LED Aydınlatma Sistemlerinde Derin Öğrenme Tabanlı Harmonik Tahminleme

Yıl 2022, Cilt: 4 Sayı: 2, 328 - 334, 26.10.2022

İlyas Özer , Harun Özbay , Serhat Berat Efe

https://doi.org/10.46387/bjesr.1174771

Öz

LED aydınlatma sistemleri, hem iç hem de dış aydınlatmada sıklıkla kullanılmakta olup, bu elemanlar özellikle enerji verimliliği bakımından büyük avantajlar sunmaktadır. Ancak söz konusu sistemler, çalışmaları için gerekli olan sürücü devrelerinin içerdiği anahtarlama elemanları nedeniyle, enerji kalitesi açısından sorunlara neden olmaktadır. Bu çalışmanın temel motivasyonunu, ilgili sistemler tarafından üretilen ve harmonik adı verilen güç kalitesi bozulmalarının tahminlenmesi oluşturmaktadır. Bu kapsamda, deneysel olarak tasarlanan bir LED aydınlatma sisteminden elektriksel veriler ölçülerek gerekli hesaplamalar sonucunda ilgili sistemin neden olduğu güç kalitesi problemleri ortaya çıkarılmıştır. Ancak sistem boyutunun büyümesinin hesaplama karmaşasını artıracağından yola çıkılarak, bahse konu problemlerin tespiti için derin öğrenme tabanlı bir algoritma geliştirilmiştir. Kalite bozulmaları, temel elektriksel parametreler kullanılmış ve hesaplama karmaşasından arındırılarak tahminlenmiş, gerçek veriler ile karşılaştırıldığında, GRU ve BiGRU modellerinde en düşük MAE değeri 0,031 ve en düşük RMSE değeri ise 0,099 olarak elde edilmiştir. Aynı değerler LSTM ve BiLSTM modellerinde sırasıyla 0,028 ve 0,097 olarak gerçekleşmiştir.

Anahtar Kelimeler

LED aydınlatma, Enerji kalitesi, Derin öğrenme, Makine öğrenmesi

Destekleyen Kurum

Bandırma Onyedi Eylül Üniversitesi Bilimsel Araştırma Projeleri Koordinasyon Birimi

