LED Aydınlatma Sistemlerinde Derin Öğrenme Tabanlı Harmonik Tahminleme

Özet

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.

Abstract

LED illumination systems are frequently used in both indoor and outdoor lighting, and these elements offer great advantages especially in terms of energy efficiency. However, these systems cause energy quality problems due to the switching elements included in the driver circuits necessary for their operation. The main motivation of this study is the estimation of the power quality distortions, which are called harmonics, produced by the related systems. In this context, electrical data were measured from an experimentally designed LED lighting system and power quality problems caused by the relevant system were revealed as a result of the necessary calculations. However, based on the fact that the enlargement of the system size will increase the computational complexity, a deep learning-based algorithm has been developed to detect the aforementioned problems. Quality distortions were estimated by using basic electrical parameters free from computational complexity, in the GRU and BiGRU models, the lowest MAE value was 0,031 and the lowest RMSE value was 0,099 compared to actual data. The same values were realized as 0,028 and 0,097 in LSTM and BiLSTM models, respectively.