سال 1405، دوره 13، شماره 52، صفحات 16-5
ارزیابی شاخص سلامت و سن ظاهری ترانسفورماتورهای قدرت با استفاده از مدل یادگیری ماشین مبتنی بر رگرسیون گرادیان بوستینگ
KNO-1302-5201
نویسندگان:محمدمهدی توکلی ،سید سعید موسوی
کلمات کلیدی:
ترانسفورماتورهای قدرت، رگرسیون گرادیان بوستینگ، سن ظاهری، شاخص سلامت، یادگیری عمیق
چکیده:
ترانسفورماتورهای قدرت از گرانقیمتترین و حیاتیترین اجزای شبکههای انتقال و توزیع انرژی الکتریکی محسوب میشوند و پایش مستمر وضعیت عملکردی آنها بهمنظور جلوگیری از خروجهای ناگهانی و کاهش هزینههای سنگین تعمیرات، از اهمیت بالایی برخوردار است. ارزیابی دقیق وضعیت ناوگان ترانسفورماتورها نیازمند تحلیل جامع و یکپارچه دادههای حاصل از آزمونهای تشخیصی شیمیایی، آزمونهای الکتریکی و همچنین پارامترهای حرارتی و بهرهبرداری است. در این پژوهش، یک سیستم هوشمند و دادهمحور مبتنی بر الگوریتمهای یادگیری ماشین و یادگیری عمیق، با تمرکز بر الگوریتم پیشنهادی GBR، بهمنظور محاسبه شاخص سلامت (Health Index – HI) و تخمین سن ظاهری یا امید به زندگی (Life Expectancy – LE) ترانسفورماتورهای قدرت توسعه داده شده است. مدل پیشنهادی با استفاده از مجموعهدادههای واقعی آموزش داده شده و مراحل پیشپردازش، تنظیم پارامترها و ارزیابی عملکرد آن بهصورت جامع انجام گرفته و در نهایت کارایی روش پیشنهادی در مقایسه با الگوریتمهای متداول یادگیری ماشین و یادگیری عمیق با استفاده از معیارهای ارزیابی رگرسیون مقایسه شده است. نتایج شبیهسازی نشان میدهد که مدل پیشنهادی GBR به دلیل توانایی بالا در یادگیری روابط غیرخطی، با دستیابی به بیشترین مقدار ضریب تعیین (R²) و کمترین میزان خطا عملکرد بهتری نسبت به سایر روشها در تخمین شاخص سلامت و سن ظاهری ترانسفورماتور ارائه میدهد. این روش میتواند بهعنوان ابزاری مؤثر در مدیریت بهینه داراییها، افزایش قابلیت اطمینان شبکه و برنامهریزی تعمیرات پیشگیرانه در صنعت برق مورد استفاده قرار گیرد.