بکارگیری شبکه عصبی پایه شعاعی و الگوریتم ژنتیک در عیب یابی ترانسفورماتور ها با استفاده از تحلیل گاز های محلول در روغن ترانسفورماتور

ترانسفورماتور های قدرت یکی از مهمترین اجزاء شبکه برق هستند که هرگونه خرابی ناگهانی در آنها تاثیر بزرگی بر روی اطمینان پذیری شبکه انتقال برق می گذارد. روشهای گوناگونی برای ارزیابی وضعیت ترانسفورماتور (اضافه دما، تخلیه جزیی و...) پیشنهاد شده است که تاکنون یکی از مطمین ترین و عملی ترین آنها آنالیز گازهای محلول در روغن می باشد. این در حالیست که تحقیقات صورت گرفته بیشتر متمرکز بر داده های محلی بوده و نیز تحقیق جامعی درباره مقایسه روش های داده کاوی بر روی مجموعه داده های استاندارد بین المللی مورد تایید IEC ارایه نشده است.در این مقاله مهمترین تکنیک های داده کاوی در نگهداری پیشگویانه با استفاده از آنالیز داده های گازهای محلول در روغن ترانسفورماتورهای قدرت مورد ارزیابی قرار گرفته است.در این ارزیابی دقت و کارایی شبکه عصبی مصنوعی RBF با روش های کرنل گوسی در مدل بردار ماشین پشتیبان ، درخت تصمیم 4.5C و K- نزدیک ترین همسایه مورد مقایسه قرار گرفته است. نتایج حاصل از تحقیق نشان می دهد بکار گیری الگوریتم های غیر خطی چند کلاسه یادگیری ماشین جهت تشخیص الگو های خطا با استفاده از داده های حاصله از پایگاه داده تحلیل وضعیت گازهای محلول روغن ترانسفورماتورهای معیوب منتشر شده در مستند IEC TC 10 کمیسیون بین المللی الکترونیک (IEC)، عملکرد بهتری را نسبت به مدل های سنتی دارد. در بین روش های مورد ارزیابی ، روش شبکه های عصبی مصنوعی RBFو 7 درصد کارایی تشخیص نوع خرابی را ارتقا داده و بهترین دسته بندی را داشته است.

کلیدواژه ها:

نگهداری پیشگویانه ، ترانسفورماتور های قدرت ، داده کاوی ، یادگیری ماشین ، آنالیز گاز های محلول ، نگهداری مبتنی بر وضعیت ، شبکه عصبی مصنوعی