Harmonik üreten ev tipi yüklerin yapay sinir ağları ile sınıflandırılması

Abstract

Bu tez kapsamında, kaynak gerilimi harmonik bozulmaya sahip sistemlerde, ev tipi tek fazlı doğrusal olmayan yüklerin sınıflandırılması için yapay sinir ağı (YSA) modelleri geliştirilmesi amaçlanmıştır. Ev tipi yük olarak, rezistif yük besleyen tam dalga doğrultucu, rezistif yük besleyen yarım dalga doğrultucu, rezistif yük besleyen dimmer devresi, batarya şarj eden tam dalga doğrultucu, daimi kondansatörlü tek fazlı asenkron motor ve ısıtıcı olmak üzere altı farklı yük dikkate alınmıştır. Buna göre tezde öncelikle, dikkate alınan yüklerin aynı baraya bağlı olduğu bir sistemin zaman tanım bölgesi modeli Matlab/SIMULINK ortamında oluşturulmuştur. Modellenen sistemde, yüklere ait çeşitli harmonik ve güç kalitesi indislerinin davranışları, rastgele türetilen bozulmuş kaynak gerilimleri altında istatistiksel olarak analiz edilmiştir. Devamında, çok sayıda bozulmuş kaynak gerilimleri altında yüklerin olası kombinasyonları için ortak bağlantı noktasında ölçülen harmonik ve güç kalitesi indisleri Pearson korelasyon ısı haritası yöntemiyle analiz edilmiştir. Analiz sonucuna göre, yük sınıflandırmasında kullanılmak üzere 15 özellik belirlenmiştir. Böylece, 15 girişi ve 6 çıkışı olan, gizli katman sayısına göre tek ve iki gizli katmanlı olarak ayrılan, gizli katmanlardaki aktivasyon fonksiyonuna göre tanh, sigmoid ve ReLU fonksiyonlu olarak ayrılan, toplamda 6 farklı YSA modeli oluşturulmuştur. Oluşturulan modellerin gizli katman nöron sayıları, çeşitli performans parametreleri dikkate alınarak en iyilenmiştir. Son olarak, en iyilenen YSA modelleri arasında yapılan karşılaştırmalı değerlendirmeler neticesinde, 2 gizli katmanlı, 1. gizli katmanında 26 ve 2. gizli katmanında 30 nöron olan, gizli katmanlarında tanh ve çıkış katmanında sigmoid aktivasyon fonksiyonları kullanılan YSA modelinin, %94.11 eğitim doğruluğu ve %93.56 test doğruluğuyla en yüksek performansı gösterdiği belirlenmiştir.

In this thesis, it is aimed to develop artificial neural network (ANN) models for the classification of residential type single-phase nonlinear loads in the system with harmonically distorted source voltage. As residential type loads, six different loads were considered, namely: a full-wave rectifier feeding a resistive load, a half-wave rectifier feeding a resistive load, a dimmer circuit feeding a resistive load, a full-wave rectifier charging a battery, a single-phase asynchronous motor with a permanent capacitor, and a heater. Accordingly, in this thesis, the time-domain model of a system with the considered loads connected to the same bus was first created in the Matlab/SIMULINK environment. In the modelled system, the behaviours of various harmonic and power quality indices of the loads were statistically analysed under randomly generated distorted source voltages. Then, the harmonic and power quality indices measured at the common connection point for possible load combinations under a large number of distorted source voltages were analysed using the Pearson correlation heat map method. Based on the analysis results, 15 features were identified for use in load classification. Thus, a total of 6 different ANN models, each with 15 inputs and 6 outputs, were developed. Note that depending on the number of hidden layers, the models can be divided to single-layer and double-layer models and based on the activation function in the hidden layers, they can be divided to the models with tanh, sigmoid, or ReLU functions. The number of neurons in the hidden layers of the developed models was optimized by considering several performance parameters. Finally, as a result of the comparative evaluations among the optimized ANN models, it was determined that the ANN model with 2 hidden layers, 26 neurons in the first hidden layer and 30 neurons in the second hidden layer, using tanh activation functions in the hidden layers and sigmoid activation functions in the output layer, showed the highest performance with 94.11% training accuracy and 93.56% test accuracy.