GÜÇ TRANSFORMATÖRÜ HATALARININ DESTEK VEKTÖR MAKİNELERİ YAKLAŞIMIYLA BELİRLENMESİ

Abstract

Tez çalışmasında, enerji sistemlerinin en önemli ve vazgeçilmez ekipmanlarından biri olan güç transformatörlerinde meydana gelen arızaların tanılanması ve sınıflandırılması destek vektör makineleri (DVM) ile gerçekleştirilmiştir. . Güç transformatörleri hatalarının erken teşhisinde sıklıkla kullanılan ve etkili bir yöntem olan yağda çözünmüş gaz analizi (YGA) yöntemi tanıtılmıştır. Bu yöntemle elde edilen YGA verileri geliştirilen DVM modeli ile sınıflandırılarak modelin performansı incelenmiştir. Geliştirilen modelin hataları daha yüksek doğrulukta tanılayabilmesi için model parametreleri örgü arama (ÖA), genetik algoritma (GA), diferansiyel evrim algoritması (DE) ve parçacık sürü optimizasyonu (PSO) yöntemleri ile optimize edilmiştir. Aynı veri seti üzerinde farklı yöntemlerle optimize edilen DVM sınıflandırıcısının hangi yöntem ile daha yüksek doğrulukla sınıflandırma yaptığı gösterilmiştir. Ayrıca akıllı bir yöntem olan DVM’nin klasik YGA değerlendirme yöntemleriyle karşılaştırması yapılmış ve optimizasyon yöntemine bağlı olmaksızın DVM’nin klasik yöntemlerden daha yüksek doğruluk oranı ile güç transformatörü hatalarını tanılayabildiği gösterilmiştir. Benzetim sonuçları göstermiştir ki, parçacık sürü optimizasyonu algoritması ile optimize edilen DVM diğer yöntemlere göre daha kısa sürede ve daha yüksek doğruluk oranı ile güç transformatörü hata tanılaması yapmıştır. In this thesis, support vector machine (SVM) is used for the fault diagnosis and classification of power transformer; one of the most substantial and expensive equipment in power systems. Effective and widely used dissolved gases analysis (DGA) technique is presented for the early detection of power transformer faults. Obtained DGA data with this method is classified with proposed SVM model to investigate the performance of the model. The model parameters are optimized with grid search method (GS), genetic algorithm (GA), differential evolution algorithm (DE) and particle swarm optimization (PSO) algorithm for higher diagnostic accuracy. It is presented which method is the most effective for the fault classification on the same data set. Moreover, SVM, an artificial intelligence method, is compared with classical DGA assessment techniques and it is found that SVM has better diagnostic accuracy from classical methods without depending on optimization method. Simulation results indicate that support vector machine optimized with particle swarm optimization method diagnose the fault more quickly and with higher diagnostic accuracy than the others.