Adaptive signal processing based intelligent method for fault detection and classification in microgrids
Adaptive signal processing based intelligent method for fault detection and classification in microgrids
dc.contributor.advisor | Şeker, Şahin Serhat | |
dc.contributor.author | Azizi, Resul | |
dc.contributor.authorID | 724566 | |
dc.contributor.department | Elektrik Mühendisliği | |
dc.date.accessioned | 2022-09-21T11:18:06Z | |
dc.date.available | 2022-09-21T11:18:06Z | |
dc.date.issued | 2021 | |
dc.description | Tez (Doktora) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2021 | |
dc.description.abstract | The ever-increasing energy demand, the environmental issue of fossil fuels and the high investment cost for the establishment of bulk power plants lead energy plans to more flexible and scattered small-scale energy sources. The main feature of these new topologies is that they consume renewable energy sources for electricity generation. It also requires less time to plan, build and operate. Moreover, they are close to energy sources and local loads. So, there are more efficient, with minimal environmental issues. However, besides their benefits and advantages, they pose a new challenge for traditional power systems. These challenges include protection issues, stability concerns, and complex control systems and so on. Traditional power systems include mass generation followed by transmission and distribution. In this topology, it is possible to plan generation because consumption at the transmission level of the power system is more predictable and fuel resources are always available for generation units. On the other hand, the transmission system and its conditions can be controlled by state estimators and SCADA system. Therefore, production and consumption uncertainties are minimal and conventional protection is sufficient to protect these systems. Also, distribution systems have no generating units, systems are mostly radial and overcurrent protection systems are sufficient to protect them. In these passive networks, it is not necessary to have fast and reliable protection systems as in transmission systems. The initial role of these new energy sources was to act as a backup for mass production and to eliminate the small generation and consumption mismatch during peak consumption. On the other side, huge demand growth and investment time of mass production units and environmental concerns make these distributed energy resources (DERs) (wind, solar, biomass, etc.) popular in the distribution system. However, the contribution of the early DER groups to the total production is low and the control systems are very sensitive to voltage disturbances such as faults. Thus, according to the grid codes, after any minor fault or disturbance in the system, the DERs are disconnected, synchronized manually and reconnected after the fault is cleared. With the increasing penetration of DERs in distribution systems, they play an important and rapidly increasing role in the total production of the system. Therefore, de-energizing all these DERs in an area in the distribution system after a fault has occurred can lead to stability problems due to generation and consumption imbalance. Accordingly, a new concept called microgrid emerged and mainly established in distribution systems. This topology is the microscale of the power system. It can operate autonomously and cover the total demand of this local distribution system. Like the SCADA power system, it has an equivalent centralized monitoring and control system. The total generation is almost sufficient for the total demand of the loads in distribution networks converted to microgrid. It can operate as a standalone ecosystem separated from the main grid and is self-sufficient. The basic requirement of this topology for connecting to the main grid through PCC (point of common coupling) is to increase the total inertia of the system and increase the post-fault stability region. In addition, this topology can transfer energy to the main system if it produces more power than the loads consume. This can reduce the stress of mass production units. Last but not least, if the main upper grid disturbed, the microgrid can continue to supply its loads by disconnecting from the grid. In this new concept, grid codes expect the micro grid to be able to ride through faults and disturbances thanks to low voltage ride through (LVRT) systems. In fact, as a micro-scale model of the power system, the voltage of the DERs at the time of fault occurance is controlled by the LVRT, and the DERs continue to operate without