Yapay Sinir Ağları Tabanlı Reaktif Güç Kompanzasyonu

Transkript

1 Politeni Dergisi Journal of Polytechnic Cilt: 1 Sayı: s , 7 Vol: 1 No: pp , 7 Yapay Sinir Ağları Tabanlı Reatif Güç Kompanzasyonu Ramazan BAYINDIR *, Şeref SAĞIROĞLU **, İlhami ÇOLAK * * Gazi Üniversitesi Teni Eğitim Faültesi Eletri Eğitimi Bölümü 65 Tenioullar, ANKARA ** Gazi Üniversitesi Mühendisli-Mimarlı Faültesi, Bilgisayar Mühendisliği Bölümü, Celal Bayar Bulvarı 657 Maltepe, ANKARA ÖZET Eletri güç sistemlerinden çeilen reatif gücün artması, ayıpların artmasına, üretim maliyetlerinin yüselmesine ve enerji sistemlerinin verimsizliğine sebep olmatadır. Kayıpları azaltara verimi artırmanın yolu ise, reatif enerjiyi yüün bulunduğu yerde ompanze etmetir. Bu çalışmada, reatif güç ompanzasyonunun yapay sinir ağları (YSA) ullanılara gerçeleştirilmesi incelenmiştir. YSA ile ompanzasyonu sağlama için oluşturulan ağda Levenberg-Marquardt (LM) öğrenme algoritması ullanılmıştır. Elde edilen YSA modelinin testinde, YSA nın LM ile eğitilmesiyle yüse performanslı ve hızlı ompanzasyon gerçeleştirilebileceği tespit edilmiş, YSA yapısının gerçe zamanlı uygulamalara olaylıla adapte edilebileceği değerlendirilmiştir. Anahtar Kelimeler:Reatif güç ompanzasyonu, yapay sinir ağları, öğrenme algoritması Reactive Power Compensation Based on Artificial Neural Networ ABSTRACT Increasing demand in the reactive power drawn from electric power station increases the loss and the cost of the energy, and reduces the system efficiency. The reactive power compensation system installed near by the loads is one of the methods to increase the efficiency. In this study, reactive power compensation system has been realized using artificial neural networ. Levenberg-Marquardt learning algorithm was used for the constituted networ. The reactive power compensation trained with LM learning algorithm can bmplemented for high performance and faster compensation systems. It is evaluated that the structure of neural networ is easily adapted in real time applications. Key Words: Reactive power compensation, artificial neural networ, learning algorithm 1. GİRİŞ Sanayileşmenin artması ile birlite son yıllarda endüstride ullanılan endütif güç tüetiminde de büyü artışlar olmuştur. Endütif yüler şebeeden atif gücün yanında reatif güç de çeerler (1). İletim hattından çeilen reatif güç iletim hattını yülemesine rağmen, bu güç işe dönüştürülmez (). Bu nedenle, eletri güç sistemlerinde çeilen reatif güç nedeniyle meydana gelen ayıpların mümün olduğunca üçü tutulmasına çalışılmalıdır. Şebee ayıplarındai her azalma, üretim maliyetinin azalması ve böylece enerji sisteminin eonomiliğinin artması sağlanabilmetedir. Bunu yapmanın te yolu isletim hattının beslediği endütif yülerin ihtiyacı olan reatif enerjiyi, yüün bulunduğu yerde ompanze etmetir. Bu amaçla son yıllarda yapılan çalışmalar ile ayıpların oluşmasına sebep olan reatif gücün ortadan aldırılması için çeşitli teniler uygulanmatadır. Bu nedenle reatif gücün ihtiyaç duyulan notaya en yaın yerde üretilmesi sisteminin verimini arttırma açısından büyü faydalar sağlamatadır. Yülerin ihtiyacı