Yol aydınlatma sistemlerine ait etkinlik faktörlerinin ve parıltı düzgünlüğünün yapay sinir ağları ile tahmini

Abstract

Aydınlatma alanında enerji tasarrufu yapılabilmesi için çoğu zaman çok basit tedbirler yeterli olmaktadır. Aydınlatmalarda en fazla enerji kaybı, lambaların gereksiz kullanımından kaynaklanmaktadır. Aydınlatma işi insanların kendi tercihinde olduğunda, insanlar yapay aydınlatma gerekli olsun ya da olmasın, hemen girdikleri ortamın ıșıklarını yakmaktadırlar. Fakat ișleri bitince o mekândan ayrılırken lambaları söndürmeyi ihmal edebilmektedirler. Bu olay genellikle ortak kullanıma açık olan mekanlarda görülmektedir. Bu yüzden aydınlatmada kullanılmakta olan elektrik enerjisinin çok büyük bir kısmı, hiçbir iște kullanılmadan boştan yere heba olmaktadır. Aydınlatma işinde enerji harcamalarını en aza indirgemek için, aydınlık düzeyinin düşürülmeside çözüm değildir. Böyle yapmaktansa, yüzde yüze yaklaşmakta olan kayıpların ve gereksiz olarak yapılan harcamaların olabildiğince önlenmesidir.

Enerji üretim maliyetlerindeki yükselme ve gün geçtikçe her alanda enerji ihtiyacının konusunda ihtiyacın artmasından dolayı enerji konusunda tasarrufun yapılması zorunlu bir hal almış durumdadır. Aydınlatmada enerji tasarrufunda ise, aydınlatma kalitesinde herhangi bir düşüş olmaksızın eşdeğer seviyede aydınlık düzeyleri ekonomik açıdan sağlanarak yapılabilmektedir. İstenmekte olan aydınlatma, aydınlaması istenilen alanlarda lazım olan miktarlarda ışığın gönderilmesiyle mümkün olmaktadır. Böylece kullanılmakta olan alanlar istendiği gibi aydınlatılmış olduğundan enerjide kaybın önüne de geçilmiş olunacaktır. İstenen kalitede aydınlatmayla daha az elektrik enerjisi tüketimi olduğu gibi aynı zamanda kalitesi iyi bir aydınlatmada sağlanmış olunacaktır. İyi bir aydınlatma yapmak için etkinlik faktörü (ışıksal verim) önemli bir ölçüttür. Lambalar da etkinlik faktörü ayarlanarak lambaların harcayacağı elektrik enerjisi en alt seviyeye çekilebilmektedir. Bir lambada etkinlik faktörü değeri ne kadar büyük ise aydınlatma yapmak için o oranda daha az elektrik enerjisi harcanacaktır. Böylece ekonomiye katkı sağlandığı gibi enerji tasarrufuda sağlanacaktır. Ayrıca yol aydınlatmasında enerji tasarrufu için yeterli parıltı düzgünlüğünün sağlanmasıda iyi bir yol aydınlatması için önemli bir kriterdir. Yol aydınlatmasında parıltı düzgünlüğü iyi olduğunda gereksiz olan enerji harcamalarının önünede geçilmiş olunacaktır.

Bu tez çalışmasında, farklı markalardaki lambalara ait lamba türleri, lambaların gerilim değerleri ve lambalara ait renk sıcaklıklarına ait veriler kullanılarak bu lambalara ait etkinlik faktörleri tahmin edilmiştir. Oluşturulmuş olan YSA modeliyle yapılmış olan tahminin sonuçlarına göre farklı türdeki lambalara ait etkinlik faktörü %98’ün üzerinde doğruluk oranı ile tahmin edilmiştir. Yapılacak aydınlatma sistemlerin de aydınlatma kalitesini düşürmeden aynı seviyede aydınlık düzeyini ekonomik şekilde sağlayacak ve ışık verimliliğinin artırılması için hangi etkinlik faktörüne sahip lambanın seçilmesi gerektiğine daha kolay karar verilebilecektir.

Ayrıca belirlenen bir yolda, yol yüzeyindeki parıltı değerleri ölçülmüştür. Yapay sinir ağları kullanılarak tahmin yapılmıştır. Böylece yol üzerinde bulunan belirli noktaların parıltı (cd/m2) değerleri kısa zaman diliminde ve minimum hata ile tahmin etmek mümkün olmuştur. Böylece yol aydınlatma sistemlerinin karmaşık olan trafik yoğunluğundan dolayı yapılamayan ve de uzun süren ölçüm sonuçlarına en kısa zamanda ve daha güvenili olarak yapılmasıda mümkün olacaktır. Her nokta da ölçüm yapılmaya gerek kalmadığından yol aydınlatmasında kullanılan lambaların bakım zamanlarının gelip gelmediğinin belirlenmesi daha kolay olacaktır. Böylece yoldaki trafik akışına engel olmadan belirlenen belli noktalarda ölçüm yapılarak yolun tamamının parıltı değerleri (cd/m2) Yapay Sinir Ağları ile tahmini yapılabilecektir. Bunun için ilk olarak aydınlatma kavramları ve Yapay sinir ağları hakkında bilgi verilmiştir. Daha sonra belirlenen yol yüzeyinde ölçümler yapılmıştır. Ölçümler doğrultusunda elde edilen veriler yapay sinir ağlarıyla eğitilmiştir. Tahminler gerçekleştirilmiştir.