disconnection after the fault is cleared by circuit breakers or other elements). Therefore, more complex control systems are required for DERs. However, microgrids are distribution systems and unlike traditional power systems, there is a high amount of uncertainty in generation and consumption (loads). The distribution system has changed from a passive network to an active dynamic network. In this system, topology, generation and consumption are changed faster and faster than in conventional power systems. This situation constantly changes the fault current level and direction, and the conventional overcurrent protection is completely insufficient to protect them. Also, due to the high penetration of sensitive DERs, prolonged fault current is not allowed (stability concerns). Moreover, inverter-based DERs have a very small contribution to the fault current level. The current protection method of microgrids is adaptive protection. In this model, all operating conditions of the system are extracted and all components of the systems are continuously monitored by central or decentralized control system or even dynamic load estimation. This model cannot be applied to a central control system because it has to process large amounts of data at a high sampling rate and it is impossible to make real-time decisions. Based on these facts, a new intelligence-based method for fault detection and classification of microgrid is proposed in this thesis. In the proposed method, three different adaptive signal processing methods are used to extract the short-time transient component of the signal instead of the fault current level. It transfers data (feature extraction) into three different data spaces. The main feature of these signal processing methods is that they do not use a predefined basis to decompose a signal. The basis is adaptive to signal and extract components depend on the noise penetration level and frequency components of the signal. An intelligence-based method called Brwonboost is used to make decisions in these data spaces, and the total decision is taken by the majority of votes of these three intelligence-based methods in these three data spaces. The main unique feature of the proposed method compared to traditional machine learning methods is its adaptability and uses a non-convex optimization method for detection and classification. The proposed method is a set of weak classifiers and tries to learn the data space step by step and iteratively. It tries to adapt the data by classifying the data that was misclassified in previous iterations. On the other hand, the unique non-convex optimization feature of the proposed method gives it an intelligence to select or discard misclassified data. It can decide step-by-step removal of the algorithm's iteration data in the training process if there is an outlier or a violation in another class area. This feature provides evidence against overfitting and becomes as practical a method as it is for real-world measured data. Finally, a Brownboost decision is also made by a majority vote of the weak classifiers. An intelligence-based method called Brwonboost is used to make decisions in these data spaces, and the total decision is taken by the majority of votes of these three intelligence-based methods in these three data spaces. In this method the classifier works base on the margin. This means, instead of only finding a classifier that minimize the classification error, it selects a classifier that has maximum discrimination between data of every class. The unique feature of the proposed method compared to traditional machine learning methods is its adaptability and uses a non- convex optimization method for detection and classification. The proposed method is an ensemble of weak classifiers and tries to learn the data space step by step and iteratively. It tries to adapt to the data by classifying the data that was misclassified in previous iterations. On the other hand, the unique non-convex optimization feature of the proposed method gives it an intelligence to select or discard misclassified data. During this step-by-step process, the algorithm can detect outliers or misclassified data that intensely violated other class area and remove it. This feature makes it robust against overfitting and becomes as practical method for real-world measured data. In total, the proposed method tries to classify the data in three different data spaces. The data area that makes maximum distinction between the data of each class is less sensitive to noise. Thus, a classifier has are fewer generalization errors to unseen new data (higher margin). Therefore, its Brownboost has more voting power in decision making. The results are test in test benchmark microgrid. DERs are modeled with the detailed model to extract the true detail form of the signal. Various types of control model and fault ride thruogh feature of DERs are implemented. | |