olan reatif güçler, ya stati olara apasitör veya reatörlerle, ya da dinami olara senron motorlarla arşılanır (3-5). Stati ompanzasyon elemanı olara da bilinen ondansatörler, baım masraflarının düşü ve verimlerinin yüse olması sebebiyle reatif güç ompanzasyonunda yaygın olara ullanılmatadırlar. Stati reatif güç ompanzasyon sistemlerinden bazıları, sabit ondansatörler, tristör anahtarlamalı ondansatörler (TAK), tristör ontrollü reatörler (TKR), tristör ontrollü transformatörler (TKT), şönt apasitörlü ve tristör ontrollü reatörlerdir (-4). Sabit ondansatörler ademeli olara ompanzasyon sağlarlar. Ayrıca yüün ihtiyacı olan reatif enerjiyi her zaman tam olara ompanze etme mümün olmayabilir. Bazen ihtiyaç duyulan reatif enerjiden fazla, bazen de az reatif enerji ondansatör grupları tarafından iletim hattına atarılır. Kondansatörlerin devreye alınıp çıartılmaları ontatör ve reatif güç röleleri tarafından yapıldığından, belirli bir zaman gecimesi oluşmatadır. Yülerin aşırı veya düşü Digital Object Identifier 1.339/

2 Ramazan BAYINDIR, Şeref SAĞIROĞLU, İlhami ÇOLAK / POLİTEKNİK DERGİSİ, CİLT 1, SAYI, 7 ompanze edilmesi veya ompanzasyonun zaman gecimeli yapılması az da olsa enerji nail hatlarının aşırı yülenmesine sebep olabilmetedir. Tristör anahtarlamalı reatif güç ompanzasyonunda ademesiz bir ompanzasyon ve meani bir eleman bulundurmamasına rağmen tristörlerin anahtarlanması sonucu harmoniler oluşmatadır (5-8). Senron motor ile ompanzasyon, uyartım aımının değiştirilere motorun apasitif veya endütif olara çalıştırılmasıyla sağlanabilir (9). Ayrıca senron motorun şebeeden çetiği reatif gücün mitarı da uyartım aımı ile ayarlanabilmetedir. Senron motor reatif güç ompanzasyon sistemlerinde ullanılıren üzerinde herhangi bir yü yo ise, aynatan çeeceği atif güç sadece meani ayıpları arşılama içindir. Eğer senron motor, ompanzasyon yapılan sistemde başa bir amaçla ullanılmıyorsa eonomi değildir. Faat douma tezgahı, maden öğütmşlemi, âğıt rulo tezgahı gibi sabit hız istenen işlerde çalıştıran bir senron motor varsa, motordan hem meani güç alınır, hem de aşırı uyartım sağlanara senron motorun apasitif çalışması sağlanır. Böylece hem meani enerji üretilir, hem dşletmenin güç atsayısı düzeltilir. Eletri güç sistemlerinde güvenilirliği, verimliliği ve değişi çalışma oşullarında sistemin ararlılığını sağlayabilmçin PI, PID, bulanı mantı denetleyiciler gibi süreli olara yeni ompanzasyon ontrol tenileri geliştirilmetedir. PI, PD ve PID gibi denetleyici tasarımında sisteme ait matematisel modellerin mutlaa bilinmesi gereiren, yapay zeâ tenileri ullanılara yapılan ompanzasyon sistemlerindse, matematisel modelden ziyade sistem üzerinde yapılan deneyler sonucu elde edilen veriler yeterli olabilmetedir. Böylece lasi ontrol sistemleriyle denetimin güçleştiği, matematisel modeli oluşturulamayan sistemlerde matematisel modelhtiyaç duyulmadan sistem girişi ve çıışı arasında yapay zeâ esaslarına dayalı bir denetleyici ullanımı büyü üstünlüler ve olaylılar sağlamatadır (1-1). Genel olara güç ompanzasyonunda yalaşımlar incelendiğinde; meani, harmoni, zaman gecimesi gerilim düşümü/yüselmesi