Dağıtık üretim güç sistemlerinde geliştirilmiş oylama modeli tabanlı arıza tespiti ve sınıflandırması = Improved voting model based fault detection and classification in distributed generation power systems

Abstract

Mevcut elektrik güç sisteminde enerji talebinin artması ve fosil yakıtların sınırlı olması, enerji piyasasının serbestleşmesi, ekonomik ve çevresel kaygıların etkileri sonucunda, yenilenebilir ve yenilenemeyen enerji kaynaklarını içeren dağıtık üretim fikri popülerlik kazanmıştır. Dağıtık Enerji Üretim Kaynakları (DEÜK) güç sistemine dahil edilmesiyle pasif durumdan aktif duruma geçiş gerçekleşmiştir. Aktif duruma geçişle birlikte doğal olarak güç sistemindeki akımın yönü tek yönlü durumdan çift yönlü duruma dönüşmüştür. Güneş panelleri ve rüzgâr türbinleri gibi yenilenebilir enerji kaynaklarının dağıtım şebekesine entegrasyonu, çift yönlü güç akışına ve arıza akımının genliğinin değişmesine neden olmuştur. Arıza akımı, DEÜK'lerin kapasitesinden, tipinden, sayısından ve konumundan etkilenebilir. Diğer yandan, yenilenebilir DEÜK'ler kesintili güç üretim karakteristiğine sahiptir, böylece tüketici tarafında da olası yük talebi belirsizliğine yol açabilmektedir. Bu bilgiler ışığında, DEÜK'lere sahip böyle bir güç sisteminde, yük paylaşımında, korumada ve kontrolde karmaşıklık mümkündür. Güç akışındaki çift yönlülük ile arıza akımı seviyesindeki değişiklik, koruma cihazları arasındaki koordinasyonun kaybolmasına ve sonuç olarak güç sisteminin güvenilirliğine yol açtı. Bu nedenle arıza tespiti ve sınıflandırmasında problemlerin çıkması kaçınılmazdır. Arıza tespiti ve sınıflandırması için makine öğrenmesi modellerinin kullanımı üzerine birçok çalışma yapılmıştır. Ancak sınıflandırmada en zorlu problemlerden biri, her probleme ait veri setini doğru bir şekilde öğrenebilen genel bir sınıflandırıcının ortaya çıkmamış olmasıdır. Ayrıca sınıflandırıcıların veri setinin tamamını öğrenmesi gibi bir durum da söz konusu değildir. Farklı sınıflandırıcılar, bir veri kümesinin farklı alt uzaylarında farklı performans veya hata eğilimi gösterebilir. Dolayısıyla herhangi bir probleme yönelik optimale yakın bir sınıflandırıcı model oluşturulması, topluluk öğrenme modeli ile sağlanabilmektedir. Literatürde yer alan topluluk öğrenme modelinin bir yöntemi olan oylama modelleri ile ilgili olarak ağırlıklı oylama modelinde sınıflara ait olasılıksal katkılar ve sınıflara ait performanslar sonuçları dikkate alınmamıştır. Diğer yandan ağırlıksız oylama modellerinde özellikle olasılıksal tabanlı oylama modelinde ise sınıflandırıcıların eğitim aşamasına dair performansları dikkate alınmamıştır. Literatürdeki araştırmalara göre, bildiğimiz kadarıyla arızasız/arızalı durumların tespiti ve çeşitli arıza türlerinin sınıflandırılmasıyla ilgili çoklu sınıflandırıcılardan oluşan olasılıksal ağırlıklı oylama modelinin kullanıldığı herhangi bir çalışma yapılmamıştır. Yukarıdaki açıklamalardan esinlenerek bu tez konseptinde olasılıksal ağırlıklı oylama modeli (OAOM) tabanlı arıza tespit ve sınıflandırma şeması (ATSŞ) önerilmiştir. Bu tez çalışmasında yukarıda bahsedilen oylama modellerinin zayıf yönleri ele alınarak önerilen oylama modeli (OAOM) ile arıza tespiti ve sınıflandırma performansının geliştirilmesi hedeflenerek literatüre katkı