تحلیل پیش بینانه و مدل سازی ناخطی خرابی تجهیزات پست های فشار قوی با رویکردهای پیشرفته داده کاوی و الگوریتم های هوشمند یادگیری ماشین

پست های فشار قوی به عنوان ارکان حیاتی شبکه انتقال و توزیع انرژی الکتریکی، نیازمند پایداری و قابلیت اطمینان بسیار بالایی هستند. هرگونه خرابی ناگهانی و پیش بینی نشده در تجهیزات کلیدی این پست ها، به ویژه ترانسفورماتورهای قدرت، منجر به قطعی های گسترده، خسارات سنگین مالی به زیرساخت ها و کاهش شاخص های قابلیت اطمینان شبکه می گردد. در این پژوهش، یک چارچوب جامع و نوین مبتنی بر تکنیک های پیشرفته داده کاوی و الگوریتم های یادگیری ماشین به منظور تحلیل جامع رفتار خرابی و پیش بینی روندهای آتی تجهیزات توسعه یافته است. فرآیند تحقیق با گردآوری داده های عملیاتی و مانیتورینگ آنلاین شامل پارامترهای حرارتی (دمای روغن و سیم پیچ)، پارامترهای الکتریکی (ولتاژ، جریان و توان اکتیو و راکتیو)، گزارش های تعمیر و نگهداری دوره ای و اطلاعات شرایط جوی محیطی آغاز گردید. پس از انجام پیش پردازش های ضروری، نویززدایی و مدیریت داده های پرت، از الگوریتم های خوشه بندی پیشرفته برای شناسایی الگوهای پنهان ریسک و وضعیت های غیرعادی تجهیزات بهره گرفته شد. در ادامه، مدل های پیش بینی ناخطی یادگیری ماشین شامل جنگل تصادفی (Random Forest)، ماشین بردار پشتیبان (SVM) با هسته تابع شعاعی و شبکه های عصبی مصنوعی پیش خور (ANN) پیاده سازی شدند. نتایج حاصل از ارزیابی مدل ها روی داده های تجربی واقعی نشان داد که نوسانات شدید ولتاژ عبوری و الگوهای حرارتی غیرعادی بیشترین همبستگی را با نرخ خرابی عایقی دارند. مدل های پیشنهادی با دقت بسیار بالا توانایی پایش آنلاین وضعیت ترانسفورماتورها و استقرار سیستم های نگهداری پیشگویانه را دارا می باشند و به بهبود شاخص های کلی بهره برداری کمک بسزایی می کنند.

کلیدواژه ها:

پست های فشار قوی ، پیش بینی خرابی ، داده کاوی ، یادگیری ماشین ، نگهداری پیشگویانه ، هسته گاوسی ، ترانسفورماتور قدرت