هوشمندسازی تشخص خطای ترانسفورماتور: رویکرد نوین مبتنی بر یادگیری عمیق درآنالیز گازهای محلول در روغن

در این پژوهش، رویکردی نوآورانه مبتنی بر یادگیری عمیق برای تشخیص نقص های ترانسفورماتورهای قدرت در شبکه های انتقال و فوق توزیع با استفاده از تحلیل گازهای محلول در روغن (DGA) ارائه شده است. ترانسفورماتورها به عنوان تجهیزات حیاتی این شبکه ها، نیازمند نظارت دقیق و مداوم هستند، زیرا هرگونه نقص در عملکرد آنها می تواند پیامدهای جبران ناپذیر اقتصادی و خاموشی های گسترده را به همراه داشته باشد. این تحقیق با تمرکز بر افزایش دقت و قابلیت اطمینان در تشخیص نقص ها، یک معماری شبکه ی عصبی عمیق را طراحی و پیاده سازی کرده است. این معماری قادر به شناسایی الگوهای پیچیده و پنهان در داده های گازهای محلول در روغن بوده و فرآیند تشخیص را با حداقل دخالت انسانی انجام می دهد. برای غلبه بر محدودیت دسترسی به داده های واقعی، یک مجموعه داده جامع با بهره گیری از تکنیک های شبیه سازی پیشرفته ایجاد شده و اعتبار آن با معیارهای استاندارد مثلث دووال تایید گردیده است. شبکه ی عصبی عمیق طراحی شده، توانایی استخراج و یادگیری ویژگی های پیچیده از داده های DGA را دارا می باشد. نتایج ارزیابی ها حاکی از برتری چشمگیر مدل پیشنهادی نسبت به روش های متداول است. این مدل با دستیابی به دقت تشخیص بالای ۵۹ درصد در شناسایی انواع نقص ها و بهبود ۰۴ درصدی در سرعت تشخیص، عملکرد مطلوب تری در مقایسه با الگوریتم های ۲NN-k و جنگل تصادفی از خود نشان داده است. علاوه بر این، مدل توسعه یافته با غلبه بر محدودیت های روش های سنتی، امکان تشخیص خودکار و دقیق نقص ها را فراهم آورده است.

کلیدواژه ها:

تشخیص نقص ترانسفورماتور ، تحلیل گازهای محلول در روغن ، یادگیری عمیق ، مثلث دووال ، نگهداری پیشگویانه ، هوش مصنوعی ، شبکه های عصبی عمیق ، پردازش داده های صنعتی