Every part of society relies on energy systems due to the growing population and the constant demand for energy. Because of the high energy demands of transportation, industry, and daily life, energy systems are crucial to every part of society. Electrical transmission lines are a crucial component of the electrical power system. Therefore, in order to determine the power system’s protection plan and increase its reliability, it is critical to foresee and classify fault types. With this motivation, the main goal of this paper is to design a deep network model to classify faults in transmission lines based on real, generated, and publicly available datasets. A deep learning architecture that was based on a one-dimensional convolutional neural network (CNN) was utilized in this study. Accuracy, specificity, recall, precision, F1 score, ROC curves, and AUC were employed as performance criteria for the suggested model. Not only synthetic but also real data were used in this study. It has been seen that the created model can be used successfully for both real data and synthetic data. In order to measure the robustness of the network, it was tested with three different datasets consisting of real, generated, and publicly available datasets. In the paper, 1D CNN, one of the machine learning methods, was used on three different power systems, and it was observed that the machine learning method was successful in all three power systems.

In this article, the control of a DC/DC converter was carried out using the proposed methods of conventional PI, PSO-based PI, PSO-based FOPI, GA-based PI, and GA-based FOPI controllers in order to improve the performance of PEMFCs. Simulink models of a PEMFC model with two inputs—hydrogen consumption and oxygen air flow—and with controllers were developed. Then, the outputs of a system based on conventional PI were compared with the proposed methods. IAE, ISTE, and ITAE were employed as fitness functions in optimization algorithms such as PSO and GA. Fitness function value, maximum overshoot, and rising time were utilized as metrics to compare the performance of the methods. PI and FOPI parameters were optimized with the proposed methods and the results were compared with traditional PI in which the optimum parameters were determined by an empirical approach. This research study indicates that the proposed methods perform better than the conventional PI method. However, it becomes apparent that the GA-FOPI approach outperforms the others. The simulation result also shows that the PEMFC model with conventional PI and FOPI controllers in which the controller parameters are tuned using PSO and GA has an acceptable control performance.

Bu makale çalışmasında, Diyarbakır il merkezinde yer alan bir alışveriş merkezinin toplam 2027 günlük (5 yıl, 6 ay, 19 gün) aktif tüketim verileri kullanılarak, makine öğrenmesi yöntemleri ile enerji tüketim değişiminin tahmini amaçlanmıştır. Bu çalışmada kullanılan aktif tüketim miktarı saatlik ölçülerek 2027x24= 48648 boyutunda veri seti elde edilmiş olup, gerekli onaylar Dicle Elektrik Dağıtım A.Ş.’ den alınmıştır. Enerji aktif tüketiminin tahmini için 1D-CNN, RNN, LSTM ve BiLSTM olmak üzere dört farklı derin ağ modeli geliştirilmiştir. Her üç ağ için RNN/LSTM/BiLSTM(Unit sayısı) ⇒ Dense(1) gibi basit bir ağ mimarisi önerilmiştir. Söz konusu geliştirilen modellerin özellikle tekrarlayan sinir ağları yapısındaki modeller aynı ölçütlerde eğitime tabi tutularak, birbirleri arasındaki performans değerleri karşılaştırılmıştır. Tüm uygulamalar 10 kez tekrar edilerek en yüksek performansa sahip olan değerler kayda alınmıştır. Önerilen modellerin performansı RMSE, MAE ve R^2 ölçütlerine göre değerlendirilmiştir. Basit mimarilerin önerildiği çalışmada, test veri setine göre determinasyon katsayısı dikkate alındığında Tekrarlayan sinir ağlarının başarım performans aralığının [%91.7 %93.7] bant aralığında olduğu ve önerilen basit modellerde belirli düzeyde bile başarımın elde edildiği gözlemlenmiştir. Tekrarlayan sinir ağlarında başarımların birbirine yakın performans sergiledikleri ve bunların içinde en iyi performansın BiLSTM modelinde Unit=100 mimarisinde elde edildiği görülmüştür. Önerilen mimarilere göre 1D-CNN’in tekrarlayan sinir ağlara göre daha düşük bir performans sergilediği görülmüştür. 1D-CNN mimarisinin geliştirilerek, başarımının artırılabileceği düşünülmektedir.

Bu çalışmada, PEMFC’nin performansını iyileştirmek amacıyla geleneksel PI, PSO tabanlı PI ve PSO-FOPI olmak üzere 3 farklı uygulama geliştirilmiş ve yöntemlerin arasındaki başarım oranları karşılaştırılmıştır. Yöntemlere ilişkin performansların karşılaştırılmasında; en büyük aşım, yükselme süresi ve yerleşme süresi ölçüt olarak alınmıştır. Söz konusu uygulamalar şunlardır: A) Geleneksel PI modelinde, ampirik yaklaşımla PI değerleri Kp=0.001 ve Ki=0.15 olarak elde edilmiştir. B) PSO destekli PI modelinde, (Kp, Ki) olan PI katsayıları PSO yöntemi ile belirlenmiştir. PSO için farklı parçacık sayıları ile model denenmiş ve en iyi sonucun 20 parçacıkla elde edildiği tespit edilmiştir. C) PSO-FOPI destekli PI modeli, DC/DC dönüştürücü birimi kesir dereceli PIλDµ kontrolcüsü ile denetlenmiş ve (Kp, Ki ve λ) parametreleri PSO ile belirlenmiştir. Bulgulara göre, önerilen PSO tabanlı PI ve PSO-FOPI yaklaşımları ile elde edilen performans, geleneksel PI yaklaşımı ile elde edilen performanstan daha iyi olduğu gözlemlenmiştir. Bu durum, tüm (P, V, I) parametrelerde görülebilmektedir. Elde edilen sonuç, literatürde yapılan çalışmaları destekler nitelikte olduğu görülmüştür.