Dağıtılmış üretim üniteleri için akıllı yöntemlerle adalaşmanın algılanması

Abstract

Pasif yöntemlerde, hiçbir şekilde gürültü şebekeye enjekte edilmez. Yanlızca dağıtılmış üretim kaynaklarının baraları üzerinden gözlemleme yapılır. Aslında, bu yöntemde dağıtılmış üretim kaynaklarının bir barası üzerinden ölçüm yapılır. Bunun en önemli dezavantajı, teşhis edilemeyen bölgenin olması ve doğruluğunun düşük olmasıdır. Bu yöntemde gürültü şebekeye enjekte edilmediğinden şebekenin güç kalitesini etkilemez ve buna ek olarak, dağıtılmış üretim kaynakların sayısının fazla olması şebekeyi dengesiz hale getirmez. Bu yöntemin diğer yöntemlere göre en önemli avantajı bir bara üzerinden ada olayını algılayıp gözlemlemesidir. Bu tezde, pasif yöntem kullanılarak bu dezavantajları gidermek için akıllı bir şekilde adalaşma teşhis edilmektedir. Simülasyondan çıkan veri bilgilerini değerlendirmek için ID3 yöntemine dayalı olarak bir karar ağacı oluşturulmuştur. Bu karar ağacı ile adalaşmayı tespit etmek için akıllı yöntem kullanılmıştır. Daha sonra, test verileri kullanılarak eğitilen karar ağacı test edilmiştir ve test verilerinde ne oranda adalaşmanın doğru tespit edildiği gözlenmiştir. Bu çalışma sayesinde, teşhis edilemeyen bölge azalmış ve teşhisleri daha doğru hale getirilmiştir.

In inactive methods the island detection is monitored through the bus of distributedgeneration sources, and no disturbance is injected to the network. In fact, these methods can detect islanding by measuring electric parameters of the network in a bus of distributed generation sources. There is not any disturbance that injects to the network, so inactive methods do not effect power quality. The main disadvantages of inactive methods are the great Non-Detection Zone (NDZ) and the lowness of the accuracy of detection. In this thesis inactive method has been used for detection of islanding with intelligent approach for decreasing the mentioned disadvantages. Data mining-based method has been used to get information from data results obtained through the simulation. These data make decision tree that is trained by using of training data then the algorithm is examined by using testing data for determining to know the rate of accuracy of island detection. The aim of this thesis is to study the effect of using intelligent methods for decreasing non-detection zone and for increasing accuracy.