مدلسازی سیستم مدیریت هوش مصنوعی (AIMS) برای ارزیابی سلامت و پیشبینی عمر مفید ترانسفورماتورها بر اساس استاندارد ایزو ۴۲۰۰۱:۲۰۲۳ - یک مطالعه موردی

ترانسفورماتورهای قدرت به عنوان زیرساختهای حیاتی شبکه های الکتریکی، نقش محوری در انتقال و توزیع انرژی ایفا می کنند. مدیریت اثربخش طول عمر این دارایی های گران بها، به منظور تضمین پایداری شبکه و جلوگیری از خاموشی های پرهزینه، از اولویت بالایی برخوردار است. روش های سنتی ارزیابی وضعیت و نگهداری ترانسفورماتورها اغلب ناکارآمد بوده و نیازمند رویکردهای نوین مبتنی بر داده و هوش مصنوعی می باشند. این پژوهش با هدف ارائه یک سیستم مدیریت هوشمند مبتنی بر هوش مصنوعی (AIMS) برای ارتقای مدیریت دارایی ترانسفورماتورهای قدرت و در راستای اصول استاندارد ایزو ۴۲۰۰۱:۲۰۲۳ در زمینه سیستم های مدیریت هوش مصنوعی انجام شده است. هدف اصلی این مطالعه، توسعه و ارزیابی یک مدل پیشگویانه جامع برای ارزیابی دقیق پیری و تخمین عمر مفید باقیمانده (RUL) ترانسفورماتورهای قدرت با استفاده از الگوریتم های ترکیبی یادگیری ماشین و تحلیل داده های حسگرهای بالدرنگ است. در این راستا، داده های چندوجهی شامل پارامترهای عملکردی، شرایط محیطی و اطلاعات حسگرهای نصب شده بر ترانسفورماتورها جمع آوری و پیش پردازش شده و سپس با استفاده از الگوریتم های پیشرفته یادگیری ماشین، شامل شبکه های عصبی عمیق (DNN) و ماشین های بردار پشتیبان (SVM)، مدل های پیش بینی بهینه توسعه یافته اند. نتایج حاصل از ارزیابی مدل پیشنهادی نشان داد که مدل DNN در مقایسه با سایر روش های یادگیری ماشین و روش های سنتی، عملکرد بهتری در پیش بینی و وضعیت پیری و تخمین RUL ترانسفورماتورها ارائه می دهد. مدل توسعه یافته قادر به شناسایی الگوهای پیچیده پیری، تشخیص زودهنگام علائم خرابی و تخمین دقیق عمر باقیمانده با دقت قابل قبولی است. تحلیل حساسیت ویژگی ها نشان داد که دما و تغییرات دما، بیشترین تاثیر را بر فرآیند پیری ترانسفورماتورها دارند. این پژوهش نشان می دهد که پیاده سازی سیستم های مدیریت هوش مصنوعی بر اساس استاندارد ایزو ۴۲۰۰۱ می تواند به طور چشمگیری به بهبود مدیریت دارایی ترانسفورماتورهای قدرت کمک کند. سیستم پیشنهادی با ارائه قابلیت های پیش بینی دقیق، امکان برنامه ریزی بهینه نگهداری مبتنی بر وضعیت (CBM)، کاهش هزینه های نگهداری، افزایش قابلیت اطمینان شبکه و کاهش زمان توقف را فراهم می سازد. چارچوب عملیاتی ارائه شده، راه را برای پیاده سازی صنعتی این سیستم و بهره گیری از مزایای آن در مدیریت دارایی های شبکه های الکتریکی هموار می کند.

کلیدواژه ها:

سیستم مدیریت هوش مصنوعی (AIMS) ، ترانسفورماتور قدرت ، پیری ، پیشبینی عمر مفید باقیمانده (RUL) ، یادگیری ماشین ، شبکه های عصبی عمیق (DNN) ، استاندارد ISO ۴۲۰۰۱ ، مدیریت دارایی ، نگهداری مبتنی بر وضعیت (CBM)