Karma İletim Hatlarında Makine Öğrenmesi Yöntemleri Kullanarak Hata Yeri Tahmini

Year 2020, Ejosat Special Issue 2020 (ICCEES), 245 - 250, 05.10.2020

Serkan Budak , Bahadir Akbal

https://doi.org/10.31590/ejosat.802888

Abstract

Havai hatlar genellikle elektrik enerjisi iletimi için kullanılır. Ayrıca XLPE yeraltı kablo hatları genellikle şehir merkezinde ve kalabalık alanlarda elektrik güvenliğini sağlamak için kullanılır, bu nedenle iletim hatlarında havai hat ile birlikte yüksek gerilim yeraltı kablo hatları kullanılır ve bu hatlar karma hatları olarak adlandırılır. Mesafe koruma röleleri, iletim hatlarındaki akım ve gerilim büyüklüklerine göre empedans tabanlı ölçüm sonucu arıza yerini belirler. Ancak yüksek gerilim kablo hattının karakteristik empedansı havai hattan önemli ölçüde farklı olduğundan, birim uzunluk başına farklı karakteristik empedans nedeniyle karma iletim hatlarında arıza konumu doğru bir şekilde tespit edilemez. Bu nedenle karma iletim hatlarında mesafe koruma röleleri ile arıza bölümünün ve yerinin tespiti zordur. Bu çalışmada, 154 kV havai iletim hattı ve yer altı kablo hattı, mesafe koruma röleleri için karma iletim hattı olarak incelenmiştir. Karma iletim hattında faz-toprak arızaları oluşturulur ve havai hat bölümü ve yeraltı kablo bölümü PSCAD / EMTDC ™ kullanılarak simüle edilir. Kısa devre arıza görüntüleri, havai iletim hattı ve yer altı kablo iletim hattı arızaları için mesafe koruma rölesinde oluşturulur. Görüntüler, arızanın R-X empedans diyagramını içerir ve R-X empedans diyagramından elde edilen görüntüler görüntü işleme adımları uygulanmıştır. Regresyon metotları, arıza yerinin tahmini için kullanılır ve görüntü işlemenin sonuçları, regresyon metotlarının eğitim süreci için girdi parametreleri olarak kullanılır. Regresyon yöntemlerinin sonuçları, bu çalışmanın sonunda iletim hatlarında arıza yerinin tahmini için en uygun metotu seçmek için karşılaştırılmıştır. Havai iletim hat kısmı arıza yeri çalışmasında kullanılan metot ve performans kriterlerine bakıldığında, “RMSE 0.017652” değeri ile en doğru sonuç veren Doğrusal Regresyon (Güçlü Doğrusal) metotudur. Yeraltı kablo iletim hat kısmı arıza yeri çalışmasında kullanılan metot ve performans kriterlerine bakıldığında, “RMSE 0.0060709” değeri ile en doğru sonuçları veren Doğrusal Regresyon (Kademeli Doğrusal) metotudur. Arıza yeri tahminleri incelendiğinde yüksek tahmin değerleri elde edilmiştir.

Keywords

Mesafe Koruma Rölesi, Karma İletim Hatları, Kısa Devre Arızaları, Arıza Yeri Tahimini, Regresyon Metotları

Fault Location Estimation by Using Machine Learning Methods in Mixed Transmission Lines

Abstract

Overhead lines are generally used for electrical energy transmission. Also, XLPE underground cable lines are generally used in the city center and the crowded areas to provide electrical safety, so high voltage underground cable lines are used together with overhead line in the transmission lines, and these lines are called as the mixed lines. The distance protection relays are used to determine the impedance based fault location according to the current and voltage magnitudes in the transmission lines. However, the fault location cannot be correctly detected in mixed transmission lines due to different characteristic impedance per unit length because the characteristic impedance of high voltage cable line is significantly different from overhead line. Thus, determinations of the fault section and location with the distance protection relays are difficult in the mixed transmission lines. In this study, 154 kV overhead transmission line and underground cable line are examined as the mixed transmission line for the distance protection relays. Phase to ground faults are created in the mixed transmission line, and overhead line section and underground cable section are simulated by using PSCAD/ EMTDC ™. The short circuit fault images are generated in the distance protection relay for the overhead transmission line and underground cable transmission line faults. The images include the R-X impedance diagram of the fault, and the R-X impedance diagram have been detected by applying image processing steps. The regression methods are used for prediction of the fault location, and the results of image processing are used as the input parameters for the training process of the regression methods. The results of regression methods are compared to select the most suitable method at the end of this study for forecasting of the fault location in transmission lines. When looking at the method and performance criteria used in the overhead transmission line fault location study, it is the Linear Regression (Robust Linear) method that gives the most accurate results with RMSE 0.017652. When looking at the method and performance criteria used in the underground cable transmission line fault location study, it is the Linear Regression (Stepwise Linear) method, which gives the most accurate results with RMSE 0.0060709. When the accuracy of the method was examined, it was seen that it was higher than other methods.

Keywords

Distance Protection Relay, Mixed Transmission Lines, Short Circuit Faults, Fault Location Estimation, Regression Learner

References

• Budak, S. (2020). Karma iletim hatlarında mesafe koruma rölesi çalışmasının incelenmesi ve çalışma başarımlarının yükseltilmesi. (Yüksek Lisans). Konya Teknik Üniversitesi Lisansüstü Eğitim Enstitüsü, Konya. Han, J., & Crossley, P. A. (2013). Fault location on mixed overhead line and cable transmission networks. Paper presented at the 2013 IEEE Grenoble Conference.
• Han, J., & Crossley, P. A. (2015). Traveling wave fault locator for mixed, overhead, and underground teed transmission feeders. IEEJ Transactions on Electrical and Electronic Engineering, 10(4), 383-389.
• Karasu, S., Altan, A., Saraç, Z., & Hacioğlu, R. (2018). Prediction of Bitcoin prices with machine learning methods using time series data. Paper presented at the 2018 26th Signal Processing and Communications Applications Conference (SIU).
• MathWorks. Choose Regression Model Options. Retrieved from https://www.mathworks.com/help/stats/choose-regression-model-options.html
• MathWorks. Train Regression Models in Regression Learner App. Retrieved from https://www.mathworks.com/help/stats/regression-learner app.html#:~:text=Choose%20among%20various%20algorithms%20to,Models%20in%20Regression%20Learner%20App.
• Özleyen, Ü. (2019). Hibrit güç sistemlerinde arıza tespiti. (Yüksek Lisans). Fırat Üniversitesi Fen Bilimleri Enstitüsü, Elazığ. Sadeh, J., & Afradi, H. (2009). A new and accurate fault location algorithm for combined transmission lines using adaptive network-based fuzzy inference system. Electric Power Systems Research, 79(11), 1538-1545.
• Tziouvaras, D. (2006). Protection of high-voltage AC cables. Paper presented at the 59th Annual Conference for Protective Relay Engineers, 2006.
• Wedepohl, L., & Wilcox, D. (1973). Transient analysis of underground power-transmission systems. System-model and wave-propagation characteristics. Paper presented at the Proceedings of the institution of electrical engineers.