dc.description.abstract | Sürekli artan enerji talebi, fosil yakıtların çevre sorunu ve büyük santrallerin kurulması için yüksek yatırım maliyeti, enerji planlarını daha esnek ve dağınık küçük ölçekli enerji kaynaklarına yönlendirmektedir. Bu yeni topolojilerin temel özelliği, elektrik üretimi için yenilenebilir enerji kaynakları tüketmeleridir. Ayrıca planlamak, inşa etmek ve işletmek için daha az zaman gerektirir. Bundan başka enerji kaynaklarına ve yüklere yakın noktalarda inşa edilirler. Dolayısıyla, minimum çevre sorunlarıyla birlikte yüksek verimlilik elde edilir. Fakat, bununla birlikte, faydaları ve avantajlarının yanı sıra, geleneksel güç sistemleri için yeni bir zorluk teşkil etmektedirler. Bu zorluklar arasında koruma sorunları, kararlılık endişeleri, karmaşık kontrol sistemleri vb. sayılabilir. Geleneksel güç sistemleri, üretim, iletim ve dağıtımın olacak şekilde bir sıralı yapıdan oluşur. Bu topolojide, güç sisteminin iletim seviyesinde tüketimin daha öngörülebilir olması ve üretim birimleri için yakıt kaynaklarının her zaman kullanılabilir olması nedeniyle üretimi planlamak mümkündür. Öte yandan, iletim sistemi ve koşulları durum tahmin edicileri ve SCADA sistemi ile kontrol edilebilir. Bu nedenle üretim ve tüketim belirsizlikleri minimum düzeydedir ve bu sistemleri korumak için geleneksel koruma yeterlidir. Ayrıca dağıtım sistemlerinde üretici ünite yoktur, sistemler çoğunlukla radyaldir ve aşırı akım koruma sistemleri onları korumak için yeterlidir. Bu pasif şebeklerde iletim sistemlerindeki gibi hızlı ve güvenilir koruma sistemlerine sahip olmak gerekli değildir. Bu yeni enerji kaynaklarının başlangıçtaki rolü, seri üretim için bir yedek olarak hareket etmek ve en yüksek tüketim sırasındaki küçük üretim ve tüketim uyumsuzluğunu ortadan kaldırmaktı. Öte yandan, hızlı talep artışı ve büyük güçteki üretim birimlerinin yatırım süresi ve çevresel kaygılar, bu dağıtık üretim kaynaklarını (DÜK'ler) (rüzgâr, güneş, biokütle vb.) dağıtım sisteminde popüler hale getirmektedir. Ancak ilk zamanlardaki DÜK'lerin toplam üretime katkısı düşüktü ve kontrol sistemleri arıza gibi gerilim dalgalanmalarına karşı çok hassastı. Böylece şebeke kodlarına göre sistemdeki herhangi bir küçük arıza veya dalgalanmadan sonra DÜK 'ler devreden çıkar, manuel olarak senkronize edilir ve arıza giderildikten sonra tekrar bağlanır. DÜK'lerin dağıtım sistemlerinde artan entegrasyonuyla, sistemin toplam üretiminde önemli ve hızla artan bir rol oynama başlamıştır. Bu nedenle, bir arıza meydana geldikten sonra o bölgedeki dağıtım sistemindeki tüm bu DÜK'lerin enerjisinin kesilmesi, üretim ve tüketim dengesizliği nedeniyle kararlılık sorunlarına yol açabilir. Buna göre, mikro şebeke adı verilen yeni bir kavram ortaya çıktı ve genel olarak dağıtım sistemlerinde kurulmaya başladı. Bu topoloji, güç sisteminin mikro ölçeğidir. Otonom olarak çalışabilir ve bu yerel dağıtım sisteminin toplam talebini karşılayabilir. SCADA güç sistemi gibi, eşdeğer bir merkezi izleme ve kontrol sistemine sahiptir. Toplam üretim, mikro şebekeye dönüştürülen dağıtım şebekelerindeki yüklerin toplam talebi için neredeyse yeterlidir. Ana şebekeden ayrılmış bağımsız bir ekosistem olarak çalışabilir ve kendi kendine yeterlidir. Ortak bağlantı noktası aracılığıyla ana şebekeye bağlanmaya gerek duymasının nedeni, bu sistemin toplam ataletini artırmak ve arıza sonrası karasızlık olasılığını düşürmektir. Ayrıca bu topoloji, yüklerin tükettiğinden daha fazla güç üretiyorsa enerjiyi ana sisteme aktarabilir. Bu, özellikse ana şebekenin puant tüketim esnasındaki üretim ünitelerinin üzerindeki stresi azaltabilir. Son olarak, ana üst şebeke oluşan bir arızada, mikro şebeke şebekeden ayrılarak yüklerini beslemeye devam edebilir. Bu yeni konseptte, şebeke kodları, mikro şebekenin gerilim salınımlarından alçak gerlim sürüşü (AGS) sayesinde geçebilmesini beklemektedir. Aslında, güç sisteminin mikro ölçekli bir modeli olarak, DÜK'lerin arıza anında voltajı AGS tarafından kontrol edilir ve arıza devre kesiciler veya diğer elemanlar tarafından temizlendikten sonra DÜK'ler bağlantı kesilmeden çalışmaya devam eder. Bu nedenle, DÜK'ler için daha karmaşık kontrol sistemleri gereklidir. Ancak mikro şebekeler dağıtım sistemleridir ve geleneksel güç sistemlerinden farklı olarak üretim ve tüketimde (yüklerde) yüksek