Ferrorezonans, yüksek gerilimli elektrik güç sistemlerinde meydana gelebilecek karmaşık ve potansiyel olarak tehlikeli bir fenomendir. Genellikle, trafolar, kondansatörler ve anahtarlar gibi sistemin doğrusal olmayan bileşenlerinin etkileşimi ile ilişkilidir ve sistemin bileşenleri belirli frekansta rezonansa girdiğinde ortaya çıkar. Ferrorezonans, aniden yük değişiklikleri, arızalar veya anahtarlama işlemleri gibi belirli koşulların tetiklemesiyle başlar ve bunun sonucunda anormal gerilim ve akım salınımları meydana gelir. Bu salınımlar, elektrikli ekipmanlara ciddi zararlar verebilir, güç tedarikini kesebilir ve onarım maliyetleri, duruş süreleri ve sistem arızaları nedeniyle finansal kayıplara yol açabilir. Ferrorezonansın öngörülemezliği, geleneksel koruma sistemleri için bir zorluk oluşturur ve bu olayı gerçek zamanlı olarak tespit etmek ve önlemek zordur. Ferrorezonansın etkileri, trafolar ve kondansatörler gibi önemli elektrikli bileşenlere kalıcı zararlar verebilecek yüksek gerilim zirveleri ve bozulmuş akım dalgaları olarak kendini gösterir. Bu etkiler genellikle öngörülemezdir ve uzun süre devam edebilir, bu da güç şebekesine yönelik riskleri daha da artırır. Ferrorezonans meydana geldiğinde, izolasyon arızaları, ekipman aşırı ısınması ve hatta trafoların ve diğer kritik altyapıların felakete uğraması gibi felaket sonuçları doğurabilir. Ferrorezonansın neden olduğu zararlı elektriksel dalgalanmalar, sistem genelinde yayılabilir ve yakınlardaki trafolara etki ederek geniş çaplı elektrik kesintilerine yol açabilir. Böyle olaylar güç kaybı, ekipman arızası, uzun kurtarma süreleri ve büyük finansal kayıplara neden olabilir. Bu nedenle, ferrorezonansın doğru bir şekilde tespit edilmesi ve önlenmesi, güç sistemlerinin güvenilir bir şekilde çalışabilmesi için çok önemlidir. Gelişmiş tespit tekniklerinin geliştirilmesi, ferrorezonansın etkisini azaltmaya ve güç şebekelerinin dayanıklılığını artırmaya yardımcı olabilir. Geleneksel ferrorezonans tespit yöntemleri genellikle frekans analizi, zaman alanı simülasyonları ve sistem modelleme gibi tekniklere dayanır. Ancak, bu yöntemler genellikle gerçek zamanlı tespit açısından yetersiz kalır, çünkü yüksek hesaplama gereksinimleri vardır ve güç sistemlerinin dinamik doğasını hesaba katmak için esneklikten yoksundurlar. Ayrıca, geleneksel yaklaşımlar zamanında uyarılar sağlamayabilir, bu da müdahale gecikmelerine ve ekipmanlara daha fazla zarar verilmesine yol açabilir. Buna karşılık, yapay zeka (YZ) tabanlı teknikler, makine öğrenmesi (ML), derin öğrenme ve zaman serisi analizi gibi yöntemler, ferrorezonansı daha doğru ve hızlı bir şekilde tespit etmek için umut verici alternatifler sunmaktadır. YZ tabanlı yöntemler, sistem verilerindeki desenleri ve anormallikleri analiz ederek ferrorezonansın başlangıcını tahmin edebilir ve potansiyel arızalar için erken uyarılar sağlayabilir. Bu yaklaşımlar, tespit hızını artırmanın yanı sıra, olaylara daha hızlı yanıt verilmesini sağlayarak maliyetleri ve duruş sürelerini de azaltır. Tespit sürecini otomatikleştirerek, YZ tabanlı izleme sistemleri manuel müdahalelere olan bağımlılığı azaltır ve güç sistemlerinin genel verimliliğini ve güvenilirliğini artırır. Bu çalışma, ferrorezonans olaylarını tespit etmek ve analiz etmek için üç farklı YZ tabanlı tekniğin kullanımını incelemektedir: K-En Yakın Komşular (KNN), Destek Vektör Makineleri (SVM) ve Uzun Kısa Süreli Bellek (LSTM) ağları. Bu teknikler, ferrorezonans tespiti ile ilgili farklı yönleri ele almak ve zaman serisi verileri için uygunlukları nedeniyle seçilmiştir. Çalışmanın amacı, her makine öğrenmesi modelinin gerçek zamanlı gerilim ve akım ölçümleri temelinde ferrorezonans olaylarını tespit etme performansını değerlendirmektir. Bu çalışmada kullanılan veri seti, normal ve ferrorezonans koşullarını temsil eden simüle edilmiş güç sistemi verilerini içermektedir ve her model için eğitim ve test setlerine ayrılmıştır. Simüle edilmiş veri kullanımı, modellerin çeşitli ferrorezonans senaryolarında eğitilmesi