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 του εκάστοτε αλγόριθμου εκπαίδευσης.