miktarda belirsizlik vardır. Dağıtım sistemi pasif bir şebekeden aktif bir dinamik şebekeye dönüşmüştür. Bu sistemde, üretim ve tüketim, geleneksel güç sistemlerine göre daha hızlı değişir. Bu durum sürekli olarak arıza akım seviyesini ve yönünü değiştirir ve konvansiyonel aşırı akım koruma röleleri korumak için tamamen yetersizdir. Ayrıca, hassas DÜK'lerin yüksek katkısı nedeniyle, uzun süreli arıza akımına izin verilmez (kararlılık sorunlarından dolayı). İlaveten, evirici temelli DÜK'lerin arıza akımı seviyesine çok küçük bir katkısı vardır. Öte yandan, mesafe röleleri mikro şebeke koruması için iyi bir seçim değildir. Bunun nedeni, mikro şebekenin genellikle orta veya alçak gerilim dağıtım sistemlerinde yerleşik olmasıdır. Dağıtım sistemlerinin hat uzunlukları kısadır ve arıza bölgeleri küçüktür. Dahili bir arıza meydana geldiğinde, devrenin asimetrisinden veya arıza empedansından kaynaklanan küçük bir hata, rölenin gecikmeli çalışmasına veya bazen çalışmayı reddetmesine neden olabilir. Mikro şebekelerin mevcut koruma yöntemi adaptif korumadır. Bu modelde sistemin tüm çalışma koşulları çıkarılır ve sistemlerin tüm bileşenleri merkezi veya merkezi olmayan kontrol sistemi veya hatta dinamik yük tahmini ile sürekli olarak izlenir. Bu model merkezi bir kontrol sistemine uygulanamaz çünkü büyük miktarda veriyi yüksek bir örnekleme hızında işlemek zorundadır ve gerçek zamanlı kararlar vermek imkansızdır. Bu gerçeklere dayanarak, bu tezde, mikro şebekenin arıza tespiti ve sınıflandırılması için yeni bir akıllı makine öğrenme tabanlı yöntem önerilmiştir. Önerilen yöntemde, arıza akım seviyesi yerine sinyalin kısa süreli geçici olay bileşenini çıkarmak için üç farklı adaptif sinyal işleme yöntemi kullanılmıştır. Verileri (özellik çıkarma) üç farklı veri alanına aktarır. Bu sinyal işleme yöntemlerinin temel özelliği, bir sinyali ayrıştırmak için önceden tanımlanmış bir temel kullanmamalarıdır. Temeller, sinyale uyarlanabilir ve bileşenlerin gürültü oranı ve sinyalin frekans bileşenlerine bağlı olarak çıkarılır. Bu veri uzaylarında karar vermek için Brwonboost adı verilen makine öğrenme tabanlı bir yöntem kullanılır ve son karar, bu üç veri alanında bu üç makine öğrenme tabanlı yöntemin oy çokluğu ile alınır. Bu yöntemde sınıflandırıcı marj bazında çalışır. Bu, yalnızca sınıflandırma hatasını en aza indiren bir sınıflandırıcı bulmak yerine, her sınıfın verileri arasında maksimum ayrıma sahip bir sınıflandırıcı seçtiği anlamına gelir. Önerilen yöntemin geleneksel makine öğrenme yöntemlerine kıyasla en önemli özelliği adaptif olması ve algılama ve sınıflandırma için dışbükey olmayan bir optimizasyon yöntemi kullanır. Önerilen yöntem, zayıf sınıflandırıcılardan oluşan bir topluluktur ve veri uzayını adım adım ve yinelemeli olarak öğrenmeye çalışır. Önceki iterasyonlarda yanlış sınıflandırılan verileri sınıflandırarak verilere uyum sağlamaya çalışır. Öte yandan, önerilen yöntemin benzersiz dışbükey olmayan optimizasyon özelliği, yanlış sınıflandırılmış verileri seçme veya atma konusunda karar verebilme özelliğine sahiptir. Bu adım adım işlem sırasında, algoritma, diğer sınıf alanını yoğun bir şekilde ihlal eden aykırı değerleri veya yanlış sınıflandırılmış verileri tespit edebilir ve kaldırabilir. Bu özellik, onu aşırı öğrenmeye karşı sağlam kılar ve gerçek dünyada ölçülen veriler için pratik bir yöntem haline gelir. Toplamda önerilen yöntem, verileri üç farklı veri uzayında sınıflandırmaya çalışmaktadır. Her sınıfın verileri arasında maksimum ayrım yapan veri alanı gürültüye daha az duyarlıdır. Böylece, bir sınıflandırıcı, görünmeyen yeni verilere yönelik daha az genelleme hatasına sahiptir(daha yüksek marj). Bu nedenle, bu uzaydaki Brownboost karar vermede daha fazla oy hakkına sahiptir. Sonuçlar, örnek test mikro şebekede değerlendirilmiştir. DÜK'ler, sinyalin gerçek detay formunu çıkarmak için ayrıntılı modelle modellenir. DÜK'lerin çeşitli tiplerde kontrol modeli ve arızalı sürüş özelliği uygulanmaktadır. | |
dc.identifier.uri | http://hdl.handle.net/11527/20408 | |
dc.language.iso | en_US | |
dc.publisher | Lisansüstü Eğitim Enstitüsü | |
dc.sdg.type | none | |
dc.subject | Elektrik güç sistemleri | |
dc.subject | Electric power systems | |
dc.subject | Sayısal işaret işleme | |
dc.subject | Digital signal processing | |
dc.subject | Yapay zeka | |
dc.subject | Artificial intelligence | |
dc.title | Adaptive signal processing based intelligent method for fault detection and classification in microgrids | |
dc.title.alternative | Mikroşebekelerde arıza tespiti ve sınıflandırması için adaptif sinyal işleme tabanlı akıllı yöntem | |
dc.type | Doctoral Thesis |