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

QC 75 70 12,5 85 57,5 75 37,5 82,5 0

SC 70 25 25 47,5 47,5 82,5 20 77,5
LB 90 95 22,5 55 32,5 100 25 77,5 -0.5
Gauss

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

BP 82,5 92,5 5 67,5 70 77,5 35 80 120 km

-2 160 km
LM 92,5 92,5 7,5 85 75 95 50 87,5
SVM 100 100 12,5 70 52,5 75 50 72,5 200 km
nSVM 65 100 17,5 45 42,5 75 37,5 60 -2.5
ELM 100 85 100 100 100 95 65 100
-3
Tablo 2’de görüleceği üzere ELM arıza tipi tespitinde diğer 0 0.005 0.01 0.015 0.02
Zaman (sn)
metotlara oranla daha başarılı sonuçlar vermiştir.
B. Arıza Yeri Tespiti Şekil 2: Farklı Arıza Lokasyonuna sahip A Fazı Akım
Bu çalışmada arıza yeri tespiti iki açıdan TEŞEKKÜR
değerlendirilmiştir. Biri arıza bölgesinin sınıflandırma ile Bu çalışmada yayınlanan sonuçlar Tübitak tarafından
tespiti (zone) ikincisi ise arızanın ölçüm noktasına olan desteklenen 114E152 numaralı projenin çıktıları olup
mesafesinin regresyon ile tespitidir. Arıza bölge tespitinde desteklerinden dolayı TÜBİTAK-ARDEB'e teşekkür
başarı oranı (%) aşağıdaki tabloda verilmiştir.
ederiz.
Tablo 3. Arıza Bölgesi Tespitinde Başarı Oranı (%) KAYNAKÇA
WC WE WS TS FS THD STFT RE
LC 52,5 100 20 52,5 82,5 100 45 75 [1] www.teias.gov.tr
FC 82,5 80 20 77,5 67,5 77,5 37,5 60 [2] Ertuğrul, Ö.F. ve Kurt, M.B., Enerji İletim Hatlarında Modüler
NMC 100 100 22,5 25 22,5 100 35 70
YSA ve ADD ile Hızlı Arıza Tespiti, e-Journal of New World
Lineer

QC 67,5 75 17,5 85 50 75 47,5 82,5

SC 77,5 25 25 55 57,5 77,5 17,5 77,5 Sciences Academy Engineering Sciences, 1A0008, 6, (1), 79-88.
LB 97,5 97,5 22,5 60 47,5 100 22,5 77,5
[3] Ömer Faruk ERTUĞRUL, M. Emin TAĞLUK, Yılmaz KAYA,
Gauss

QB 95 95 7,5 32,5 15 92,5 25 75

“Enerji İletim Hatlarında Oluşan Arızaların Aşırı Öğrenme
kNN 100 100 5 5 10 100 37,5 77,5
PC 100 92,5 10 7,5 12,5 100 35 72,5 Makinesi ile Tespiti” , 21. Sinyal İşleme ve İletişim Uygulamaları
NB 95 75 2,5 17,5 60 55 42,5 60 Kurultayı, SIU2013, Nisan 2013
Lineer Olmayan

BP 87,5 95 10 82,5 60 72,5 52,5 75

LM 85 95 7,5 65 75 95 52,5 70 [4] Ömer Faruk Ertuğrul, Mehmet Emin Tağluk, Yılmaz Kaya; Enerji
SVM 97,5 100 12,5 65 55 75 42,5 72,5
İletim Hatlarında Wigner Ville Dağılımı, Gri Düzey Eş Oluşum
nSVM 72,5 100 25 35 40 75 50 65
ELM 90 95 100 100 100 85 50 80 Matrisi Ve Örüntü Tanıma Yöntemleri İle Arıza Analizi, 20. Sinyal
Arıza yeri (km) bulunmasında elde edilen başarı oranı İşleme ve İletişim Uygulamaları Kurultayı, SIU2012, Nisan 2012
(RMSE) aşağıdaki tabloda verilmiştir. [5] A. Nayir, “Simulation of transient processes on overvoltage in
Tablo 4. Arıza Yeri (km) Tespitinde Başarı Oranı (RMSE) electric transmission lines using ATP-EMTP”, Turk J Elec Eng &
WC WE WS TS FS THD STFT RE Comp Sci (2013) 21: 1553 – 1566.
BP 72,54 71,25 20 20 20 59,93 49,51 49,25
LR 40,25 63,09 38,42 NaN 19,62 9,4.108 53,65 31,93 [6] Guang-Bin Huang G. B., Zhu Q. Y. ve Siew C. K., “Extreme
SVR 56,65 56,65 56,66 56,66 56,66 56,65 56,65 56,64 learning machine: Theory and applications”, Neurocomputing 70
kNNR 73,89 78,61 18,44 18,44 18,44 72,25 46,04 46,69
ELM 30,57 53,65 34,67 10,75 15,71 53,69 38,45 24,47 (2006) 489–501
ELMnin yukarıda sayılan birçok avantajının yanı sıra arıza [7] Guang-Bin Huang G. B., Zhu Q. Y. ve Siew C. K., “Extreme
tipi ve arıza bölgesi ve yerinin tespitinde diğer metotlara Learning Machine: A New Learning Scheme of Feedforward
kıyasen daha başarılı sonuçlar üretmiştir. Ancak arıza Neural Networks”, IEEE, 2004, 985-990
yerinin tespitinde elde edilen RMSE oranı beklenen [8] Huang G. B., Wang D. H. ve Lan Y.,“Extreme learning machines: a
üzerindedir. Bunun nedeninin veri setinin küçüklüğü survey”, Int. J. Mach. Learn. & Cyber. (2011) 2:107–122
olduğunu düşünmekteyiz. Şekil 2’de farklı arıza
[9] Ben-Israel A. ve Greville T. N. E., “Generalized Inverses”,
lokasyonlarına ait A fazı akımının şekli görülmektedir.
Springer-Verlag. ISBN 0-387-00293-6, 2003
Şekil 2’de görüldüğü gibi ölçüm noktasından 40, 80, 120, [10] Ethem Alpaydın, “Yapay Öğrenme”, Boğaziçi Üniversitesi
160 ve 200 km uzaklıkta oluşturulan arızalar rahatlıkla Yayınevi, 2. ed, 2011, pp.278-281
ayırt edilebilmekte (bölgelerine göre) ancak aralarında [11] Magnago, F. H., & Abur, A. (1998). Fault location using wavelets.
regresyon ilişkisi kurulması için ara mesafelerde de Power Delivery, IEEE Transactions on, 13(4), 1475-1480.
ölçümler yapılması ihtiyacı duyulmaktadır. Sonuç olarak [12] Ekici, S., Yildirim, S., & Poyraz, M. (2008). Energy and entropy-
ELM sadece arıza tespitinde değil aynı zamanda arıza tipi based feature extraction for locating fault on transmission lines by
ve yerinin tespitinde de başarıyla kullanılabilecek bir metot using neural network and wavelet packet decomposition. Expert
olduğu görülmektedir. Systems with Applications, 34(4), 2937-2944.