.5
NB 95 75 5 17,5 60 55 37,5 50 80 km
Lineer Olmayan