sağlanmıştır. Önerilen modelin çalışma prensibi, eğitim performansına dayalı sınıf katkılarına ve test seti ile sınıf başına olasılıklara dayanmaktadır. Eğitim aşamasında elde edilen doğrulama metriği (ortalama mutlak hata) ve Fskor ile modelin tahmin gücünü ve dengesiz sınıf dağılımını dikkate almaktadır. Test setindeki herhangi bir örneğin sınıf etiketi, eğitim aşamaları ve eğitim sonrası test setine ait sınıflandırıcıların sınıflarından elde edilen olasılıksal katkılarla elde edilir. Önerilen OAOM modelinin diğer oylama modellerine göre katkısı; ağırlıksız oylama modellerine ait olasılıksal tabanlı oylama yöntemlerinden olan olasılıklar toplamı tabanlı oylama yöntemi, ağırlıklandırılmış olasılıkların toplamı şekline dönüşmüştür ve ağırlıklar ağırlık matrisinden seçilerek elde edilmiştir. Sinyaldeki ani değişimleri tespit edebilmek için örneklerin yapısal olarak detaylı bir şekilde yorumlanması gerekmektedir. Bu nedenle, sinyalin çekirdeğini temsil eden daha anlaşılır ve basitleştirilmiş bilgileri çıkarmak için özellik çıkarımı gerekmektedir. Bu tez çalışmasında özellik çıkarımı için kullanılan sinyal işleme yöntemi ayrık dalgacık dönüşümüdür. Dalgacık dönüşümü, çok çözünürlüklü zaman-frekans alanında saf sinyalin kesin özelliklerini sağlar. Kullanılan ana dalgacık fonksiyonu (db10) ve dalgacık ayrıştırma seviyeleri 9 ve 10'dur. 9. ayrıştırma seviyesi 11th ve 13th harmonik bileşenlerini, 10. ayrıştırma seviyesi ise 5th, 7th ve 9th harmonik bileşenlerini içerir. Bu tez kapsamında DEÜK'lerden oluşan güç dağıtım sistem modeline farklı tipte arızalar (tek faz toprak arızaları; AG, BG, CG, faz-faz arızaları; AB, BC, CA, faz-faz toprak arızaları; ABG, BCG, CAG, üç faz toprak arızası ABCG) uygulanmıştır. Tanımlayıcı özellik fonksiyonları, bu arıza durumlarıyla ilgili dalgacık ayrıştırma seviyelerine ilişkin detay katsayılarına uygulanır. Bu tezde temel olarak 4 farklı özellik kullanılmıştır. Ancak 2 farklı dalgacık ayrıştırma seviyesi olduğu için 8 öznitelik ve 3 farklı faz olduğu için toplam 24 özellik çıkarılmıştır. Bu özellikler, detay katsayılarının mutlak maksimumu, detay katsayılarının mutlak ortalaması, varyans ve entropidir. Arıza tespiti ve sınıflandırması için önerilen olasılıksal ağırlıklı oylama modelinin (OAOM) ve destek vektör makinesi (SVM), ekstra ağaç sınıflandırıcı (ETC), rastgele orman (RF) ve çoklu katman algılayıcısı (MLP) içeren temel sınıflandırıcıların performanslarını değerlendirmek için kapsamlı bir karşılaştırmalı performans analizi yapılmıştır. İlk olarak önerilen olasılıksal ağırlıklı oylama modeli (OAOM) ve bu modeli oluşturan temel öğrenicilerin/sınıflandırıcıların arıza tespiti ve sınıflandırma performansları değerlendirilmiştir. Bu amaçla kapsamlı bir karşılaştırmalı performans analizi yapılmıştır. Önerilen OAOM ve makine öğrenimi yöntemlerinin farklı veri kümelerindeki performanslarını analiz etmek ve karşılaştırmak için doğruluk, duyarlılık, kesinlik, Fskor ve eğrinin altındaki alan (AUC) dahil olmak üzere çeşitli değerlendirme ölçütleri kullanılmıştır. ATSŞ'de önerilen OAOM yapısının farklı veri kümeleri (normal ve gürültülü veriler) üzerinde klasik öğrenme modellerinden daha yüksek performans gösterdiği görülmüştür. Sınıflandırıcıların genelleştirme kabiliyetini doğrulamak için, gürültüsüz veri seti üzerine toplamsal beyaz Gauss gürültüsü eklenir. Bu gürültü seviyeleri SNR 20 dB, SNR 30 dB ve SNR 40 dB'dir. İkinci uygulamada, önerilen OAOM'nin etkinliği, ilgili arıza tespiti ve sınıflandırmasında literatürdeki oylama makinesi öğrenme modelleri kullanılarak değerlendirilmiştir. 