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