ve matemati modele geresinim duyulması, uygulamalarda arşılaşılan problemlere baıldığında ise güvenilirli, doğrulu, basitli, enerji tüetimi, zaman ve ayıplar ön plana çımatadır. İyi bir ompanzasyon sistemindstenilmeyen durumların giderilmesi ve yüse doğrulu, güvenilir sonuçlar, basit işlemler ve ısa hesaplama süreleri her zaman belenen özellilerdir (6, 1). Yuarıda belirtilen sııntıların giderilmesi ve ideal bir ompanzasyon sisteminden belenen özellilerin sağlanabilmesi için YSA lar bilinen en iyi yapay zea yöntemlerinden birisidir. Bu nedenle son zamanlarda güç sistemlerinin güvenliği, güç sistemleri ararlığı, reatif güç ompanzasyonunda ve motor ontrol uygulamalarında YSA ların sıça tercih edildiği rapor edilmetedir (13, 14). Sağıroğlu ve aradaşları (13) ve Bayındır ve aradaşları (14), Geri Yayınım (BP), Delta Bar Delta (DBD), Genişletilmiş Delta Bar Delta (EDBD) ve Directed Random Search (DRS) YSA öğrenme algoritmalarını ullanara, YSA tabanlı ompanzasyon tenileri geliştirmişlerdir. Elde ettileri sonuçlar abul edilebilir olsa da, bu yapının iyileştirilmesi ve basitleştirilmesinhtiyaç duyulmatadır. Bunun sebepleri ise; ço atmanlı YSA yapısının gerçe zamanlı uygulanacağı, YSA ağırlılarının mirodenetleyici içerisine atarılması gereliliği ve YSA nın eğitim süresinin ısaltılması ve ompanzasyon performansın mümün olduğunca yüseltilmesi olara açılanabilir. Bu çalışmada reatif güç ompanzasyonu, YSA denetleyicinin il ez Levenberg-Marquardt (LM) algoritması ile eğitilmesiyle daha hızlı öğrenme, daha basit bir yapı elde edebilme ve yüse başarımlı bir ompanzasyon sağlanması amaçlanmıştır. Bu aşamada LM öğrenme algoritmasının tercih edilmesinin amacı ise Gauss-Newton ve Steepest-Decent algoritmalarının en iyi özellilerini bünyesinde barındırması ve öğrenme işlemini ısa sürede sonuçlandırabilmesidir. Senron motor ullanılara ademesiz reatif güç ompanzasyonu bu sayede başarıyla gerçeleştirilebilecetir.. REAKTİF GÜÇ KOMPANZASYONU Güç sistemlerinde atif güç aışının yanında yüün ve sistemin ihtiyacını arşılayabilmçin reatif güç aışı da olmatadır. Atif güç uşusuz alternatörlerden yülerletilecetir, oysa reatif güç için böyle bir zorunlulu yotur. Reatif gücün ihtiyaç duyulan notaya en yaın yerde üretilmesinde eletri sisteminin en iyi oşullarda çalıştırılması açısından büyü yararlar vardır. Eletri sisteminin ve yülerin reatif güce gere duyulan yerlerde belirli teniler ullanılara arşılanması reatif güç ompanzasyonu olara adlandırılmatadır. Bu işlemin doğal sonucu olara sistemin belirli notalarında gözüen güç atsayısı (Cos ϕ) düzeltilece, diğer bir deyişle tesisin güç atsayısı,95 ile 1 arasında bir değere yalaştırılacatır. Şeil 1a da ompanzasyonu yapılmamış bir sistem ve Şeil 1b de ise ompanzasyonu yapılmış bir sistem verilmiştir. Şeil 1a da sistem çalışıren alternatörden atif gücün yanında iş yapmayan reatif gücünde çeildiği görülmetedir. Atif güç, sistemin çalışması için gereli bir güç ien, bunun asine mınatıslama için gereli olan reatif gücün alternatörden çeilmesine gere yotur. İş yapmadığı halde bu güç alternatörden çeildiği için, bu gücün de tüetim bedeli ödenme