6 tür oylama modeli vardır: olasılıklar toplamı, olasılıklar çarpımı, olasılıklar maksimumu, olasılıklar minimumu, çoğunluk ve ağırlıklı. Bu modellerin performansı hem normal hem de gürültülü veri setleri üzerinde incelenmiştir. Üçüncü uygulamada, önerilen OAOM'nin tahmin gücünü veya genelleme yeteneğini doğrulamak için eğitim-test veri kümeleri üzerinde kapsamlı bir analiz yapıldı. İlgili hata tespiti ve sınıflandırma problemi 70-30, 60-40 ve 50-50 gibi oranlarda farklı eğitim-test setlerine dönüştürülmüştür. Bu değerlendirme ile farklı oranlara sahip test setleri üzerinde OAOM'nin diğer oylama modellerine göre en yüksek genelleme yeteneğine sahip olduğu gözlenmiştir. Dördüncü uygulamada, normal ve gürültülü veri setleri için her bir arızalı (10 farklı arıza türü) ve arızasız duruma ait (toplamda 11 etiketli) OAOM'nin arıza tespiti ve sınıflandırmasına yönelik performans analizinin gerçekleştirilmiştir. Beşinci uygulamada, farklı sayıda temel sınıflandırıcılardan oluşan önerilen OAOM yapılarının doğruluk kriteri açısından performans etkinliği incelenmiştir. 4 sınıflandırıcıdan oluşan OAOM yapısının, 3 sınıflandırıcıdan oluşan OAOM yapısına göre daha başarılı olduğu ortaya çıkmıştır. Ayrıca sınıflandırıcı çeşitliliği kavramının topluluk öğrenme modeli için önemi vurgulanmıştır. Altıncı durumda, 9. dalgacık ayrıştırma seviyesi (11th ve 13th harmonik bileşenleri) ve 10. dalgacık ayrıştırma seviyesi (5th, 7th ve 9th harmonik bileşenleri) için ayrı ayrı yeni bir özellik seti oluşturularak yeni arıza tespiti ve sınıflandırma problemlerine yönelik önerilen OAOM'nin performansı analiz edilmiştir. 9. ve 10. dalgacık ayrıştırma seviyelerine ait ayrı özellik setlerinin OAOM'deki arıza tespit ve sınıflandırma verimliliği incelenmiştir. Burada yeni duruma ait özellik setleri hem normal (gürültüsüz) hem de SNR 20 dB oranına sahip gürültülü veri setleri şeklinde oluşturulmuştur. SNR 20 dB'deki özellik setlerine ait arıza tespiti ve sınıflandırmasında, 9. ayrıştırma seviyesindeki özellik setinin, 10. ayrıştırma seviyesindeki özellik setine göre daha başarılı olduğu görülmüştür. Yedinci uygulamada, arıza tespiti ve sınıflandırması için kullanılan oylama modellerinin performans sonuçlarına bağlı olarak istatistiksel analiz gerçekleştirilmiştir. OAOM'nin diğer oylama modellerine üstünlüğü Friedman ve Finner post hoc testleri ile araştırılmıştır. Sonuçlardan oylama modelleri arasında anlamlı sonuç veren ve kabul edilebilirliği tespit edilen modelin OAOM olduğu görülmüştür. Son uygulamada ise tez çalışmasında kullanılan arıza tespit ve sınıflandırmasına yönelik oluşturulan veri seti dışında uluslararası platformlarda kabul görmüş farklı özelliklere sahip veri setleri kullanılarak önerilen OAOM ve farklı oylama modellerini değerlendirme ölçütleri (doğruluk, kappa ve Matthews Korelasyon Katsayısı (MCC)) ile karşılaştırılarak performans değerlendirmesi yapılmıştır. Elde edilen sonuçlardan OAOM yapısının etkinliğinin diğer oylama modellerine karşı doğrulandığı görülmüştür.

