Yapay Zeka Yöntemi ile Reaktif Güç Kompanzasyonu Tekniği

Yapay zekâ (YZ) yöntemlerinin elektrik mühendisliğindeki reaktif güç kompanzasyonu (RGK) süreçlerine uygulanmasını detaylı bir biçimde inceleyen bu çalışmada, ilk olarak yapay zekânın tanımı, tarihsel gelişimi ve sezgisel arama, destek vektör makineleri, yapay sinir ağları (YSA), Markov karar süreçleri ile doğal dil işleme gibi temel yöntemleri ele alınmaktadır. Ardından, alternatif akım sistemlerinde iletim verimliliğini artırmak ve voltaj düşüşlerini önlemek adına kritik öneme sahip olan reaktif güç kompanzasyonu kavramı açıklanarak; kondansatör bankaları, senkron kondansatörler ve statik VAR kompansatörleri gibi geleneksel teknikler sunulmaktadır. Kanada'daki bir otomobil ekipmanı üretim tesisinde yaşanan voltaj dalgalanmaları, gürültü kirliliği ve güç faktörü cezaları gibi somut reaktif güç problemleri, gerçek zamanlı reaktif kompansatör çözümleri üzerinden örneklendirilmektedir. Geleneksel elektromekanik sistemlerin yavaş tepki sürelerine karşı, YSA tabanlı kompanzasyon tekniklerinin getirdiği dinamik yenilikler vurgulanmaktadır. YSA'ların yüksek paralellik, öğrenme kabiliyeti, hata toleransı ve gerçek zamanlı bilgi işleme avantajları sayesinde, yük değişimlerine göre hangi kondansatörün devreye alınacağı hassas şekilde belirlenmektedir. Sonuç olarak, Levenberg-Marquardt öğrenme algoritmasıyla eğitilen YSA modellerinin, harmonikleri ve reaktif güç bileşenlerini başarıyla ortadan kaldırarak hem şebeke hem de tüketici açısından enerji kalitesini artırdığı, işletme maliyetlerini düşürdüğü ve sistem kararlılığını optimize ettiği doğrulanmaktadır.

Examining in detail the application of artificial intelligence (AI) methods to reactive power compensation (RPC) processes in electrical engineering, this study first addresses the definition and historical development of artificial intelligence, along with its core methods such as heuristics, support vector machines, artificial neural networks (ANN), Markov decision processes, and natural language processing. Subsequently, the concept of reactive power compensation, which holds critical importance for increasing transmission efficiency and preventing voltage drops in alternating current systems, is explained, and traditional techniques such as capacitor banks, synchronous condensers, and static VAR compensators are presented. Tangible reactive power problems, including voltage fluctuations, noise pollution, and power factor penalties experienced at an automobile equipment manufacturing plant in Canada, are exemplified through real-time reactive compensator solutions. Against the slow response times of traditional electromechanical systems, the dynamic innovations brought by ANN-based compensation techniques are highlighted. Thanks to the high parallelism, learning capability, fault tolerance, and real-time information processing advantages of ANNs, it is precisely determined which capacitor will be switched on according to load variations. Consequently, it is verified that ANN models trained with the Levenberg-Marquardt learning algorithm successfully eliminate harmonics and reactive power components, thereby increasing energy quality, reducing operating costs, and optimizing system stability from both grid and consumer perspectives.