Zırhlı yüksek gerilim kablolarında yalıtım arızalarını önlemek için çok amaçlı optimizasyon ve hibrit yapay zekâ tabanlı kablo topraklama yöntemi

Year 2024, Volume: 39 Issue: 3, 1351 - 1364, 20.05.2024

Bahadir Akbal

https://doi.org/10.17341/gazimmfd.979747

Abstract

Bir yüksek gerilim kablosunda, yalıtkan tabaka üzerinde kullanılan metal kılıf ve zırh elektrik alanını sınırladıkları gibi mekanik etkilere karşı yalıtkanı korurlar. Ancak kablodan yük akımı geçince, zırh ve metal kılıf üzerinde kablo sıcaklığını artıran ve tehlikeli gerilimlere neden olan akım ve gerilimler oluşur. Aşırı kablo sıcaklığı ve tehlikeli gerilimler yalıtım arızalarına neden olmaktadır. Literatürde bu yalıtım arızalarını önlemek için farklı topraklama yöntemleri önerilmektedir. Ancak, son yıllarda harmonik akımlarının da etkisinin artmasından dolayı bu topraklama yöntemleri yalıtım hatalarını önlemek için yetersiz kalmaktadır. Bu çalışmada yüksek harmonikli akım ve gerilimden dolayı oluşan yalıtım arızalarını önlemek için optimizasyon ve yapay zekâ tabanlı yeni bir topraklama yöntemi önerilmektedir. Bu yöntemde, optimum bir topraklama yapabilmek için metal kılıf ve zırh üzerindeki geriliminin, akımının ve akım harmonik bozunumunun bilinmesi gerekir. Dolayısıyla, bu parametre değerlerinin tespiti için hibrit sinir ağları ve regresyon yöntemlerinden oluşan tahmin yöntemleri kullanılmıştır. Hibrit yapay arı kolonisi-yapay sinir ağı (H-YAK) ve gauss proses regresyon (GPR) yöntemleri minimum eğitim hatalarına göre bu gruplar içinden seçilmiş ve optimizasyon algoritmalarında amaç fonksiyonu olarak kullanılmışlardır. Önerilen topraklama yönteminin optimizasyonunda birçok amaç olduğu için çok amaçlı optimizasyon yöntemi kullanılmıştır. Çok amaçlı optimizasyonda, tahmin yöntemi olarak H-YAK kullanıldığında, metal parçalar üzerinde gerilim, akım ve akım harmoniklerinde optimum değerler sağlanmıştır.

Keywords

Yalıtkan arızası, Kablo topraklaması, Hibrit yapay sinir ağı, Çok amaçlı optimizasyon