As a result of the increase in energy demand and limited fossil fuels in the current electrical power system, as well as the liberalization of the energy market, and the effects of economic and environmental concerns, the idea of distributed generation, which includes renewable and non-renewable energy sources, has gained popularity. With the inclusion of Distributed Energy Generation Resources (DEGR) in the power system, transition from passive state to active state has been occurred. With the transition to the active state, it naturally changed the direction of current in the power system from one-direction to bi-direction. The integration of renewable energy sources such as solar panels and wind turbines into the distribution grid has resulted in bi-directional power flow and a change in the amplitude of the fault current. The fault current can be affected from the capacity, type, number, and location of DEGRs. On the other hand, renewable DEGRs have an intermittent power generation characteristic, thus leading to potential load demand uncertainty on the consumer side. In such a power distribution system with DEGRs, complexity in load sharing, protection, and controlling is possible. The variation in the level of the fault current, together with the bi-directional in the power flow, led to the loss of coordination between the protection devices and, as a result, the reliability to the power system. Thus, it is inevitable that problems will arise in fault detection and classification. Many studies have been conducted on the use of machine learning models for fault detection and classification. However, one of the most challenging problems in classification is the lack of a general classifier that can correctly learn the data set for each problem. In addition, it is not possible for the classifiers to learn the entire data set. Different classifiers may show different performance or error proneness in different subspaces of a dataset. Therefore, the composing of a near-optimal classifier model for any problem can be achieved with the ensemble learning model. Regarding the voting models, which is a method of the ensemble learning model in the literature, the results of the probabilistic contributions and performances of the classes are not taken into account in the weighted voting model. On the other hand, in the unweighted voting models, especially in the probabilistic based voting model, the performance of the classifiers regarding the training phase is not taken into account. According to the studies in the literature, to the best of our knowledge, there has been no study using the probabilistic weighted voting model consisting of multiple classifiers for the fault detection and classification. Encouraged by the above-explaination, a fault detection and classification scheme (FDCS) has been proposed in this thesis concept. FDCS is based a probabilistic weighted voting model (PWVM) includes multiple diverse learning models. The contribution of the proposed OAOM model compared to other voting models is that the sum of probabilities based voting method, which is one of the probabilistic-based voting methods of unweighted voting models, has turned into the sum of weighted probabilities and the weights are formed by choosing from the weight matrix. The working principle of proposed model relies on training performance-based class contributions and per-class possibilities with test set. The validation metric (mean absolute error) and F-score obtained in the training stage can be improved the model's prediction power and imbalanced class distribution. A class label of any sample in test set is achieved with the training stages, and probabilistic contributions achieved from classes of classifiers. To detect sudden changes in the signal, samples need to be interpreted in detail structurally. Therefore, feature extraction is required to extract more understandable and simplified information representing the core of the signal. The signal processing method used for feature extraction is discrete wavelet transform in this thesis study. Wavelet transform ensures definitive properties of pure signal in the multiresolution time-frequency domain. The used mother wavelet function and wavelet levels are db10 ve level 9-10. The frequency components of the 9th wavelet decomposition level include the 11th and 13th harmonic components, while the frequency components of the 10th wavelet decomposition level include the 5th, 7th, and 9th harmonic components. In this sense, 9 and 10 have been chosen as wavelet decomposition levels. Different types of faults (single-phase ground faults; AG, BG, CG, two-phase faults; AB, BC, CA, two-phase ground faults; ABG, BCG, CAG, three-phase ground fault ABCG) were applied to the model of power distribution system with DEGRs created within the scope of this thesis. The descriptive feature functions are applied to detail coefficients pertaining to wavelet