Χρήση Τεχνητών Νευρωνικών Δικτύων για τη μελέτη της μεταβολής της αντίστασης προσγείωσης κατά τη διάρκεια του έτους

Abstract

Η παρούσα διπλωματική εργασία πραγματεύεται την εκτίμηση της μεταβολής της αντίστασης γείωσης κατά τη διάρκεια του έτους με χρήση Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ). Ο ρόλος του συστήματος γείωσης για κάθε ηλεκτρολογική εγκατάσταση είναι αδιαμφισβήτητα πολύ σημαντικός, διότι παρέχει ασφάλεια στην ανθρώπινη ζωή και προστατεύει εγκαταστάσεις ηλεκτρονικού και ηλεκτρολογικού εξοπλισμού παρέχοντας λειτουργική αξιοπιστία. Η αντίσταση γείωσης (Rg) εξαρτάται άμεσα από την ειδική αντίστασης του εδάφους (ρ). Η ειδική αντίσταση του εδάφους εξαρτάται με τη σειρά της από αρκετούς παράγοντες, όπως η υγρασία, η θερμοκρασία, η περιεκτικότητα του εδάφους σε άλατα, ο τύπος του εδάφους, κτλ, και μεταβάλλεται κατά τη διάρκεια του έτους λαμβάνοντας τη μέγιστη της τιμή κατά τους καλοκαιρινούς μήνες. Για την εκτίμηση της συμπεριφοράς της αντίστασης γείωσης ενός κατακόρυφου ηλεκτροδίου για χρονικό διάστημα δέκα μηνών, αναπτύχθηκαν δύο μοντέλα ΤΝΔ δεχόμενα διαφορετικό αριθμό μεταβλητών εισόδου. Τα ΤΝΔ εκπαιδεύτηκαν με πειραματικά δεδομένα της ειδικής αντίστασης γείωσης και των καιρικών συνθηκών, και αξιολογήθηκαν βάσει της συσχέτιση μεταξύ των εκτιμώμενων και των πειραματικών τιμών και του μέσου τετραγωνικού σφάλματος. Για το σκοπό αυτό ακολουθήθηκε μεθοδολογία βελτιστοποίησης των παραμέτρων μιας σειράς αλγορίθμων εκπαίδευσης, προκειμένου να βρεθεί ο βέλτιστος αλγόριθμος. Η υψηλή τιμή της συσχέτισης που προέκυψε για την πλειοψηφία των αλγορίθμων εκπαίδευσης που εφαρμόστηκαν αποδεικνύει την αποτελεσματικότητα των τεχνητών νευρωνικών δικτύων στην εκτίμηση της αντίστασης γείωσης. Τέλος, πραγματοποιήθηκε ανάλυση ευαισθησίας του ΤΝΔ εκτίμησης της αντίστασης γείωσης για να διαπιστωθεί η επίδραση ορισμένων παραγόντων στην αποδοτικότητα του ΤΝΔ, πέραν των χαρακτηριστικών παραμέτρων κάθε αλγόριθμου εκπαίδευσης.

This diploma thesis concerns the estimation of the variation of ground resistance throughout the year by using Artificial Neural Networks (ANNs). Aim of grounding system for each power installation is undoubtedly very important, because it provides safety to personnel and reduces the damages to electrical and electronic equipment providing operational reliability. The contribution of soil resistivity (ρ) in the value of ground resistance (Rg) is great. Soil resistivity depends on many factors, such as moisture, temperature, salt content, type of the soil etc., and varies significantly throughout the year, reaching maximum values during summer months. Two ANN’s models have been trained, validated and tested, based on experimental data of soil resistivity and weather conditions, in order to assess the behavior of the ground resistance of a single rod during a period of ten months. On that purpose a methodology for the optimization of the parameters of different training algorithms and the selection of the optimum algorithm has been implemented. Also the model results from the simulation are compared to the experimental measurements in order to validate the model accuracy. The results predicted by the proposed ANN’s were more than satisfactory for the majority of cases. High correlation index between the predicted and the actual values obtained for the majority of the learning algorithms applied, demonstrates the effectiveness of Artificial Neural Networks in predicting ground resistance. Finally, a sensitivity analysis of the ANN in estimating the ground resistance was carried out, in order to determine the impact of certain factors on the efficiency of the ANN, in addition to the characteristic parameters of each learning algorithm.