Tezde uygulama bölümüyse üç kısımda gerçekleştirilmiştir. Önce ölçüm yapılacak yol belirlenerek uzunluk ve genişliğine göre çeşitli hesaplamalar yapılmıştır. Yapılan hesaplamalar sonucunda yolun üzerindeki ölçüm yapılacak noktalar işaretlenmiştir. İşaretlenmiş olan noktalarda ‘tripot lüminansmetre’ cihazı kullanılarak yolun parıltı(cd/m2) değerleri farklı nokta ve açılardan ölçülerek elde edilen değerler kayıt altına alınmıştır. İkinci aşamada yapılan ölçümler sonucunda elde edilen verilen tablolara aktarılarak bir kısım veri yapay sinir ağları ile eğitilmiştir. Son aşama olarakta geride kalan parıltı(cd/m2) verileriyle yapay sinir ağlarının parıltı(cd/m2) değeri tahminindeki tutarlılık test edilmiştir.

Tezin son kısmında ise incelenen yol için yapılan yapay sinir ağıyla belirlenen noktalarda elde edilen tahminlerle gerçek değerler arasında uyumluluk irdelenmiştir. Pratikte tasarının uygulanmasıyla ilgili yorumlarda da bulunulmuştur. Sonuçlara bakıldığında yapay sinir ağıyla ile bulunulan tahminlerin gerçeğe yakın ve uygulanabilir sonuç oldukları gözlemlenmiştir.

In order to save energy in the field of lighting, very simple measures are often sufficient. The most energy loss in lighting is due to the unnecessary use of lamps. When the lighting is their choice, people turn on the lights of the environment they enter, whether artificial lighting is necessary or not. However, when they are done with their work, they may neglect to turn off the lamps when they leave the place. This event is usually seen in places open to common use. Therefore, a large part of the electrical energy used in lighting is wasted without being used for any work. In order to minimize the energy expenditure in the lighting business, it is not a solution to reduce the illuminance level. Rather than doing so, it is to prevent as much as possible the approaching losses and unnecessary expenditures.

Due to the increase in energy production costs and the increasing need for energy in every field, it has become a necessity to save on energy. Energy saving in lighting, on the other hand, can be achieved by providing an equivalent level of illumination economically without any decrease in lighting quality. The desired lighting is possible by sending the required amount of light in the areas to be illuminated. Thus, since the areas in use are illuminated as desired, loss of energy will be prevented. With the lighting of the desired quality, less electrical energy consumption will be achieved, as well as a good quality lighting will be provided. The efficiency factor (luminous efficiency) is an important criterion for good lighting. By adjusting the efficiency factor of the lamps, the electrical energy consumed by the lamps can be minimized. The higher the efficiency factor value in a lamp, the less electrical energy will be consumed for lighting. Thus, it will contribute to the economy as well as energy savings. In addition, it is an important criterion for good road lighting to provide sufficient glow uniformity for energy saving in road lighting. When the brightness uniformity is good in road lighting, unnecessary energy expenditures will be avoided.

In this thesis, the efficiency factors of these lamps were estimated by using the lamp types of lamps of different brands, the voltage values of the lamps, the luminous fluxes of the lamps and the color temperatures of the lamps. According to the results of the estimation made with the created ANN model, the efficiency factor of different types of lamps was estimated with an accuracy rate of over 98%. The lighting systems to be built will provide the same level of illumination economically without reducing the lighting quality, and it will be easier to decide which lamp with the efficiency factor should be selected in order to increase the light efficiency.

In addition, the luminance values on the road surface were measured on a determined road. Prediction was made using artificial neural networks. Thus, it has been possible to estimate the luminance (cd/m2) values of certain points on the road in a short time period and with minimum error. Thus, it will be possible to make the road lighting systems, which cannot be done due to the complex traffic density, and to make the measurement results, which take a long time, in the shortest time and more reliably. Since there is no need to measure at every point, it will be easier to determine whether the lamps used in road lighting are in time for maintenance. Thus, the luminance values of the whole road (cd/m2) will be estimated by Artificial Neural Networks by measuring at certain points determined without hindering the traffic flow on the road. For this, firstly, information about lighting concepts and artificial neural networks is given. Then, measurements were made on the determined road surface. The data obtained in line with the measurements were trained with artificial neural networks. Estimates have been made.

The application part of the thesis was carried out in three parts. First, the path to be measured was determined and various calculations were made according to its length and width. As a result of the calculations, the points on the road to be measured are marked. At the marked points, the luminance (cd/m2) values of the road were measured from different points and angles by using the 'tripod luminancemeter' device and the values obtained were recorded. In the second stage, some of the data obtained as a result of the measurements were transferred to the tables and trained with artificial neural networks. As a final step, the consistency in estimating the luminance (cd/m2) value of artificial neural networks with the remaining luminance (cd/m2) data was tested.

In the last part of the thesis, the compatibility between the predictions obtained at the points determined by the artificial neural network made for the examined path and the actual values was examined. Comments on the implementation of the bill in practice were also made. Looking at the results, it has been observed that the predictions made with the artificial neural network are close to the truth and are applicable.