Elektrik Mühendisliği Lisansüstü Programı
Bu topluluk için Kalıcı Uri
Gözat
Başlık ile Elektrik Mühendisliği Lisansüstü Programı'a göz atma
Sayfa başına sonuç
Sıralama Seçenekleri
-
ÖgeDağıtım şebekelerinde aşırı akım rölesi ile adaptif koruma(Fen Bilimleri Enstitüsü, 2020-07) Var, Hakan ; Türkay, Belgin ; 637246 ; Elektrik Mühendisliği Anabilim DalıÇevreyi koruma bilincinin artması, yenilenebilir enerji kaynaklarına ulaşımın kolaylaşması, elektrik fiyatlarının artması bireyleri ve şirketleri kendi enerjisini üretmek istemesidir. Tüm bu etkenler mikro şebekelerin kurulumunu ortaya çıkarmıştır. Mikro şebekeler bölgesel olarak içerdikleri enerji kaynakları ile bölgedeki yükleri beslerler. Bu enerji kaynakları biyogaz, mikro hidroelektrik, güneş santrali, rüzgâr türbinleri, gaz türbinleri, batarya teknolojisi, jeotermal enerji gibi birimlerden oluşmaktadır. Mikro şebeke teknolojisi, mikro şebeke otomasyonu sayesinde ana şebekeye bağlı veya temel şebekeden bağımsız olarak çalışabilmektedirler. Mikro şebekeler arz/talep dengesi gözetiminde temel şebekeye enerji verebilir ya da ana şebekeden enerji alabilmektedir. Ayrıca bir arıza durumunda temel şebeke bağlantısı kesilerek frekans ve gerilim değişimlerinin önüne geçilebilmektedir. Mikro şebekeler hava koşullarından etkilenen rüzgâr türbinleri, güneş santralleri gibi yenilenebilir enerji kaynaklarına sahip olduğundan ve hem temel şebekeye bağlı hem de güç adası biçiminde çalıştırdıklarından dolayı değişken güç akışına sahiptir. Bu durum mikro şebekelerin kontrolü ve korumasını zorlaştırmaktadır. Geleneksel aşırı akım röleleri birçok sistemi başarıyla koruyabilmektedir. Akım genliği arızanın tespiti için akım yön bilgisi ise arızanın koruma bölgesinde olup olmadığını tespit etmek için kullanılır. Sistemdeki ardışık rölelerin koordinasyonu için röleler arasında zaman aralıkları olmalıdır. Bu zaman aralıkları röle ayar parametrelerinden röle ayarında izin verilen maksimum akım (Is) ve zaman ayar çarpanı (TMS) değerlerine bağlıdır. Bu röleler merkezle ve birbirleri ile haberleşmedikleri için Is ve TMS değerlerini tekrar değiştirmek için manuel bir işlem yapmak gerekir. Özellikle mikro şebekelerin bulunduğu sistemlerde görülen şebeke yük akışının değerinin ve yönünün değiştiği durumda geleneksel rölelerin kullanımı güçleşmektedir. Geleneksel aşırı akım rölelerinin aksine, adaptif aşırı akım röleleri şebekedeki akım bilgileri ve kesici durumlarını kontrol eder. Herhangi bir değişiklik saptanmış ise röle parametreleri olan Is ve TMS değerlerini tekrar hesaplayarak yeni değerlere göre devreye girer. Bu durum yük akışının sıklıkla değiştiği sistemlerde adaptif aşırı akım rölelerinin kullanımının avantajını ortaya çıkarmaktadır. Adaptif aşırı akım rölesinin parametrelerinin değişime bağlı olarak ayarlanabilmesi için rölelerin bir ana merkezle haberleşmesi gerekmektedir. Yeni güç akış değerlerine entegre olması için bu haberleşmenin hızlı ve güvenilir olması gerekmektedir. Haberleşme hattının da olduğu bir otomasyon sistemi kurulduktan sonra adaptif aşırı akım rölesiyle sistemi koruma daha güvenilir, hızlı ve kolay olmaktadır. Geleneksel yöntem ile koruma ve adaptif koruma arasında karşılaştırma yapabilmek için örnek bir mikro şebeke sistemi modellenmiş ve her iki koruma modeli bu şebeke sistemine uygulanmıştır. Modellenen mikro şebeke hem ana şebekeye bağlı hem de ada durumunda çalışabilmektedir.
-
ÖgeFerroresonance fault detection in electric power networks by artificial neural networks(Institute of Science and Technology, 2020-07) Kulaklı, Gizem ; Akıncı, Tahir Çetin ; 650079 ; Department of Electrical EngineeringFerroresonance is a complicated nonlinear waving which can appear in electrical circuits with a series or parallel connection of nonlinear inductance and capacitance. Cause of the current of ferroresonance on the transmission line elements such as cables or transformers can be partially or completely damaged. This destruction not only creates huge material losses on the system but also creates unjust suffering. It is important for the sustainability of the system that a devastating error such as ferroresonance can be detected. If ferroresonance can detecting in advance prevent the loss of time and money for the user by destroying the elements such as power transformer and cables used in the system Ferroresonance is nonlinear situation and learning in artificial neural networks has advantages such as working with missing or uncertain data, processing real conditions, handling nonlinear situations, being more successful than traditional methods, fault tolerance. Artificial neural networks are referred to by this name because they are based on learning of the human neural cell in principle. One nerve cell receives information from other cells from the dendrites department, which corresponds to input in artificial neural networks, while axon in human nerve cells corresponds to output in artificial neural networks. Artificial neural networks mainly consist of three layers. There are hidden tabs determined by the number of layers between the input and the output. The learning process is multiplied by the randomly assigned weight value of the input value, and the NET value is created, and if it is determined, the bias others are summed and output from the cell where this total value is found according to the activation function. This output value is the input of the next hidden layer and continues until the same process reaches the output value. The output value gives the result of the learning operation according to the specified value ranges. The activation function is important in solving the problem used. Various activation functions are mentioned in the thesis. A successful algorithm was investigated by using an artificial neural network method to detect ferroresonance error. In this study, four different ferroresonance data emerging with different scenarios in the transmission line which used energy transmission line modeling from western Anatolia Turkey Seydisehir-Oymapınar transmission line has 380 kV were used as input values. Work steps; literature search on the subject, detection of the moment when ferroresonance starts in voltage outputs, creating input, training and example data from ferroresonance data, to create the appropriate algorithm for nonlinear ferroresonance.