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: 750
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
- تحلیل انطباقی کیفیت و میزان محبوبیت خدمات ابری با بررسی و مقایسه رتبه بندی Tranco و رتبه بندی عملکردی شرکت های ابری
- طبقه بندی سیگنال های EEG ثبت شده از قشر پیش پیشانی به منظور کشف اثر موسیقی در شدت احساسات با استفاده از شبکه عصبی مصنوعی و پرسشنامه
- ارائه رویکردی برای مدیریت ریسک در پروژه های نرمافزاری با استفاده از خوشه بندی تجمعی
- تحلیل احتمالنقض ترتیب علیتی پیام ها در یک الگوریتم پخش علیتی در سیستمهای توزیع شده
- بهینه سازی به سبک گربه های شنی: الگوریتمی برای جستجوی کارآمد و مدیریت ازدحام
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.