zorundadır. Şeil 1b dse ondansatör veya senron motor gibi bir ompanzasyon elemanı ile ompanzasyon yapıldığında, bu reatif gücün şebeeden çeilmediği görülmetedir. Ayrıca Şeil 1a ile arşılaştırıldığında, alternatörün fazladan mevcut bir atif güce sahip olduğu görülecetir. Türiye Eletri Kurumu aşırı mitarlarda tüetilen reatif enerjiyi müşterilerin endi imânları ile arşılamalarını zorunlu ılma için işletmelerde 3 adet sayaç bulundurma zorunluluğu getirmiştir. Enerji tarifesinde atif enerji yanında ileri ve geri reatif enerji be- 13

3 YAPAY SİNİR AĞLARI TABANLI REAKTİF GÜÇ KOMPANZASYONU / POLİTEKNİK DERGİSİ, CİLT 1, SAYI, 7 deli oymuştur. Enerji ve Tabii Kaynalar Baanlığı Eletri Tarifeleri Yönetmeliği 56. maddesine göre bir dönem içerisinde çeilen endütif reatif enerjinin % 33 üne adar (dahil) reatif enerji çeen müşterilerden reatif enerji bedeli alınmamatadır. Bu oran aşıldığında, çeilen reatif enerjinin tamamına reatif enerji tarifesi uygulanmatadır. armaşı problemlere bilyi çözüm olabilmetedirler (16). Literatürde birço YSA yapısı mevcuttur (15, 16). Sunulan çalışmada Ço Katlı Perseptron (ÇKP) modeli ullanılmıştır. ÇKP, birço alana uygulanmış olan bir YSA yapısıdır (16). Birço öğrenme algoritmasının bu ağı eğitmede ullanılabilir olması, bu modelin Şeil 1. Reatif Güç Kompanzasyonu Yine aynı yönetmeliğe göre bir dönem içerisinde çeilen apasitif reatif enerjinin % sine adar (dahil) enerji çeen müşterilerden reatif enerji bedeli alınmamatadır. Bu oran aşıldığında, abonenin dönem içerisinde çetiği atif enerjinin,9 atı adar reatif enerji tüettiği abul edilere reatif enerji tarifesi üzerinden bedeli alınmatadır. Enerji sarfiyatı yüse olan şiretler için bu durumlar ço önemli olduğundan, reatif güç ompanzasyonu mutlaa yapılmata veya yüse maliyetli donanımlar ullanılara yüse enerji bedellerinden urtulmaya çalışılmatadır. 3. YAPAY SİNİR AĞLARI Yapay sinir ağları (YSA), öğrenme yeteneği, olayca farlı problemlere uyarlanabilirliği, genelleme yapabilmesi, paralel yapılarından dolayı hızlı çalışabilme yeteneği ve ullanıcının giriş ile çıış arasındai ilişiyi tarif etme mecburiyetinin olmayışı gibi üstünlülerden dolayı, pe ço uygulamada ullanılmatadır (15, 16). YSA, bir sistemlişin çeşitli parametrelere bağlı olara tanımlanan girişler ve çıışlar arasında ilişi urabilme yeteneğine sahiptir. Bu ilişinin doğrusal bir formda olması zorunlu değildir. Ayrıca YSA lar, çıış değerleri bilinmeyen tanımlanmış sistem girişlerine de uygun çıışlar üretebilmete, böylelile ço yaygın ullanılmasının sebebi olara açılanabilir. Şeil de de verildiği gibi bir ÇKP modeli, bir giriş, bir veya daha fazla ara ve bir de çıış atmanından oluşur. Bir atmandai bütün işlem elemanları bir üst atmandai bütün işlem elemanlarına bağlıdır. Giriş atındai nöronlar tampon gibi davranırlar ve giriş sinyalini ara attai nöronlara dağıtırlar. Ara attai her bir nöronun çıışı, endine gelen bütün giriş sinyallerini taip eden bağlantı ağırlıları ile çarpımlarının toplanması ile elde edilir. Elde edilen bu toplam, çıışın toplam bir fonsiyonu olara hesaplanabilir. Buradai fonsiyon, basit bir eşi fonsiyonu, bir sigmoid veya hiperboli tanjant fonsiyonu olabilir. Diğer atlardai nöronların çıışları da aynı şeilde hesaplanır. Kullanılan eğitme algoritmasına göre, ağın çıışı ile arzu edilen çıış arasındai hata terar geriye doğru yayılara hata minimuma düşünceye adar YSA nın ağın ağırlıları değiştirilir (15). Bu çalışmada ağın çıışı ile arzu edilen çıışlar arasındai hata tüm giriş seti için bulundutan sonra ağırlılar değiştirilmetedir. 131

