Yüksek gerilim kablolarında oluşan kılıf akımının yapay sinir ağı tabanlı melez yöntemlerle tahmin uygulamaları

Öz

Kılıf akımı yüksek gerilim yeraltı kablolu hatlarda arızalara ve elektrik çarpılmalarına neden olmaktadır. Ayrıca kabloda ek ısı meydana getirerek kablonun akım taşıma kapasitesini düşürür. Kılıf akımını düşürmek için farklı önlemler alınabilir. Fakat en uygun önlemin alınabilmesi için öncelikle hatta oluşacak kılıf akımının, hat daha kurulmadan proje aşamasında belirlenmesi gerekir. Bu çalışmada yeni kurulacak olan bir yüksek gerilim yeraltı kablolu hattın kılıf akımı, yapay sinir ağı ile parçacık sürü optimizasyonu, inertia ağırlıklı parçacık sürü optimizasyonu ve genetik algoritma kullanılarak oluşturulan melez yöntemler ile tahmin edilmiştir. Yapay sinir ağı tabanlı melez yöntemlerin eğitimi için PSCAD/EMTDC programında modeli oluşturulan yüksek gerilim yeraltı kablolu hattın benzetimlerinden elde edilen veriler kullanılmıştır. Çalışmalar sonunda melez yöntemlerin yapay sinir ağına göre doğruluk bakımından üstünlük sağladığı görülmüştür. Melez yöntemlerin sonuçları kendi içlerinde karşılaştırıldığında ise inertia ağırlıklı parçacık sürü optimizasyonu ile yapay sinir ağının kullanımı sonucu elde edilen melez yöntem sonuçlarının diğer yöntemlere göre üstün olduğu görülmüştür. Böylece önerilen yöntem ile yüksek gerilim yeraltı kablolu hattın kılıf akımı proje aşamasında tespit edilecek ve kılıf akımının düşürülmesi için en uygun önlemler uygulanarak arızaların ve elektrik çarpmaların önüne geçildiği gibi kablo performansı da artırılacaktır.

Anahtar Kelimeler

• Yüksek gerilim yeraltı kablosu,Yapay sinir ağı,Optimizasyon yöntemleri,Kılıf akımı,Melez yöntemler

Forecasting applications of the sheath current of high voltage cable with artificial neural network based hybrid methods

Abstract

The sheath current causes cable faults and electroshock risk in high voltage underground cable lines. Also the sheath current increases cable temperature and it reduces cable ampacity. Hence, cable performance decreases due to the sheath current. Different precautions can be taken to reduce the sheath current effects in high voltage underground cable line. However, primarily the sheath current must be detected at the project phase of high voltage underground cable line. In literature, artificial neural networks are used for forecasting studies.  In this study, artificial neural network (ANN) is used with particle swarm optimization, particle swarm optimization with inertia weight and genetic algorithm to generate hybrid ANN methods for forecasting of the sheath current. High voltage underground cable line is modeled in PSCAD/EMTDC to measure the sheath current of different high voltage underground lines, and the obtained data from PSCAD/EMTDC are used to train artificial neural network based hybrid methods to forecast the sheath current of any high voltage underground cable line. When particle swarm optimization with inertia weight is used with artificial neural network, hybrid ANN-iPSO method is developed. The results of ANN-iPSO are better than the results of ANN-GA and ANN-PSO. If ANN-iPSO is used to determine the sheath current, the sheath current of high voltage underground cable line can be determined at the project phase of high voltage underground cable line. Hence, the most suitable precautions can be implemented, and cable faults and electroshock risk can be prevented, also cable performance is increased in high voltage underground cable line.

Keywords

• High voltage underground cable,Artificial neural network,Optimization methods,The sheath current,Hybrid methods

Kaynakça

1. Jung CK, Lee JB, Kang JW. “Sheath circulating current analysis of a cross-bonded power cable systems”. Journal of Electrical Engineering & Technology, 2(3), 320-328, 2007.
2. Gouda OE, Farag AA. “Factors affecting the sheath losses in single-core underground power cables with two-points bonding method”. International Journal of Electrical and Computer Engineering, 2(1), 7-16, 2012.
3. Ruiz JR, Morera XA. “Effects of the circulating sheath currents in the magnetic field generated by an underground power line”. International Conference on Renewable Energies and Power Quality, Palma, Mallorca, 5-7 April 2006.
4. Moutassem W, Anders GJ. “Calculation of the eddy current and hysteresis losses in sheathed cables inside a steel pipe”. IEEE Transactions on Power Delivery, 25(4), 2054-2063, 2010.
5. Benato R. “Multiconductor analysis of underground power transmission systems: EHV AC cables”. Electric Power Systems Research, 79(1), 27-38, 2009.
6. Ruiz JR, Garcia A, Morera XA. “Circulating sheath currents in flat formation underground power lines. 2007 International Conference on Renewable Energies and Power Quality, Sevilla, Spain, 28-30 March 2007.
7. Zhonglei L, Du BX, Wang L, Yang C, Liu HJ. “The calculation of circulating current for the single-core cables in smart grid”. IEEE PES Innovative Smart Grid Technologies-Asia, Tianjin, China, 21-24 May 2012.
8. Czapp S, Dobrzynski K, Klucznik J, Lubosny Z. “Calculation of induced sheath voltages in power cables-single circuit system versus double circuit system”. Journal of Information, Control and Management Systems, 12(2), 113-123, 2014.