Proje Numarası

BAP-20-1004-004

Kaynakça

• O. Akalp, H. Ozbay, and S. B. Efe, “Design and Analysis of High-Efficient Driver Model for LED Luminaires,” Light Eng., vol. 29, no. 2, pp. 96–106, 2021.
• S. B. Efe and D. Varhan, “Interior Lighting of a Historical Building by using LED Luminaires: A Case Study of Fatih Paşa Mosque,” Light Eng., vol. 28, no. 4, pp. 77–83, 2020.
• M. S. Cengiz, “The relationship between maintenance factor and lighting level in Tunel lighting,” Light Eng., vol. 27, no. 3, pp. 75–84, 2019, doi: 10.33383/2018-115.
• M. S. Cengiz and Ç. Cengiz, “Numerical analysis of tunnel LED Lighting maintenance factor,” IIUM Eng. J., vol. 19, no. 2, pp. 154–163, 2018, doi: 10.31436/iiumej.v19i2.1007.
• M. S. Cengiz and S. Yetkin, “Thermal Analysis in Fixed, Flowed and Airless Environment for Cooling in LED Luminaires,” Light Eng., vol. 28, no. 6, pp. 28–35, 2020.
• S. Rüstemli and M. S. Cengiz, “Active filter solutions in energy systems,” Turkish J. Electr. Eng. Comput. Sci., vol. 23, pp. 1587–1607, 2015, doi: 10.3906/elk-1402-212.
• S. B. Efe, H. Özbay, and İ. Özer, “Dynamic Voltage Restorer Application to Eliminate Power System Harmonics,” in International Engineering and Natural Sciences Conference (IENSC 2019), 2019, no. November, pp. 705–709.
• International Electrotechnical Commission (IEC). IEC 61000-3-2:2018., “Electromagnetic Compatibility (EMC)—Part 3-2: Limits—Limits for Harmonic Current Emissions (Equipment Input Current _16 A per Phase).” https://webstore.iec.ch/publication/62553
• J. Valenzuela and J. Pontt, “Real-time interharmonics detection and measurement based on FFT algorithm,” 2009 Appl. Electron. Int. Conf. AE 2009, no. 1, pp. 259–264, 2009.
• N. Severoglu and O. Salor, “Statistical Models of EAF Harmonics Developed for Harmonic Estimation Directly from Waveform Samples Using Deep Learning Framework,” IEEE Trans. Ind. Appl., vol. 57, no. 6, pp. 6730–6740, 2021, doi: 10.1109/TIA.2021.3114127.
• N. Severoglu and O. Salor, “Amplitude and phase estimations of power system harmonics using deep learning framework,” IET Gener. Transm. Distrib., vol. 14, no. 19, pp. 4089–4096, 2020, doi: 10.1049/iet-gtd.2019.1491.
• İ. Özer, S. B. Efe, and H. Özbay, “CNN / Bi-LSTM-based deep learning algorithm for classification of power quality disturbances by using spectrogram images,” Int. Trans. Electr. Energy Syst., vol. 31, no. 12, pp. 1–16, 2021, doi: 10.1002/2050-7038.13204.
• H. Özbay and A. Dalcali, “Effects of COVID-19 on electric energy consumption in Turkey and ANN-based short-term forecasting,” Turkish J. Electr. Eng. Comput. Sci., vol. 29, no. 1, pp. 78–97, 2021, doi: 10.3906/ELK-2006-29.
• I. Ozer, S. B. Efe, and H. Ozbay, “A combined deep learning application for short term load forecasting,” Alexandria Eng. J., vol. 60, no. 4, pp. 3807–3818, 2021, doi: 10.1016/j.aej.2021.02.050.
• I. Ozer, Z. Ozer, and O. Findik, “Noise robust sound event classification with convolutional neural network,” Neurocomputing, vol. 272, pp. 505–512, 2018, doi: 10.1016/j.neucom.2017.07.021.
• Z. Ozer, I. Ozer, and O. Findik, “Diacritic restoration of Turkish tweets with word2vec,” Eng. Sci. Technol. an Int. J., vol. 21, no. 6, pp. 1120–1127, 2018, doi: 10.1016/j.jestch.2018.09.002.
• I. Ozer, Z. Ozer, and O. Findik, “Lanczos kernel based spectrogram image features for sound classification,” Procedia Comput. Sci., vol. 111, no. 2015, pp. 137–144, 2017, doi: 10.1016/j.procs.2017.06.020.
• J. Bedi and D. Toshniwal, “Deep learning framework to forecast electricity demand,” Appl. Energy, vol. 238, no. July 2018, pp. 1312–1326, 2019, doi: 10.1016/j.apenergy.2019.01.113.
• K. Cho et al., “Learning phrase representations using RNN encoder-decoder for statistical machine translation,” EMNLP 2014 - 2014 Conf. Empir. Methods Nat. Lang. Process. Proc. Conf., pp. 1724–1734, 2014, doi: 10.3115/v1/d14-1179.
• R. Jozefowicz, W. Zaremba, and I. Sutskever, “An empirical exploration of Recurrent Network architectures,” in 32nd International Conference on Machine Learning, ICML 2015, 2015, vol. 3, pp. 2332–2340.
• D. Amodei and Et.al, “Deep Speech 2 : End-to-End Speech Recognition in English and Mandarin,” in International Conference on Machine Learning, 2016, vol. 48, pp. 1–10. doi: 10.1002/jhet.5570320220.
• S. B. Efe, H. Ozbay, and I. Ozer, “Experimental Design and Analysis of Adaptive LED Illumination System,” Light Eng., vol. 30, no. 4, pp. 63–70, 2022.
• S. K. Jain and S. N. Singh, “Harmonics estimation in emerging power system: Key issues and challenges,” Electr. Power Syst. Res., vol. 81, no. 9, pp. 1754–1766, 2011, doi: 10.1016/j.epsr.2011.05.004.