4 Ramazan BAYINDIR, Şeref SAĞIROĞLU, İlhami ÇOLAK / POLİTEKNİK DERGİSİ, CİLT 1, SAYI, 7 Şeil. Bir ÇKP-YSA modeli Yapay sinir ağlarında ullanılan ço sayıda öğrenme algoritması bulunmatadır. Sunulan çalışmada en fazla 1 epota öğrenen ve hesaplamalarda çıartabilen ve hesaplamalarda bir ço hususu çözümleyebilen Levenberg-Marquardt (LM) öğrenme algoritması ullanılmıştır (17, 18). LM metodu, masimum omşulu firi üzerine urulmuş bir en az areler hesaplama metodudur [17, 18]. Bu algoritma, Gauss-Newton ve Steepest-Descent algoritmalarının en iyi özellilerinden oluşur ve bu ii metodun ısıtlamalarını ortadan aldırır. Genel olara bu metot yavaş yaınsama probleminden etilenmez. E( w ) nin bir amaç hata fonsiyonu olduğu düşünülürse, m tane hata terimi için verilmiştir. m ei ( w) = i= 1 E( w) = f ( w) ( w ) aşağıda (1) bu eşitlite w ağırlıları ifade ederen, e w) ( y yd ) dir. i ( i i Burada, amaç fonsiyonu f(.) ve onun Jaobiyeni J nin bir notada w bilindiği farzedilir. LM öğrenme algoritmalarında hedef, parametre vetörü w nın, E( w ) minimum ien bulunmasıdır. LM nin ullanılmasıyla yeni vetor w 1 w +1 dan aşağıda verilen ifadeden hesaplanır., farzedilen vetör w + = w + δ w () burada δ x ( J T J Eşitlite, aşağıdai şeilde verilir. + λ I) δ w = J f ( w ) (3) T J : f in w değerlendirilmiş Jaobyeni, λ :Marquardt parametresi, ve I: birim veya tanımlama matrisidir. Levenberg-Marquardt algoritmasında hesaplama aışı aşağıdai şeilde özetlenebilir. (i) E( w ) yı hesapla, (ii) üçü bir λ değeri ile başla (mesela λ =.1), (iii) δ w için Eşitli (4.6) yı çöz ve E( w +δ w ) değerini hesapla, (iv) şayet E ( w +δ w ) E( w ) λ yı 1 at artır ve (iii) e git, (v) şayet E ( w +δ w ) < E(w ) λ yı 1 at azalt, w : w w +δ w yi güncelleştir ve (iii) e git. Hedef çıışı hesaplama için bir YSA nın ağırlılarının LM öğrenme algoritması ullanılara öğretilmesi ağırlı dizisi w a bir başlangıç değerinin atanması ile başlar ve hataların arelerinin toplamı nin hesaplanmasıyla devam eder. Her terimi, hedef çıış (y) ile gerçe çıış (yd) arasındai farın aresini ifade eder. Bütün veri seti için hata terimlerinin tamamının elde edilmesiyle, ağırlı dizileri (i) den (v) e adar olan LM öğrenme algoritması adımların uygulanmasıyla daha öncede açılandığı gibi adapte edilir. 4. YSA İLE GÜÇ KOMPANZASYONU TASARIM VE UYGULAMA 4.1 Denetleyicinin Tasarımı Şeil 3 de, YSA ile eğitilere sistemin modellenmesine ait tasarlanan blo diyagram verilmiştir. YSA denetleyici ünitesinin giriş değişenleri yü aımı (I y ), hata (e), güç atsayısı ( Cos ϕ ), uyartım aımındai değişim( Δ I f ) ve çıış değişeni ( I f ) olara belirlenmiştir. Birimi amper olan, I y yü aımı giriş değişeni devreye bağlanan bir ampermetre yardımıyla ölçülere denetleyicinin girişine uygulanmatadır. Hata (e) giriş değişeni referans güç atsayısı (cosϕ ref ) değerinden sistemin güç atsayısı (cosϕ sis ) değeri çıarılara bulunmuştur. Sistemin güç atsayısı bir faz üzerinden cos ϕ metrle ölçülmetedir. e = cosϕ cosϕ (4) ref sis 13