decomposition levels related to these fault states. In this thesis, basically 4 different features were used. However, since there are 2 different wavelet levels, there are 8 features and 3 different phases, a total of 24 features are extracted. These features are absolute maximum of detail coefficients, absolute average of detail coefficients, variance, and entropy. A comprehensive comparative performance analysis was conducted to evaluate the performance of the proposed probabilistic weighted voting model (PWVM) and the basic classifiers, which include support vector machine (SVM), extra trees classifier (ETC), random forest (RF), and multi-layer perceptron (MLP), for fault detection and classification. Firstly, the proposed probabilistic weighted voting model (PWVM) and the base learners/classifiers that formed this model have been evaluated their performance in fault detection and classification. For this purpose, a comprehensive comparative performance analysis was carried out. To analyze and compare performances of the proposed PWVM and machine learning methods on different datasets, the various evaluation metrics including the accuracy, sensitivity, precision, F-score, and area under the curve (AUC) have been utilized. It has been seen that the proposed PWVM structure in FDCS has higher performance than classical learning models on different datasets (normal and noisy data). To confirm generalization capability of the classifiers, additive white Gaussian noise is contributed over dataset with noise-free. These noise levels are SNR 20 dB, SNR 30 dB, and SNR 40 dB. In the second case study, the efficiency of the proposed PWVM was evaluated by using the voting machine learning models in the literature in the relevant fault detection and classification. There are 6 types of voting models: sum of probabilities, product of probabilities, maximum of probabilities, minimum of probabilities, majority, and weighted. The performance of these models on both normal and noisy datasets was investigated. In the third case study, to verify the predictive power or generalization ability of the proposed PWVM, a comprehensive analysis was performed on the training-test datasets. The related fault detection and classification problem into different training-test sets with ratios such as 70-30, 60-40, and 50-50. With this evaluation, it was seen that PWVM had the highest generalization ability compared to other voting models on test sets with different ratios. In the fourth case study, it was performed a performance analysis related to fault detection and classification of PWVM of each faulted (10 different fault types) and no-faulted conditions (11 class labels in total) for normal and noisy datasets. In the fifth case study, the performance efficiency of the proposed PWVM structures formed from different numbers of base classifiers in terms of accuracy criterion was investigated. It turned out that the PWVM structure consisting of 4 classifiers is more successful than the PWVM structure consisting of 3 classifiers. In addition, the importance of the concept of classifier diversity for the ensemble learning model was emphasized. In the sixth case study, a new feature set is created separately for the 9th wavelet decomposition level (11th, and 13th harmonic components) and the 10th wavelet decomposition level (5th, 7th, and 9th harmonic components), and the performance of the proposed PWVM was analyzed for the new fault detection and classification problem. The performance analysis was examined for the case of classifying the PWVM structure only with the feature set belonging to 9th wavelet decomposition level and for classifying only with the feature set belonging to the 10th wavelet decomposition level. Here, the PWVM structure of normal (noiseless) dataset, and noisy datasets with SNR 20 dB of ratio is tested. In this analysis, it was seen that the feature set of 9th decomposition level had a better success in classifying the feature set at SNR 20 dB than the feature set of 10th decomposition level. In the seventh case study, statistical analysis was carried out depending on the performance results obtained from the voting models used for fault detection and classification. The superiority of PWVM over other voting models was investigated by Friedman and Finner post hoc tests. From the results, it was seen that among the voting models, the model that gave meaningful results and was found to be acceptable was PWVM. Finally, apart from the fault detection and classification dataset used in thesis study, performance evaluation was made by comparing the proposed PWVM and different voting methods with the evaluation metrics (accuracy, kappa, and Matthews Correlation Coefficient (MCC)), using datasets with different characteristics accepted in international platforms. It was observed from the obtained results that the efficiency of the PWVM structure was validated against other voting models.