تحلیل گازهای محلول در روغن ترانسفورماتور قدرت با استفاده از روشهای یادگیری عمیق
- سال انتشار: 1400
- محل انتشار: نهمین کنفرانس ملی پژوهش های کاربردی در علوم برق ،کامپیوتر و مهندسی پزشکی
- کد COI اختصاصی: ECMECONF09_022
- زبان مقاله: فارسی
- تعداد مشاهده: 727
نویسندگان
دانشجوی دکترای مهندسی برق دانشگاه سمنان
عضو هیات علمی گروه مهندسی برق قدرت دانشگاه سمنان
چکیده
تحلیل گازهای محلول در روغن )DGA(۱ یا آزمایش گازکروماتوگرافی ، مهم ترین و رایج ترین روش تشخیص زودهنگام خطاهای داخلی در ترانسفورماتورها می باشد . یادگیری عمیق به عنوان آخرین دستاورد حوزه یادگیری ماشینی ، دارای کاربردهای گسترده ای در زمینه تشخیص خطاهای داخلی، در سیستمهای مدیریت سلامت تجهیزات می باشد . در این تحقیق ، بعد از مطالعه چالش های پیش روی DGA ،کاربرد انواع تکنیکهای یادگیری عمیق در تشخیص خطاهای داخلی ترانسفورماتورها بر اساس تحلیل گازهای محلول در روغن، بررسی شده و عالوه بر مقایسه آنها ، مزایا و معایب هریک از معماریها و الگوریتم های یادگیری عمیق و نقش آنها در حل چالشهای مطرح برای DGA توضیح داده شده است . مهمترین دستاوردهای استفاده از یادگیری عمیق در زمینه DGA عبارتند از : افزایش دقت تشخیص خطا ، پیش بینی روند گسترش خطا در آینده نزدیک و تصمیم گیری بر اساس پایگاه های داده ناقص . محدودیت اصلی استفاده از تکنیک های یادگیری عمیق در بحث آنالیز گازهای محلول درروغن ، مساله کوچک بودن پایگاه های داده DGA می باشد که روش یادگیری عمیق از طریق انتقال۲ برای رفع این نقیصه، معرفی شده است. به عنوان مطالعه موردی ، ساده ترین و قدیمی ترین معماری یادگ یری عمیق به نام پرسپترون چند لایه )MLP(۳ در محیط نرم افزار داده کاوی RapidMiner بر روی پایگاه داده استاندارد IEC TC ۱۰ پیاده سازی شده و ماتریس ارزیابی دقت مدل مزبور به دست آمده است .کلیدواژه ها
ترانسفورماتور ، تحلیل گازهای محلول در روغن(DGA )، یادگیری ماشینی ، یادگیری عمیقمقالات مرتبط جدید
- بررسی عددی تاثیر لایه مرزی بر عملکرد انتقال حرارت و افت فشار در مبدل های حرارتی
- Quantitative Insights into G Protein Signaling: A Review of Recent SPR Methodologies and Discoveries
- استفاده از دو الگوریتم رمزنگاری AES و DES در راستای افزایش امنیت اطلاعات در شبکه های حسگر بیسیم
- پیشنهاد الگوریتم های بهینه سازی برای طراحی گراف های پیچیده با استفاده از شبکه های مولد (GAN)
- طراحی و ارزیابی مدل های تحلیلی برای تسریع فرایند های تصمیم گیری در تحلیل داده های بزرگ به کمک تکنیک یادگیری ماشین
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.