5 YAPAY SİNİR AĞLARI TABANLI REAKTİF GÜÇ KOMPANZASYONU / POLİTEKNİK DERGİSİ, CİLT 1, SAYI, 7 eğriler elde edilmiştir. Bu senron motorun arateristi bir özelliğidir. Senron motorlar sistemin güç atsayısını düzeltiren, aynı zamanda, milinden meani enerjinin alınıyor olması senron motor için büyü bir üstünlütür. Kondansatör bataryaları ile ademeli ayar yapılmasına arşılı, senron motor milinden hem meani güç alınabilmete hem de senron motor fazla uyartımlı çalıştırılara güç atsayısı daha hassas ve geniş aralıta ayarlanabilmetedir. Bu nedenle senron motor yuarıdai çeşitli yülerde elde edilen herhangi bir durumda güç atsayısını düzeltme için ullanabilir. Bundan dolayı yuarıdai durumlardan biri tercih edilmelidir. Ayar aralığı daha geniş olduğu için bu çalışmada boş çalışma durumu tercih edilmiştir. Çalışmada ullanılan deney düzeneği Şeil 5 de verilmiştir. Şeil 3. YSA denetleyicinin yapısı Δ I f ise uyartım aımındai değişimi ifade etmetedir. Senron motorun uyartım sargılarından geçen aım I (5) f = ΔI f + I f ( 1) 4.. Uygulama Aşamaları İl olara sistemin güç atsayısını düzeltme üzere ullanılaca olan senron motorun özellilerinin belirlenebilmesi ve V eğrilerinin çıarılabilmesi için deney düzeneği Gazi Eletri Mainaları ve Enerji Kontrol Grubu (GEMEC) Araştırma Laboratuarında oluşturulmuştur. Senron motorun elde edilen arateristi eğrileri Şeil 4 te verilmiştir. Şeil 4a ve Şeil 4b dei arateristi eğrilerinden de görüleceği üzere, senron motorda değişi yü aımlarında yapılan deneylerde farlı Şeil 5. Deney bağlantı şeması 4.3. Gerçeleştirme aşamaları GEMEC laboratuarında yapılan deneyler sonucunda senron motorun yü aımı, uyartım aımı, güç atsayısı ve uyartım aımındai değişmeler aydedilmiş ve bu değişimler ullanılara YSA modeli oluşturulmuştur. Sonuçta senron motora ait uyartım aımı değişimleri bu modelden elde edilmiştir. Elde edilen bu değişmeler ullanılara sisteme ait güç atsayısı sabit tutulmaya çalışılmıştır. Uygulamada ullanılaca YSA modeli, farlı ara atman ve nöron sayıları için denenmiş ve yüse performans elde edilebilece bir yapı oluşturulmaya çalışılmıştır. Bir (a) Cos ϕ ile uyartım aımı arasındai bağıntı Şeil 4. Senron motor arateristileri (b) Yü aımı ile uyartım aımı arasındai bağıntı 133

6 Ramazan BAYINDIR, Şeref SAĞIROĞLU, İlhami ÇOLAK / POLİTEKNİK DERGİSİ, CİLT 1, SAYI, 7 YSA mimarisinde uygun olan ara atman sayılarını ve ara atman nöronlarını belirleyebilmçin literatürde birço yalaşım sunulmuştur (19). Faat hangi probleme hangi YSA algoritmasının ve ara atmanlarda aç adet nöron ullanılması geretiğine dair literatürde somut bir çalışma bulunmamatadır. Bu çalışmada da en uygun YSA yapısını bulma için yapılan denemelerde, en iyi çözüm 1 epo sonucu 6 ve 8 nörona sahip ii ara atmanlı YSA yapısı ile sağlamıştır. Birinci ara atmanda Tangent ativasyon fonsiyonu vinci ara atmanda ise Sigmoid ativasyon