Güç transformatörü hatalarının bulanık mantık ve öz düzenlemeli haritalama yöntemi ile belirlenmesi

Abstract

Güç Sistemlerinde elektriğin iletimi ve dağıtımında oldukça önemli bir yere sahip olan transformatörlerinin arıza durumlarının zamanında tespiti iletim ve dağıtım hatlarının sorunsuz çalışabilmesi için hayati öneme sahiptir. Yağda Çözünmüş Gaz Analizi (YGA) başlangıç hatalarının tespitinde dünya çapında kabul görmüş bir yöntemdir. YGA analizine dayanan yöntemlerde belirlenen limit değerler uzun süreli tecrübelerin sonucunda elde edilmiştir. Ancak bir transformatörün kendine özgü doğal yapısı ve işleyişi nedeniyle yağda çözünmüş gaz analizi yöntemlerinde farklı sonuçlar elde edilebilmektedir. Ayrıca gaz oranlarına dayanan yöntemlerde transformatör yağında yeterli miktarda çözünmüş gaz miktarının bulunması gerekmektedir. Gözetimsiz makine öğrenme yaklaşımı olan Öz Düzenlemeli Haritalama Yöntemi (ÖDH), sonucu olmayan verilerle çalışabilmesi ve mevcut durumu görsel bir şekilde sunabilmesi nedeniyle transformatör arızalarının tespitinde önemli bir yere sahip olabilir. Bu yöntemde transformatör arızaları belirlenirken tamamen o transformatörün geriye dönük verileri analiz edilerek kendi kendine öğrenen bir yapay zeka ağı kullanılarak gruplama yapılmaktadır. Ancak klasik ÖDH yöntemindeki keskin sınıflandırma verilerin yanlış gruplara atılmasına neden olabilmektedir. ÖDH yönteminin sınıflandırmadaki bu dezavantajı, ÖDH yöntemine bulanık mantık uygulanarak iyileştirilmeye çalışılmaktadır. Bu çalışmada güç transformatörü arızalarının zamanında ve doğru bir şekilde tespiti için YGA, ÖDH ve bulanık mantık uygulanmış ÖDH yöntemlerine göre analizler yapılmış ve sonuçları karşılaştırılmıştır.

Power transformers have an important role at transmission and distribution of electricity. Therefore, transmission and distribution lines to work troubleless, transformer fault diagnosis methods are quite important. Disssolved Gas Analysis (DGA) is a worldwide approved method at transformer fault diagnosis. Methods derived form DGA mostly based on long term experience of experts. However transformers could show different behavior at same type of faulty situations because of different natural working conditions of each transformer. Ratio based DGA methods need adequate amount of gas in the trasformer oil, otherwiswe diagnosis results are not accurate. Self Orginizing Map (SOM) is an unsupervised machine learning approach that could have an important place at transformer fault diagnosis. SOM uses unlabeled realtime data to define healt conditon of transformer so that the results of diagnosis customized to that transformer. However classification of classic SOM is crisp and some of the inputs are grouped in wrong classes. Fuzzy logic is a solution to this problem of classic SOM. In this thesis, DGA methods, SOM and Fuzzy SOM are practised to transformer fault diagnosis and the results are compared.