Bu tez çalışmasında, enerji iletim hatlarında oluşan kısa devre arızalarının yeri ve türünün belirlenmesi için geçici rejim dalga yayılımı temelinde farklı makine öğrenme algoritmaları kullanılmıştır. Geçici rejim durumunda alınan akım ve gerilim sinyallerine Hızlı Fourier Dönüşümü uygulanarak elde edilen spektrumdaki geçici rejim harmonik frekansları ve yürüyen dalga temelli frekans-arıza uzaklığı bağıntısı sayesinde arıza noktası tahmin edilmiştir. Arıza yeri bulma algoritması hem seri kompanzasyon bulunmayan hatlar için, hem de farklı oranda seri kompanzasyon uygulanmış hatlar için benzetim çalışmaları ile test edilmiştir. Arıza türünü belirlemek için ise kısa devre sırasında örneklenen bir periyot uzunluğundaki hat akımlarının etkin değerleri, bu etkin değerlerin birbirlerine oranları, hat akımlarına modal dönüşüm uygulanması sonrası elde edilen modal bileşenlerinin etkin değerleri ve bu etkin değerlerinin birbirlerine oranları kullanılmış ve gerekli sınıflandırma özellikleri elde edilmiştir. Bu özellikler birçok farklı makine öğrenme algoritması ile kullanılarak arıza türleri sınıflandırılmıştır. Alternative Transients Program-ATP/EMTP iletim hatlarını modellemek ve arıza durumundaki geçici rejim sinyallerini elde etmek için kullanılırken, arıza yeri ve türü tespiti için gerekli algoritmalar MATLAB ortamında geliştirilmiştir. Arıza sınıflandırmasında kullanılan birçok makine öğrenme algoritması için ise WEKA programı kullanılmıştır. Çalışma sonucunda, sadece hat fiziksel özellikleri veya elektriksel parametreleri ile kaynak endüktans değerinin bilinmesi ile arıza yerinin ve arıza türünün bulunabildiği görülmüştür. Yayılan dalgaların kaynak endüktansından etkilenmemesi için arıza yerinin belirlenmesinde kompanze edilmemiş hat için Aşırı Öğrenme Makinesinin regresyon özelliği kullanılmış, seri kompanzasyon uygulanmış iletim hattı için ise Dalga Formu Gevşeme Yöntemi kullanılmıştır. Geçici rejim sinyalleri ve Aşırı Öğrenme Makinesi kullanılarak arıza yeri ve türünü belirlemek için geliştirilmiş algoritmalar Dijital Sinyal İşlemcisine gömülerek, laboratuvar ortamında gerçek zamanlı test edilmiştir.
In this thesis, different machine learning algorithms are used for the fault location estimation and fault classification for the short circuit faults in transmission lines on the base of wave propagation theory. Using harmonic frequency-fault distance relationship on the base of this theory, the fault location is estimated from harmonic frequencies of the current and voltage transients in the spectrum obtained by applying the Fast Fourier Transform. Developed fault locating algorithms are tested by simulations both for the lines without series compensation and for the lines which have different series compensation levels. To determine the fault type, classification features are extracted using the effective values of one-period line currents sampled during the short circuit, the proportions of effective values of these quantities, effective values of modal components obtained by applying modal transformation to the line currents, and the proportions of effective values of these quantities. The fault classification is then carried out by applying various machine learning algorithms to these features. The Alternative Transients Program is used for modeling the transmission lines and to obtain transient signals during the faults, and the algorithms for fault location and fault type detection are developed in the Matlab Environment. Several machine learning algorithms are applied for fault classification using the WEKA software. With the knowledge of the physical configuration of the lines or electrical parameters and the value of source inductance only, it has been shown that the fault location and the fault type can be detected with a reasonable error. In order to prevent the method from being adversely affected by the source inductance value, the regression feature of the Extreme Learning Machine is used for the uncompensated line and the Waveform Relaxation Method is used for the transmission line with series compensation. Finally, the algorithms developed for determination of fault location and fault type using transient signals and Extreme Learning Machine were embedded in the Digital Signal Processor and tested in real time in the laboratory environment.