fonsiyonu seçilmiştir. Öğrenme algoritması olara hızlı sonuç ve yüse performans vermesi sebebiyle Levenberg-Marquardt algoritması ullanılmıştır. Toplam aresel hata değerine ulaşıncaya adar eğitime devam edilmiştir. Bu çalışmada, YSA yı eğitmçin ullanılan deneysel veriler 4 VA lı yıldız bağlı bir senron motora ait deney düzeneğinden elde edilmiştir. Yüse performansa sahip bir YSA modeli oluşturma için 1 ölçüm yapılmıştır. Elde edilen deneysel verilerden 84'ı eğitim, geri alan 16 ı ise veri test ve güvenilirli amacı ile ullanılmıştır. Eğitimde ullanılan verilerden 1 ölçüm değeri ile elde edilen benzetim sonuçları Şeil 6 da verilmiştir. Gerçe değerler (deneysel ölçüm sonuçları) ile YSA metodu ullanılara hesaplanmış değerler (benzetim değerleri) arasındai test sonuçları arasındai ilişi Şeil 7'de verilmiştir. Uyartım aımındai değişim (Amper),8,7,6,5,4,3,, Ölçüm sayısı Deneysel Şeil 6. YSA denetleyici eğitim sonuçları ile deneysel verilerin arşılaştırılması Uyartım aımındai değişim (Amper) Ölçüm sayısı Şeil 7. YSA denetleyici test sonuçları ile deneysel verilerin arşılaştırılması YSA Deneysel YSA Eğitim sonucu ile deney sonucu arşılaştırıldığında elde edilen hata Şeil 8 de görüldüğü gibi olmatadır. Şeil 8 de hata değeri yalaşı +.8 / -.7 arasında değişim gösterdiği görülmetedir. Bu sonuçlardan da açıça görülebileceği gibi, YSA test sonuçları ço üçü hataya sahiptirler. Hata (Amper) SONUÇ örne sayısı Şeil 8. YSA test işleminde arşılaşılan hatalar Bu çalışmada, güç ompanzasyonunda LM ile eğitilmiş YSA yapısının iyi bir denetleyici olara ullanılabilirliğini ve olduça yüse performans ve hızda iyi sonuç verdiği tespit edilmiştir. Elde edilen sonuçlardan, reatif gücün hızlı değiştiği sistemlerde hassas ve hızlı ompanzasyon yapabilmçin ademeli ondansatör grupları yerine, reatif gücü ontrol edilen senron motorlu sistemler ullanma ve bu motorun ontrolünün YSA denetleyiciler ile yapılması durumunda ompanzasyon işlemini hızlandıracağı ve performansı yüselteceği görülmüştür. Ayrıca YSA ullanılara sistemin matematisel modelinhtiyaç duymadan ompanzasyon işlemi gerçeleştirilebilmetedir. Elde edilen sonuçlar Sağıroğlu ve aradaşları (13) ile Bayındır ve aradaşları (14) tarafından gerçeleştirilen YSA tabanlı ompanzasyon tenileri ile arşılaştırıldığında, BP, DBD, EDBD, DRS öğrenme algoritmaları ullanara en uygun YSA yapısı ile yüse performans elde edilmeye çalışılmıştır. Bu çalışmada ise bu yapının iyileştirilmesi, basitleştirilmesine ve hızlandırılmasına yöneli olara LM algoritması YSA modelini eğitmede ullanılara yüse performans elde edilmeye çalışılmıştır. Elde edilen sonuçlar göstermiştir i, LM ile YSA yapısının eğitilmesinde öğrenme adımı ısa olsa da performans açısından diğer arşılaştırmalara yaın sonuçlar vermiştir. Genel olara; YSA ile güç ompanzasyonu için en uygun YSA yapısının ve öğrenme algoritmasının belirlenmesi için literatürde mevcut olan diğer YSA öğrenme algoritmalarının da güç ompanzasyon işlemlerinde test edilditen sonra genel bir yapının önerilmesinin daha uygun olacağı değerlendirilmetedir. Burada arşılaşılan güçlüler ise, uygun bir YSA yapısının, fonsiyon tipinin ve öğrenme algoritmasının belirlenmesi olara sıralanabilir. 134