ve test edilmesi için kontrollü deneyler yapılmasını sağlamaktadır, bu da etkinliklerinin kapsamlı bir şekilde değerlendirilmesini garanti eder. Ayrıca, veri artırma teknikleri uygulanarak modellerin sağlamlığı artırılmış ve farklı senaryolarda genelleme yapma yetenekleri geliştirilmiştir. KNN, küçük ve orta ölçekli veri setleri üzerinde etkili olan basit ancak güçlü bir sınıflandırma algoritması olduğu için seçilmiştir. KNN, veri noktalarını yakınlarındaki diğer veri noktalarına göre sınıflandırır, bu da onu güç sistemi verilerindeki desenleri tespit etmek için uygun hale getirir. Ancak, KNN'nin hesaplama karmaşıklığı veri setinin büyüklüğü arttıkça artar, bu da büyük veri setleri için ölçeklenebilirliğini sınırlayabilir. SVM ise, doğrusal olmayan verileri sınıflandırabilme yeteneği ve karmaşık sınıflandırma görevlerinde doğruluğu ile seçilmiştir. SVM, veri noktalarını ayrıştıran hiper düzlemler oluşturur ve karmaşık ferrorezonans desenlerinde doğrusal olmayan karar sınırlarını işlemek için özellikle etkilidir. SVM, doğrusal olmayan karar sınırlarını işleyebilmesi sayesinde zorlu senaryolarda bile ferrorezonans olaylarını doğru bir şekilde sınıflandırmıştır. LSTM ağı ise, ferrorezonans olaylarının dinamik ve sıralı doğasını modellemek için kullanılmıştır, özellikle zaman serisi verileri için idealdir. LSTM ağları, sıralı verilerde uzun vadeli bağımlılıkları öğrenebilme yeteneğine sahip olup, ferrorezonans olaylarının zaman içindeki dinamiklerini modelleyerek potansiyel arızaların erken uyarılarını sağlar. Her modelin performansı, doğruluk, hassasiyet, hatırlama ve F1 puanı gibi çeşitli metriklerle değerlendirilmiştir. Sonuçlar, KNN'nin küçük veri setlerinde iyi performans gösterdiğini ve ferrorezonans olaylarını yüksek doğrulukla tespit ettiğini göstermiştir. Ancak, veri seti büyüdükçe KNN'nin hesaplama karmaşıklığı bir sınırlama haline gelmiş ve verimliliğini azaltmıştır. SVM ise, daha büyük ve daha karmaşık veri setlerinde üstün performans sergileyerek yüksek doğruluk ve sağlam sınıflandırma yetenekleri sunmuştur. SVM, doğrusal olmayan karar sınırlarını işleme yeteneği sayesinde zorlu senaryolarda bile ferrorezonans olaylarını doğru bir şekilde sınıflandırmıştır. LSTM ağları ise, zaman serisi verilerinde ferrorezonans olaylarını tespit etmede hem KNN hem de SVM'den daha iyi performans göstermiştir. LSTM, verilerdeki uzun vadeli bağımlılıkları ve desenleri yakalayarak, ferrorezonans olayları kritik hale gelmeden önce erken uyarı sinyalleri sağlamıştır. Ferrorezonansın zaman içindeki dinamiklerini modelleme yeteneği, LSTM'yi güç sistemlerinin gerçek zamanlı izlenmesi için değerli bir araç yapmıştır. Bu bulgular, YZ tabanlı yaklaşımların, güç sistemlerinde ferrorezonans tespitini iyileştirme potansiyelini doğrulamaktadır. Sonuçlar, özellikle LSTM'nin, geleneksel yöntemlere göre ferrorezonans olaylarını daha doğru ve verimli bir şekilde tespit xxi edebileceğini ve operatörler için değerli gerçek zamanlı uyarılar sağlayabileceğini göstermektedir. Bu olayların erken tespiti, ekipman hasarını ve sistem kesintilerini önemli ölçüde azaltabilir. Gelecekteki araştırmalar, veri setini gerçek dünya ölçümleri ile genişletmeyi ve tespit doğruluğunu daha da artırmak için ek YZ modellerini keşfetmeyi hedefleyebilir. YZ teknikleri gelişmeye devam ettikçe, ferrorezonans olaylarının güç sistemlerine olan etkilerini azaltmada kritik bir rol oynamaları, sistem güvenilirliğini artırmaları ve daha proaktif bakım stratejilerini mümkün kılmaları beklenmektedir. YZ tabanlı izleme sistemlerinin güç şebekelerine entegrasyonu, tespit sürecini otomatikleştirerek manuel müdahalelere olan bağımlılığı azaltacak ve potansiyel ferrorezonans olaylarına daha hızlı yanıt verilmesini sağlayacaktır. Ayrıca, bu sistemler yeni verilerden sürekli olarak öğrenebilir ve zamanla performanslarını iyileştirebilirler. YZ alanı ilerledikçe, daha sofistike modeller ve teknikler ortaya çıkacak, bu da ferrorezonansı tespit etme ve hafifletme yeteneğini daha da geliştirecek ve nihayetinde daha dayanıklı ve verimli güç sistemlerine yol açacaktır.
