Güç sistemlerindeki durum tahmininin karga arama algoritması ile incelenmesi

Basit Öğe Kaydı
dc.contributor.advisorÖztürk, Ali
dc.contributor.authorAndiç, Cenk
dc.date.accessioned2025-10-11T20:35:09Z
dc.date.available2025-10-11T20:35:09Z
dc.date.issued2024
dc.departmentDÜ, Fen Bilimleri Enstitüsü, Elektrik ve Elektronik Mühendisliği Ana Bilim Dalıen_US
dc.description.abstractModern elektrik güç sistemlerinde, şebekenin izlenmesi, kontrolü ve yönetimi için doğru ve güvenilir durum tahmini sonuçları elde etmek kritik bir öneme sahiptir. Ölçüm cihazlarından toplanan veri setleri kullanılarak, sistemin durumu olan tüm baraların gerilim genlik ve açı değerleri tahmin edilmektedir. Bu tez çalışmasında, alternatif bir durum tahmincisi olarak yeni bir sezgisel yöntem olan Karga Arama Algoritması (KAA) önerilmiştir. Önerilen KAA tabanlı durum tahmincisi, IEEE 9, 14, 30, 57 ve 118 baralı test sistemlerinde test edilmiştir. KAA tabanlı durum tahmincisinin sonuçları, Newton-Raphson yük akışı çözümü referans kabul edilerek, literatürde iyi bilinen klasik sezgisel yöntemler olan Genetik Algoritma (GA), Parçacık Sürüsü Optimizasyonu (PSO) ve Yapay Arı Sürüsü Optimizasyonu (YASO) sonuçları ile karşılaştırılmıştır. Sonuçlar, KAA tabanlı durum tahmincisinin doğruluk ve güvenilirlik açısından, ortalama mutlak yüzde hata gibi hata metrikleri aracılığıyla diğer yayımlanmış yöntemlerden daha iyi performans gösterdiğini kanıtlamaktadır. Bu çalışmada ayrıca, literatürdeki varsayımlara ek olarak kanal sayısı kısıtlı Fazör Ölçüm Birimi (FÖB) yerleşimi yapılarak türetilmiş ölçüm veri seti güçlendirilmiştir. Kanal sayısı dikkate alınarak yapılan optimal FÖB yerleşiminde, FÖB'lerin kurulduğu baraların konumu göz önünde bulundurularak ölçüm veri seti oluşturulmuştur. Bununla birlikte, siber saldırılar sonucunda ortaya çıkan kötü verilerin tespiti ve eliminasyonu için durum tahmin sonuçlarına ki-kare testi uygulanmıştır. Ki-kare testi ile ölçüm veri setinde kötü veri olup olmadığı tespit edilebilir ve sonrasında normalize edilmiş artık değerlere bakarak bu kötü veriler belirlenip elimine edilebilir. Ancak, kötü verilerin ölçüm veri setinden çıkarılması eksik veri oluşmasına neden olabilir ve bu da sistemin gözlemlenebilirlik şartlarını tehlikeye sokabilmektedir. Eksik ölçüm verilerini tamamlamak amacıyla yapay sinir ağları destekli bir veri madenciliği yaklaşımı önerilmiştir. Bu yöntem, KAA tabanlı durum tahmininin doğruluğunu artırarak, siber saldırı gibi beklenmedik durumlarda sistemin güvenilirliğini sağlamaya yardımcı olur. Sonuç olarak, KAA tabanlı durum tahmincisi, güç sistemlerinin daha güvenilir ve verimli bir şekilde yönetilmesine olanak tanımış ve bu alanda literatüre önemli bir katkı sağlamıştır. Bu tez çalışması, güç sistemlerinin analizi, işletilmesi ve planlanmasında gelecekteki araştırmalara yol gösterici niteliktedir.en_US
dc.description.abstractIn modern electric power systems, obtaining accurate and reliable state estimation results is critically important for monitoring, controlling, and managing the system. The voltage magnitudes and phase angles of all buses, which represent the system's state, are estimated using data sets collected from measurement devices. This thesis proposes a novel heuristic method called the Crow Search Algorithm (CSA) as an alternative state estimator. The proposed CSA-based state estimator has been tested on IEEE 9, 14, 30, 57, and 118 bus test systems. The results of the CSA-based state estimator were compared with those of well-known classical heuristic methods in the literature, including Genetic Algorithm (GA), Particle Swarm Optimization (PSO), and Artificial Bee Colony Optimization (ABC), using the Newton-Raphson power flow solution as a reference. The results prove that the CSA-based state estimator outperforms other published methods in terms of accuracy and reliability, as demonstrated through error metrics such as the Mean Absolute Percentage Error (MAPE). Additionally, this study enhances the derived measurement data set by implementing a PMU placement with a limited number of channels, extending the assumptions in the literature. The optimal PMU placement was determined by considering the channel count and the location of the buses where the PMUs were installed. In addition, a chi-square test was applied to the state estimation results to detect and eliminate bad data that may have resulted from cyber-attacks. The chi-square test can identify the presence of bad data in the measurement data set, and the corresponding bad data can be identified and eliminated by examining the normalized residuals. However, the removal of bad data from the measurement dataset may lead to missing data, which can jeopardize the observability conditions of the system. A data mining approach supported by artificial neural networks was proposed to fill in the missing measurement data. This method helps maintain system reliability by improving the accuracy of the CSA-based state estimation, especially in unexpected situations such as cyber-attacks. In conclusion, the CSA-based state estimator enables more reliable and efficient management of power systems, making a significant contribution to the literature in this field. This thesis provides valuable insights and guidance for future research in the analysis, operation, and planning of power systems.en_US
dc.identifier.endpage218en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=UjlM15wKZGQW6TLC0pvCt5JWQGuKpFxDDe0FcQdtOuXglJqSJo-0cnU-0hDjLpol
dc.identifier.urihttps://hdl.handle.net/20.500.12684/20599
dc.identifier.yoktezid899289en_US
dc.institutionauthorAndiç, Cenk
dc.language.isotren_US
dc.publisherDüzce Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.snmzKA_TEZ_20250911
dc.subjectElektrik ve Elektronik Mühendisliğien_US
dc.subjectElectrical and Electronics Engineeringen_US
dc.titleGüç sistemlerindeki durum tahmininin karga arama algoritması ile incelenmesien_US
dc.title.alternativeInvestigation of state estimation in power systems using crow search algorithmen_US
dc.typeDoctoral Thesisen_US

Dosyalar

Koleksiyon

Fen Bilimleri Enstitüsü Tez Koleksiyonu