İleri beslemeli ve elman geri beslemeli yapay sinir ağları kullanarak harmoniklerin kompanzasyonu

Abstract

îleri beslemeli sinir ağı, Geri beslemeli sinir ağı, Hızlı geriye yayılım, Standart geriye yayılma, Harmonik bozulması, Aktif filtre, Güç kalitesi. Bu çalışmada harmonik dedeksiyonu için aktif filtre işlemlerinde iki gizli katmanlı ileri beslemeli ve Elman geri beslemeli sinir ağlan önerilmiştir. Bu amaç için tek gizli katmanlı ve iki gizli katmanlı iki tip sinir ağı kullamlmıştır. İlk adım olarak standart geriye yayılım ve hızlı geriye yayılım öğrenme algoritması ile üç katmanlı(giriş, gizli ve çıkış) bir ağ kullanılmıştır. Bu ağın gizli katmanında ve çıkış katmanında doğrusal olmayan aktivasyon fonksiyonu kullamlmıştır. Karşılaştırma yapabilmek için ağların çıkış nöronlarında lineer aktivasyon fonksiyonu kullamlmıştır. İkinci adım olarak hızlı geriye yayılım öğrenme algoritması ile dört katmanlı(giriş, iki gizli katman ve çıkış) bir ağ kullamlmıştır. Gizli katman ve çıkış katman nöronlarında sigmoid aktivasyon fonksiyonu kullanılmıştır. Eğitim ve test işlemlerinde, sinir ağlarının giriş sinyalleri, bir periyodluk bozulmuş dalgaların genlikleridir. Genliklerden zaman ekseninde düzenli aralıklarla 128 örnekleme sinyali alınmıştır. Genlikler hiçbir ön işleme tabi tutulmadan sinir ağlarının giriş sinyalleri olarak kullanılmıştır. Sinir ağımn bozulmuş dalgadan harmonikleri ayırabilmesi için öğrenmede bazı örnek bozulmuş dalgalan kullanması gerekmektedir. Bu bozulmuş dalgalar temel dalga içinde 5., 7., 11. ve 13. harmoniklerin bileşimlerinin kanştmlmasıyla oluşturulmuştur. Bu amaçla 5. harmonik 70%, 7. harmonik 40%, 11. harmonik 10% ve 13. harmonik 5% kullanılarak 2520 örnek bozulmuş dalga eğitim için oluşturulmuştur. Eğitim esnasında bozulmuş dalgalar tanıma için kullanılmıştır. Sinir ağlanmn performanslannı geliştirmek için 5. harmonik 70%, 7. harmonik 40%, 11. harmonik 10%, 13. harmonik 5%, 17. harmonik 5%, 19.harmonik 2.5%, 23. harmonik 2.5% ve 25. harmonik 2% kullanılmış ve yaklaşık 250 örnek bozulmuş dalga test setinde oluşturulmuştur. Eğitim tamamlandıktan sonra oluşturulan bozulmuş dalgalar test setinde tanıma için kullamlmıştır. Eğitim ve test safhasında oluşan tanıma sonuçlanna göre yapay sinir ağlan çıkışlannda alınan her bir çıkış girişteki bozulmuş dalganın içerdiği her bir harmoniğin değerim ifade etmektedir ve bu harmonikler bozulmuş dalgada aynştınlarak düzeltilir. Sonuç olarak ileri beslemeli ve Elman geri beslemeli yapay sinir ağlanmn harmonikleri bulmasının mümkün olduğu, bozulmuş dalgalan düzeltmesiyle doğrulanmaktadır. İleri beslemeli ve Elman geri beslemeli yapay sinir ağlanhın aktif filtreler için etkili bir şekilde kullanılabileceği gösterilmiştir.

HARMONICS COMPENSATION USING FEED FORWARD AND ELMAN RECURRENT ARTIFICIAL NEURAL NETWORKS SUMMARY Keywords : Feed forward neural network, Elman's recurrent neural network, Fast and Standart backpropagation, Harmonics distortion, Active filter, Power quality In this study, the methods to apply the feed forward with two hidden layers and Elman's recurrent neural network for harmonic detection process in active filter are proposed. Two type neural networks with one and two hidden layers are used for this purpose. At the first step, we used three layers networks (input layer, hidden layer and output layer) with standart backpropagation and fast backpropagation learning algoritm. The hidden layer neurons and the output layer neurons use nonlinear sigmoid activation functions. In alternative networks, the output layer neurons use linear activation functions for comparison. At the second step, we used four layers networks (input layer, two hidden layers and output layer) with fast backpropagation learning algoritm. The hidden layer neurons and the output layer neurons use nonlinear sigmoid activation functions. For the training and test processes, input signals of the neural networks are the amplitudes of one period distorted wave. The amplitudes are taken 128 point at regular interval of time axis. The amplitudes are used to be input signals of the neural networks without any pre-processing. In order to make neural network enable to detect harmonics from distorted wave, it is necessary to use some representative distorted waves for learning. These distorted waves are made by mixing the component of the 5th, 7th, 11th, and 13 h harmonics in fundamental wave. For this purpose, 5th harmonic up to 70%, 7th harmonic up to 40%, 11th harmonic up to 10% and 13th harmonic up to 5% were used and approximately 2500 representative distorted waves were generated for training process. During the training process, the distorted waves were used for recognition. For the performance evaluation of the neural network structures, 5th harmonic up to 70%, 7th harmonic up to 40%, 11th harmonic up to 10% and 13th harmonic up to 5%, 17th harmonic up to 5%, 19th harmonic up to 2.5%, 23th harmonic up to 2.5%, 25th harmonic up to 2% were used and approximately 250 representative distorted waves were generated as a test set. After the training process is completed, the general distorted waves (test set) were used for recognition. As the result of recognitions at the training and test phase, output signal from each output unit means the content of each harmonic including the input distorted wave and these harmonics are eliminated from the distorted wave. As the result, the possibility of the feed forward and Elman's recurrent neural networks to detect harmonics is confirmed by compensating the distorted waves and it can be said that the feed forward and Elman's recurrent neural networks are effectively to be used for active filter. xxiv