7 YAPAY SİNİR AĞLARI TABANLI REAKTİF GÜÇ KOMPANZASYONU / POLİTEKNİK DERGİSİ, CİLT 1, SAYI, 7 6. KAYNAKLAR 1. Bayram M., Kuvvetli Aım Tesislerinde Reatif Güç Kompanzasyonu, Ağustos, Birsen Yayınevi.. Mehamer, S.F., El-Hawary, M.E., Mansour, M.M., Moustafa, M.A., & Soliman, S.A., State of the art in optimal capacitor allocation for reactive power compensation in distribution feeders, IEEE Large Engineering Systems Conference on Power Engineering, LESCOPE,, Bal G., Çola İ., Reactive power compensator using constant capacitor and thyristor controlled reactor, Gazi University, J. of Institute of Science and Technology, vol. 8, No., 1995, p P. W. Sauer, What is Reactive Power?, Power Systems Engineering Research Center, PSERC Bacground Paper, Department of Electrical and Computer Engineering, University of Illinois at Urbana-Champaign, September 16, Miller TJE., Reactive Power Control in Electric Systems, October 198, A Viley-Interscience Publication, New Yor, p Schaefer, R.C., Excitation control of the synchronous motor, IEEE Transaction Industrial Application, 1999, 35 (3), Ortega, J.M.M., Payan, M.B., Mitchell, C.I., Power factor correction and harmonic mitigation in industry, IEEE Industry Applications Conference,, 5, El-Sade, M.Z., Fetih, N.H., & Abdelbar, F.N., Starting of induction motors by static VAR compensators, 1988, Third International Conference on Power Electronics and Variable-Speed Drives, Al-Hamrani, M.M., Von Jouanne, A., & Wallace, A., Power factor correction in industrial facilities using adaptive excitation control of synchronous machines, Pulp and Paper Industry Technical Conference, Conference Record of the Annual, Abido, M.A., & Abdel-Magid, Y.L., A fuzzy basis function networ for generator excitation control, IEEE Proceedings of the Sixth International Conference on Fuzzy Systems, 1997, 3, Handschin, E., Hoffmann, W., Reyer, F., Stephanblome, T., Schlucing, U., Westermann, D., & Ahmed, S.S., A new method of excitation control based on fuzzy set theory, IEEE Transactions on Power Systems, 1994, 9(1), Cola, I., Bayindir, R., & Bay, O.F., Reactive Power Compensation Using A Fuzzy Logic Controlled Synchronous Motor, Energy Conversion and Management, 3, 44 (13), Sagiroglu S., Cola I, Bayındır R., Power Factor Correction Technique Based on Artificial Neural Networs, Energy Conversion and Management, available online (accepted paper), Bayındır R., Sagiroglu S., Cola I, An Intelligent Power Factor Corrector for Power System Using Artificial Neural Networs, Applied Artificial Intelligence(submitted paper), Hayin, S., Neural Networs: A Comprehensive Foundation. New Yor, Macmillan College Publishing Company, 1994, ISBN , Sağıroğlu Ş., Beşdo E., Erler M., Mühendislite Yapay Zea Uygulamaları-I Yapay Sinir Ağları, 3, Ufu Yayınevi, Kayseri. 17. Levenberg, K., A Method For the Solution of Certain Nonlinear Problems in Least Squares, Quart. Appl. Math., 1944,, Marquardt, D. W., An Algorithm For Least-Squares Estimation Of Nonlinear Parameters, J. Soc. Ind. Appl. Math., 1963, 11,