Ferroresonance is a complex and potentially hazardous phenomenon that can occur in high-voltage electrical power systems, often leading to significant equipment damage, prolonged outages, and safety risks. It is typically associated with the interaction between nonlinear components of the system, particularly transformers, capacitors, and circuit breakers, when the system's components resonate at certain frequencies. Ferroresonance is triggered by specific conditions such as sudden load changes, faults, or switching operations, leading to abnormal voltage and current oscillations. These oscillations can cause severe damage to electrical equipment, disrupt the power supply, and lead to financial losses due to repair costs, downtime, and system failure. The unpredictability of ferroresonance poses a challenge to traditional protection systems, making it difficult to detect and prevent in real-time. The effects of ferroresonance manifest as high voltage spikes and distorted current waves that can cause permanent damage to key electrical components, including transformers and capacitors. These effects are often unpredictable and can last for extended periods, further exacerbating the risks to the power grid. When ferroresonance occurs, it can result in catastrophic consequences such as insulation failures, overheating of equipment, and even catastrophic failures of transformers and other critical infrastructure. The damaging electrical surges that result from ferroresonance can also propagate throughout the system, affecting nearby substations and potentially leading to widespread power outages. Such events can cause power loss, equipment failure, long recovery periods, and significant financial losses. As a result, accurate detection and prevention of ferroresonance are crucial for the reliable operation of power systems. The development of advanced detection techniques can help mitigate the impact of ferroresonance and improve the resilience of power networks. Traditional methods for detecting ferroresonance typically rely on techniques such as frequency analysis, time-domain simulations, and system modeling. However, these methods often fall short in terms of real-time detection, as they tend to have high computational requirements and lack the flexibility needed to account for the dynamic nature of power systems. Furthermore, conventional approaches may not provide timely alerts, leading to delays in intervention and further damage to equipment. In contrast, artificial intelligence (AI)-based techniques, such as machine learning (ML), deep learning, and time-series analysis, offer promising alternatives for more accurate and faster detection of ferroresonance. AI-based methods can analyze patterns and anomalies in system data to predict the onset of ferroresonance and provide early warnings for potential failures. These approaches not only improve detection speed but also reduce costs and downtime by enabling quicker responses to incidents. By xxiv automating the detection process, AI-based monitoring systems reduce reliance on manual interventions and improve the overall efficiency and reliability of power systems. This study explores the use of three different AI-based techniques for detecting and analyzing ferroresonance events: K-Nearest Neighbors (KNN), Support Vector Machines (SVM), and Long Short-Term Memory (LSTM) networks. These techniques were chosen for their ability to address different aspects of ferroresonance detection and their suitability for time-series data. The goal of the study is to evaluate the performance of each machine learning model in detecting ferroresonance events based on real-time voltage and current measurements. The dataset used in this study consists of simulated power system data representing both normal and ferroresonance conditions, with the data split into training and testing sets for each model. The use of simulated data allows for controlled experiments