References

• 1. Ruiz J.R., Garcia A., Morera A., Circulating sheath currents in flat formation underground power lines, International Conf. Renewable Energies and Power Quality, 1–5, 2007.
• 2. Zhonglei L., Du B. X., Wang L.,et al, the calculation of circulating current for the single-core cables in smart grid, 2012 IEEE Innovative Smart Grid Technologies – Asia, China, 1–4, May 2012.
• 3. Czapp S., Dobrzynski K., Klucznik J., et al, Calculation of induced sheath voltages in power cables – single circuit system versus double circuit system, Journal of Information, Control and Management Systems, 12, 113–123, 2014.
• 4. Jung C. K., Lee J. B., Kang J. W., Sheath circulating current analysis of a cross-bonded power cable systems, J Electr Eng & Technol, 2, 320–328, 2007.
• 5. Gouramanis K. V., Kaloudas C., G., Papadopoulos T. A., et al, Sheath voltage calculations in long medium voltage power cables, IEEE Trondheim Power Tech, Norway, 1–7, June 2011.
• 6. Jung C. K., Lee J. B., Kang J. W., et al, Sheath current characteristic and its reduction on underground power cable systems, IEEE Power Engineering Society General Meeting, CA, USA, 2562–2569, August 2005.
• 7. https://www.powerandcables.com/product/product-category/armour-earthing-kits/
• 8. Kavaklioglu K., Modeling and prediction of Turkey’s electricity consumption using Support Vector Regression, Applied Energy, 88, 368–375, 2011.
• 9. Wang J., Niu Li L., Tan Z., An annual load forecasting model based on support vector regression with differential evolution algorithm, Applied Energy, 94, 65–70, 2012.
• 10. Akbal B., High voltage underground cable bonding optimisation to prevent cable termination faults in mixed high-voltage lines, IET Gener. Transm. Distrib., 14, 4331-4338, 2020.
• 11. Kaya S., Fığlalı N., Çok Amaçlı Optimizasyon Problemlerinde Pareto Optimal Kullanımı, Social Sciences Research Journal, 5, 9-18, 2016.
• 12. Gunantara N., A review of multi-objective optimization: Methods and its applications, Cogent Engineering, 5, 1-16, 2018.
• 13. Stanislaw C., Krzysztof D., Safety Issues Referred to Induced Sheath Voltages in High-Voltage Power Cables—Case Study, Appl. Sci., 10, 6706, 1–16, 2020.
• 14. Jun F., Yanchi Z., Wanting L., Pengfei J., Tian D., Da X., Wenbo Z., 110kV high voltage cable sheath transposition to reduce the grounding induction currents, IOP Conference Series: Earth and Environmental Science, 983, 1-6, 2022.
• 15. Xiangdong Z., Yunong S., Ning L., High-Voltage Cable Sheath Induced Voltage and Circulation Current Analysis, Transmission and Distribution Engineering and Technology, 8, 3, 94-101, 2019.
• 16. Roberto C., Antonio G., Massimo M., Eleonora R. S., A Model for Assessing the Magnitude and Distribution of Sheath Currents in Medium and High-Voltage Cable Lines, IEEE Transactions on Industry Applications, 56, 6, 6250-6257, 2020.
• 17. Shiva A. L., Mohammad M., Sheath induced voltage prediction of high voltage cable based on artificial neural network, Computers and Electrical Engineering, 87, 1-19, 2020.
• 18. Glover J. D., Sarma M. S., Overbye T. J, Power System Analysis and Design, Cengage Leraning, 2012.
• 19. Wei F., Xiao K., Qiwei Z., et al, Impact of Neutral Current on Concentric Cable Overloading, 2018 IEEE/PES Transmission and Distribution Conference and Exposition (T&D), Denver, CO, USA, 1-5 August, 2018.
• 20. Zhangping S., Xing Z., Fusheng W., et al, Modeling and Elimination of Zero-Sequence Circulating Currents in Parallel Three-Level T-Type Grid-Connected Inverters, IEEE Transactions on Power Electronics, 30 (2), 1050-1063, 2015.
• 21. Jiangchao Q., Maryam S., A Zero-Sequence Voltage Injection-Based Control Strategy for a Parallel Hybrid Modular Multilevel HVDC Converter System, IEEE Transactions on Power Delivery, 30 (2), 728-736, 2015.
• 22. Mehdi N., Gerry M., Three-Phase Multi module VSIs Using SHE-PWM to Reduce Zero-Sequence Circulating Current, IEEE Transactions on Industrial Electronics, 61 (4), 1659-1668, 2014.
• 23. Akbal B., Sectional Solid Bonding for Grounding of High Voltage Underground Cables to Reduce the Sheath Current Effects, International Journal of Innovative Research in Engineering & Management, 3 (2), 103-107, 2016.
• 24. Akbal B., Applications of artificial intelligence and hybrid neural network methods with new bonding method to prevent electroshock risk and insulation faults in high-voltage underground cable lines, Neural Comput & Applic, 24 (2), 32-36, 2018.
• 25. Achanta R., Long term electric load forecasting using neural networks and support vector machines, International Journal of Computer Science and Technology, 3, 266-269, 2012.
• 26. Weigerta T., Tianb Q., Lianb Q., State-of-charge prediction of batteries and battery–supercapacitor hybrids using artificial neural networks, Journal of Power Sources, 196, 4061-4066, 2010.
• 27. Charytoniuk W., Chen M. S., Very short-term load forecasting using artificial neural networks, IEEE Trans. Power Systems, 15, 263–268, 2000.
• 28. Zhonga H., Wangb J., Jiac H., Muc Y., Lvd S., Vector field-based support vector regression for building energy consumption prediction, Applied Energy, 242, 403–414, 2019.
• 29. Kaytez F., M. Taplamacioglu C., Cam E., Hardalac F., Forecasting electricity consumption: A comparison of regression analysis, neural networks and least squares support vector machines, Electrical Power and Energy Systems, 67, 431–438, 2015.
• 30. Akbal B., OSSB and Hybrid Methods to Prevent Cable Faults for Harmonic Containing Networks, Elektronika Ir Elektrotechnika, 29, 97-105, 2018.
• 31. Serkan K., Nilgün F., Çok Amaçlı Optimizasyon Problemlerinde Pareto Optimal Kullanımı, Social Sciences Research Journal, 5 (2), 9-18, 2016.
• 32. Mehmet S.H., Melik D., Comparison of multi-objective and single-objective approaches in feasibility enhanced particle swarm optimization, Journal of the Faculty of Engineering and Architecture of Gazi University 35, (2), 887-900, 2020.
• 33. Sinem A., Bilal A., Bulut Bilişim’de Çok Amaçlı Optimizasyon Tabanlı Görev Planlama Mekanizmalarının İncelenmesi, Muş Alparslan Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi 1, 37-44, 2020.
• 34. Lina Y., Axing Z., Jing S., and Tianhe C., A Knowledge-Informed and Pareto-Based Artificial Bee Colony Optimization Algorithm for Multi-Objective Land-Use Allocation, ISPRS Int. J. Geo-Inf., 7, 63, 1-25, 2018.