9. Gouramanis KV, Kaloudas CG, Papadopoulos TA, Papagiannis GK, Stasinos EK. “Sheath voltage calculations in long medium voltage power cables”. IEEE 2011 Trondheim Power Tech, Trondheim, Norway, 19-23 June 2011.
10. Jung CK, Lee JB, Kang JW, Wang XH, Song YH. “Sheath current characteristic and its reduction on underground power cable systems”. IEEE 2005 Power Engineering Society General Meeting, San Francisco, USA, 12-16 June 2005.
11. Charytoniuk W, Chen MS. “Very short-term load forecasting using artificial neural networks”. IEEE Transactions on Power Systems, 15(1), 263-268, 2000.
12. Achanta R. “Long term electric load forecasting using neural networks and support vector machines”. International Journal of Computer Science and Technology, 3(1), 266-269, 2012.
13. Weigerta T, Tianb Q, Lianb Q. “State-of-charge prediction of batteries and battery–supercapacitor hybrids using artificial neural networks”. Journal of Power Sources, 196(8), 4061-4066, 2011.
14. Caner M, Üstün SV. “Yapay sinir ağları ile konuşmacı kimliğini tanıma uygulaması”. PAÜ Mühendislik Fakültesi Mühendislik Bilimleri Dergisi, 12(2), 279-284, 2006.
15. Özkaya N, Sarıkaya Ş. “Otomatik parmak izi tanıma sistemlerinde özellik noktalarının tespitinde yapay sinir ağlarının kullanılması”. PAÜ Mühendislik Fakültesi Mühendislik Bilimleri Dergisi, 13(1), 91-101, 2007.
16. Toktaş İ, Aktürk N. “Yapay sinir ağları tabanlı silindirik düz dişli çark tasarımı”. PAÜ Mühendislik Fakültesi Mühendislik Bilimleri Dergisi, 13(3), 387-395, 2007.
17. Bayındır R, Sesveren Ö. “YSA tabanlı sistemler için görsel bir arayüz tasarımı”. PAÜ Mühendislik Fakültesi Mühendislik Bilimleri Dergisi, 14(1), 101-109, 2008.
18. Eroğlu H, Aydın M. “Optimization of electrical power transmission lines' routing using AHP, fuzzy AHP and GIS”. Turk Journal Electrical Engineering and Computer Sciences, 23(5), 1418-1430, 2015.
19. Çevik HH, Çunkaş M. “Short-term load forecasting using fuzzy logic and ANFIS”. Neural Computing and Applications, 26(6), 1355-1367, 2015.
20. Awan SM, Aslam M, Khan ZA, Saeed H. “An efficient model based on artificial bee colony optimization algorithm with Neural Networks for electric load forecasting”. Neural Computing and Applications, 25(7), 1967-1978, 2014.
21. Majumdar A, Das A, Hatua P, Ghosh A. “Optimization of woven fabric parameters for ultraviolet radiation protection and comfort using artificial neural network and genetic algorithm”. Neural Computing and Applications, 27(8), 2567-2576.
22. Armaghani DJ, Shoib RS, Faizi K, Rashid ASA. “Developing a hybrid PSO–ANN model for estimating the ultimate bearing capacity of rock-socketed piles”. Neural Computing and Applications, 28, 391-405, 2015.
23. Üstün O. “Genetik Algoritma Kullanılarak İleri Beslemeli Bir Sinir Ağında Etkinlik Fonksiyonlarının Belirlenmesi”. PAÜ Mühendislik Bilimleri Dergisi, 15(3), 395-403, 2009.
24. Altun AA. “A combination of genetic algorithm, particle swarm optimization and neural network for palmprint recognition”. Neural Computing and Applications, 22(1), 27-33, 2013.
25. Altunkaya, S, Kara S, Gormus N. "Detection of position of replaced mechanical heart valve with ANN". 36th International Conference on Telecommunications and Signal Processing (TSP), Rome, Italy, 2-4 July 2013.
26. Eroğlu H, Aydın M. “Enerji nakil hatları güzergâh tespiti ve proje çiziminin otomasyonu”. Journal of the Faculty of Engineering and Architecture of Gazi University, 30(4), 723-732, 2015.
27. Mutluer M, Bilgin O. “Comparison of stochastic optimization methods for design optimization of permanent magnet synchronous motor”. Neural Computing and Applications, 21(8), 2049-2056, 2012
28. Saruhan H. “Yapısal problemler tasarımında kuş sürüsü davranış algoritması”. PAÜ Mühendislik Bilimleri Dergisi, 16(2), 207-212, 2010.
29. Akbal B, Ürkmez A. “The parallel resonance impedance detection method for parameter estimation of power line and transformer by using CSA, GA and PSO”. Turk Journal Electrical Engineering and Computer Sciences, 24(1), 12-23, 2016.
30. Akbal B, Aydın M. “Multilevel thresholding and artificial intelligence methods to detect the thickness of iced conductor in ambient conditions”. Turk Journal Electrical Engineering and Computer Sciences, DOI: 10.3906/elk-1410-96, 2015.
31. Akbal B, Ürkmez A. “PSO and inertia weight to determine parallel resonance power in electrical networks”. 5th International Conference on Electronics, Computers and Artificial Intelligence, Pitesti, Romania, 27-29 June 2013.
32. Jung CK, Lee JB, Kang JW, Wang XH, Song YH. “Sheath current characteristic and its reduction on underground power cable systems”. IEEE Power Engineering Society General Meeting, San Francisco, CA, USA, 12-16 June 2005.