where the models can be trained and tested under various ferroresonance scenarios, ensuring a comprehensive evaluation of their effectiveness. Additionally, data augmentation techniques were applied to increase the robustness of the models and enhance their ability to generalize across different scenarios. KNN, a simple yet powerful classification algorithm, was selected as the first classifier due to its effectiveness on small to medium-sized datasets. KNN classifies data points based on their proximity to nearby data points, making it well-suited for detecting patterns in power system data. However, KNN's computational complexity increases as the dataset size grows, potentially limiting its scalability for large datasets. SVM, on the other hand, was chosen for its ability to classify nonlinear data and its proven accuracy in handling complex classification tasks. SVM creates hyperplanes that separate data points into distinct classes and is particularly effective at dealing with intricate decision boundaries. It performs well even with complex ferroresonance patterns, where nonlinearities are present. LSTM was employed to model the dynamic and sequential nature of ferroresonance events, particularly for time-series data. LSTM networks are capable of learning long-term dependencies in sequential data, making them ideal for capturing the temporal aspects of ferroresonance events and detecting early warning signs of potential failures. The performance of each model was evaluated using various metrics, including accuracy, precision, recall, and F1-score. The results showed that KNN performed well on smaller datasets, achieving high accuracy rates in identifying ferroresonance events. However, as the dataset size increased, KNN's computational complexity became a limitation, reducing its efficiency. SVM, by contrast, demonstrated superior performance on larger, more complex datasets, with high accuracy and robust classification capabilities. SVM's ability to handle nonlinear decision boundaries allowed it to classify ferroresonance events accurately even in challenging scenarios. LSTM networks, however, outperformed both KNN and SVM in detecting ferroresonance events in time-series data. LSTM was able to capture long-term dependencies and patterns in the data, allowing it to provide early warning signals of ferroresonance events before they became critical. The ability of LSTM to model the temporal dynamics of ferroresonance made it an invaluable tool for real-time monitoring of power systems. These findings confirm the potential of AI-based approaches for improving the detection of ferroresonance in power systems. The results show that AI models, especially LSTM, can detect ferroresonance events more accurately and efficiently than traditional methods, providing valuable real-time alerts for operators. The ability to detect these events early can significantly reduce the risk of equipment damage and system outages. Future research could focus on expanding the dataset to include realworld measurements and exploring additional AI models to further enhance detection accuracy. As AI techniques continue to evolve, they are expected to play a critical role in reducing the impact of ferroresonance events on power systems, improving overall system reliability, and enabling more proactive maintenance strategies. The integration of AI-based monitoring systems into power grids will automate the detection process, reducing the reliance on manual interventions and allowing for faster response times to potential ferroresonance events. Furthermore, these systems can continuously learn from new data, improving their performance over time. As the field of AI progresses, more sophisticated models and techniques will emerge, further enhancing the ability to detect and mitigate ferroresonance, ultimately leading to more resilient and efficient power systems.
Except where otherwise noted, this item's license is described as http://creativecommons.org/licenses/by/4.0/
