Güç transformatörleri korumasında doğrusal olmayan çalışma durumlarının ve arızaların yapay sinir ağları ile belirlenmesi

Abstract

GÜÇ TRANSFORMATÖRLERİ KORUMASINDA DOĞRUSAL OLMAYAN ÇALIŞMA DURUMLARININ ve ARIZALARIN YAPAY SİNİR AĞLARI İLE BELİRLENMESİ Mehlika ŞENGÜL Anahtar Kelimeler: Güç Transformatörü, Diferansiyel Koruma, Yapay Sinir Ağlan ÖZET Güç transformatörleri elektrik güç sisteminin en önemli elemanlarıdır. Bir güç sisteminde, transformatör arızası nedeniyle güç iletimindeki sürekliliğin kesintiye uğramasının ve bunun sonucunda yapılacak olan bakım, onarım veya yenilemenin maliyeti çok yüksek değerlerdedir. Genellikle, büyük güçlü transformatörlerde primer koruma olarak, diferansiyel röleler kullanılırlar. Diferansiyel korumada karşılaşılan en büyük problem, iç arıza durumunu benzer özellik gösteren transformatörün enerjilendirilmesi, bir dış arızanın temtelenmesinin ardından gerilimin normale dönmesi veya oluşacak bir dış arızanın karakterinin değişmesi gibi bazı doğrusal olmayan durumlarda oluşacak ani mıknatıslanma akımından ayırt etmedeki zorluktur. Yapılan çalışmada, transformatörün maruz kalabileceği arıza, doğrusal ve doğrusal olmayan çalışma durumları, SIMPOW-STRI ve MATLAB programlan ile modellenip bu durumlara ait primer ve sekonder akım verileri kaydedilmiştir. Ayrıca, mıknatıslanma akımında ani artışa neden olabileceği saptanan bazı durumlar da incelenmiştir. Bunlardan biri, devreye alınmış bir transformatöre paralel bağlı başka bir transformatörün devreye alınmasının, ilk enerjilendirilen transformatörü doyuma uğratabileceğidir. Diğer bir durum ise, gerilim düşümünün ardından gerilimin normale dönmesinin transformatörde doyuma neden olabileceğidir. Bu nedenle güç transformatörü koruması için gerçekleştirilen bu çalışmada, belirtilen doğrusal olmayan çalışma durundan da göz önüne alınmıştır. Bu çalışmada, güç transformatörü korumasında kullanılacak diferansiyel rölenin duyarlılığını artırmak, iç arıza durumunu arızasız durumlardan doğru olarak ayırt edebilmek için yeni bir yaklaşım olan Yapay Sinir Ağlan(YSA) yöntemi kullanılmıştır. Diferansiyel akım ve ikinci harmonik bileşenin temel bileşene oranı, oluşturulacak yapay sinir ağı sisteminin giriş verileri olarak kullanılmıştır.Farklı sayıda katman ve nörondan oluşan çeşitli ağ yapılan eğitilip ardından test edilmiştir. Sonuçlara göre, en doğru ve hızlı cevabı veren ağ yapısı belirlenmiştir. Sonuç olarak, oluşturulan ağın iyi eğitildiği ve arızalı durumları arızasız durumlardan yüksek doğrulukla ayırabildiği görülmüştür.

NON-LINEAR WORKING CONDITIONS and FAULT IDENTIFICATION FOR POWER TRANSFORMERS USING ARTD7ICIAL NEURAL NETWORKS Mehlika ŞENGÜL Keywords: Power Transformer, Differential Protection, Artificial Neural Network ABSTRACT Power transformers are the most important components in a power system. In a power system, the cost of the disruption of continuity in power delivery because of transformer fault and as a result of this, repair and replacement of electrical equipments are expensive. Generally, differential relays are used for the primary protection of large transformers. The problem that may occur in a differential protection is to distinguish internal faults from magnetizing inrush current that may occur in non-linear working conditions like transformer energization, voltage recovery after clearing an external fault and change of the character of an external fault. In this thesis, working situations that power transformer may subjected like the fault, linear and non-linear conditions are analyzed using SIMPOW-STRI and MATLAB simulation programs. In these conditions, primary and secondary currents are recorded. Some working conditions, observed that may cause magnetizing inrush current, are also analyzed. One of them is the transformer already connected to supply system can experience unexpected saturation during the inrush transient of an incoming transformer and the other situation is after a voltage dip transformer may be saturate and this causes magnetizing inrush current. So in this study, the effects of these conditions have taken into account in power transformer protective scheme. In this study, in order to improve the performance of power transformer protection concerning the correct identification of internal faults as opposed to no-fault currents Artificial Neural Networks(ANNs) is used as an alternative appoach. Differential current and the ratio of second harmonic component to fundamental are taken as inputs of the artificial neural network architecture. Various network sizes were tested using training and testing data set. According to the results, the network size that is the most reliable and fast is choosed. Finally it is seen that the proposed network is well trained and able to discriminate no-fault examples from fault examples with high accuracy. m