Εκτίμηση της αντίστασης γείωσης κατακόρυφων ηλεκτροδίων με χρήση τεχνητών νευρωνικών δικτύων (Τ.Ν.Δ.) – Βελτιστοποίηση Τ.Ν.Δ. μέσω ρύθμισης παραμέτρων και επιλογής εισόδων

Παπαϊωάννου, Αγγελική

dc.contributor.author	Παπαϊωάννου, Αγγελική	el
dc.date.accessioned	2020-12-21T09:17:36Z
dc.date.available	2020-12-21T09:17:36Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52633
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20331
dc.relation	Grounding Systems/Ground Resistance/Artficial Intelligence/Artificial Neural Networks/Back Propagation Algorithm/Συστήματα Γείωσης/Αντίσταση Γείωσης/Υπολογιστική Νοημοσύνη/Τεχνητά Νευρωνικά Δίκτυα/Αλγόριθμος Ανάστροφης Διάδοσης Σφάλματος	el
dc.rights	Default License
dc.subject	Συστήματα γείωσης	el
dc.subject	Αντίσταση γείωσης	el
dc.subject	Υπολογιστική νοημοσύνη	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Αλγόριθμος ανάστροφης διάδοσης σφάλματος	el
dc.subject	Grounding systems	en
dc.subject	Ground resistance	en
dc.subject	Artficial intelligence	en
dc.subject	Artificial neural networks	en
dc.subject	Back propagation algorithm	en
dc.title	Εκτίμηση της αντίστασης γείωσης κατακόρυφων ηλεκτροδίων με χρήση τεχνητών νευρωνικών δικτύων (Τ.Ν.Δ.) – Βελτιστοποίηση Τ.Ν.Δ. μέσω ρύθμισης παραμέτρων και επιλογής εισόδων	el
dc.contributor.department	ΕΡΓΑΣΤΗΡΙΟ ΥΨΗΛΩΝ ΤΑΣΕΩΝ ΚΑΙ ΗΛΕΚΤΡΙΚΩΝ ΜΕΤΡΗΣΕΩΝ	el
heal.type	bachelorThesis
heal.classification	Πληροφορική	el
heal.classification	Ηλεκτρικές Διατάξεις	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-12-10
heal.abstract	Τα συστήματα γείωσης αποτελούν βασικό μέρος ενός συστήματος προστασίας των ηλεκτρικών εγκαταστάσεων. Για να είναι αποτελεσματικό ένα σύστημα γείωσης, θα πρέπει η συνολική αντίσταση γείωσης να είναι μικρή, ώστε να παρέχεται ένας δρόμος υψηλής αγωγιμότητας προς τη γη. Όμως, η τιμή της αντίστασης γείωσης ενός ηλεκτροδίου δεν παραμένει σταθερή. Δύο βασικοί παράγοντες που προκαλούν αυτήν τη μεταβολή είναι η θερμοκρασία και η υγρασία του εδάφους, τα οποία μεταβάλλονται κατά τη διάρκεια του έτους. Κρίνεται λοιπόν απαραίτητη η τακτική γνώση της τιμής της αντίστασης γείωσης, ώστε να λαμβάνονται επιπλέον απαραίτητα μέτρα ή και να γίνονται οι αναγκαίες βελτιώσεις/προσθήκες στο ηλεκτρόδιο γείωσης. Όμως, η συστηματική μέτρησή της συχνά δεν είναι εφικτή λόγω τεχνικών δυσκολιών. Η παρούσα διπλωματική εργασία πραγματεύεται την εκτίμηση της τιμής της αντίστασης γείωσης κατακόρυφων ηλεκτροδίων, με τη χρήση τεχνητών νευρωνικών δικτύων κατά τη διάρκεια του έτους, βασιζόμενη σε δεδομένα βροχόπτωσης. Η εκτίμηση έγινε για πέντε κατακόρυφα ηλεκτρόδια, το ένα σε φυσικό έδαφος και τα υπόλοιπα εγκιβωτισμένα σε διαφορετικά βελτιωτικά υλικά. Το μοντέλο τεχνητού νευρωνικού δικτύου διέθετε μόνο ένα κρυφό στρώμα και η εκπαίδευσή του βασίστηκε στον αλγόριθμο της προς τα πίσω διάδοσης σφάλματος, με μεταβλητό ρυθμό μάθησης και όρο ορμής. Μελετήθηκαν πολλά σενάρια, το καθένα με διαφορετικό πλήθος νευρώνων στο στρώμα εισόδου. Για κάθε σενάριο, ο αλγόριθμος εκπαίδευσης εκτελέστηκε πέντε φορές, μεταβάλλοντας κάθε φορά κάποιες από τις εξής παραμέτρους: πλήθος νευρώνων κρυφού στρώματος, όρος ορμής, ρυθμός μάθησης, συναρτήσεις ενεργοποίησης. Στο τέλος κάθε εκτέλεσης γινόταν η επιλογή της τιμής της παραμέτρου που ελαχιστοποιούσε το σφάλμα. Με τη διαδικασία αυτή αναζητήθηκε η βέλτιστη επιλογή παραμέτρων.	el
heal.abstract	Grounding systems are an essential part of an electrical protection system. For a grounding system to be effective, the total ground resistance must be small to provide a high conductivity path to earth. However, the ground resistance of an electrode does not remain constant. Two key factors that cause this change are temperature and soil moisture, which change throughout the year. It is therefore mandatory to know the value of the ground resistance regularly, in order to take additional required measures or to make the necessary improvements/additions to the ground electrode. However, its systematic measurement is often not possible e.g. due to the location of the installation. This diploma thesis deals with the estimation of the ground resistance of vertical electrodes, using artificial neural networks during the year, based on rainfall data. The estimation was made for five vertical electrodes, one in natural ground and the rest boxed in different enhancement compounds. The artificial neural network model had only one hidden layer and its training was based on the back propagation algorithm, with variable learning rate and momentum. Many scenarios were studied, each with a different number of neurons in the input layer. For each scenario, the training algorithm was executed five times, each time changing one of the following parameters: number of hidden layer neurons, momentum term, learning rate, activation functions. At the end of each run, the value of the parameter that minimized the error was selected. With this process the optimal choice of parameters was sought.	en
heal.advisorName	Γκόνος, Ιωάννης	el
heal.committeeMemberName	Σταθόπουλος, Ιωάννης	el
heal.committeeMemberName	Τσεκούρας, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικής Ισχύος. Εργαστήριο Υψηλών Τάσεων και Ηλεκτρικών Μετρήσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	219 σ.	el
heal.fullTextAvailability	false