Elektrik dağıtım sistemlerinde yapay sinir ağları ile arıza türü belirleme

Abstract

Elektrik tesislerinde arıza tespiti, enerji sürekliliği ve sistemin karalı çalışması açısından önemlidir. Bu çalışmada dört farklı elektrik dağıtım hattında oluşmuş gerçek kısa devre arızaların türünün belirlenebilmesi için yapay sinir ağları kullanılmıştır. Bu dört farklı elektrik dağıtım hattı, yeraltı kablolu ve havai hatlarının birlikte kullanıldığı karma dağıtım hatlardır. Bu elektrik dağıtım hatlarında meydana gelen arıza verileri yapay sinir ağlarında çeşitli sınıflandırma algoritmaları ve eğitim algoritmaları ile kullanılarak arıza türlerinin tahmini yapılmış ve elde edilen doğruluk oranları karşılaştırmalı olarak sunulmuştur. Üç farklı ağ ve eğitim algoritmaları başarı oranları karşılaştırılmıştır. Kullanılan ağ tipleri, İleri Beslemeli Geri Yayılım ağ tipi, Kaskat Bağlı İleri Beslemeli Geri Yayılımlı ağ tipi, Elman Geri Beslemeli ağ tipi şeklindedir. Eğitim algoritmaları ise Levenberg-Marquardt (LM), Conjugate Gradient with Powell/Beale Restarts (CGB), One Step Secant (OSS), Variable Learning Rate Backpropagation (GDX), Gradient Descent with momentum (GDM), Scaled Conjugate Gradient (SCG), ve NRP (Resilient backpropagation) şeklindedir. Bu çalışmada ileri beslemeli geri yayılım ağ tipinin daha başarılı sonuç verdiği görülmüştür.

In the decline in electrical events, the energy-related and stable event is important. In this study, artificial neural networks are used to select real short circuits in four different electrical designs. These four different classes of power lines, reference and overhead are mixed lines. Insufficient calculations and training results of the deficiencies in the images consisting of malfunctions that occur in the small of this electricity, as well thought and old model computational from insufficient predictions. The three networks and their trainings differ in their success. The network type used is Feed Forward Back Propagation network type, Cascade Connected Feed Forward Back Propagation network type, Elman Feedback network type. His trainings are Levenberg-Marquardt (LM), Powell/Beale Restarts with Conjugate Gradient (CGB), One Step Secant (OSS), Variable Learning Rate Backpropagation (GDX), Momentum Gradient Descent (GDM), Scaled Conjugate Gradient (SCG), and NRP (Resilient backpropagation). This training fed back propagation network type gave more successful results.