تشخیص و طبقه بندی هوشمند خطاهای داخلی ترانسفورماتور با داه های DGAو یادگیری ماشین

ترانسفورماتورها به عنوان تجهیزات حیاتی شبکه های قدرت، نقش کلیدی در پایداری و بهره وری شبکه ایفا می کنند. خطاهای داخلی مانند جرقه جزئی، تخلیه بیش از حد و حرارت موضعی می توانند باعث خرابی های جدی و هزینه های بالای تعمیراتی شوند. تحلیل گازهای محلول در روغن (DGA) یکی از روش های مرسوم برای تشخیص زودهنگام این خطاهاست، اما روش های سنتی مبتنی بر قواعد دستی محدودیت هایی در دقت و قابلیت تعمیم دارند. در این پژوهش، یک مدل هوشمند بر پایه یادگیری ماشین برای تشخیص و طبقه بندی خطاهای داخلی ترانسفورماتور توسعه یافته است. داده های DGA جمع آوری شده از ترانسفورماتورهای صنعتی پس از پیش پردازش و استخراج ویژگی ها به الگوریتم های مختلف یادگیری ماشین از جمله شبکه عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM) و درخت تصمیم ارائه شدند. نتایج شبیه سازی نشان می دهد که مدل ANN با دقت بیش از ۹۵٪ قادر به تشخیص صحیح انواع خطاها است و مدل های دیگر نیز دقت های قابل قبول بالای ۸۵٪–۹۰٪ ارائه کردند. این تحقیق نشان می دهد که استفاده از یادگیری ماشین در تحلیل داده های DGA می تواند ابزار موثری برای مانیتورینگ هوشمند و پیش بینی خطاهای ترانسفورماتور باشد و زمینه را برای بهبود قابلیت اطمینان شبکه های قدرت فراهم می کند.