ارزیابی شاخص سلامت و سن ظاهری ترانسفورماتورهای قدرت با استفاده از مدل یادگیری ماشین مبتنی بر رگرسیون گرادیان بوستینگ

چکیده

ترانسفورماتورهای قدرت از گران قیمت ترین و حیاتی ترین اجزای شبکه های انتقال و توزیع انرژی الکتریکی محسوب می شوند و پایش مستمر وضعیت عملکردی آن ها به منظور جلوگیری از خروج های ناگهانی و کاهش هزینه های سنگین تعمیرات، از اهمیت بالایی برخوردار است. ارزیابی دقیق وضعیت ناوگان ترانسفورماتورها نیازمند تحلیل جامع و یکپارچه داده های حاصل از آزمون های تشخیصی شیمیایی، آزمون های الکتریکی و همچنین پارامترهای حرارتی و بهره برداری است. در این پژوهش، یک سیستم هوشمند و داده محور مبتنی بر الگوریتم های یادگیری ماشین و یادگیری عمیق، با تمرکز بر الگوریتم پیشنهادی GBR، به منظور 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 مجموعه داده های واقعی آموزش داده شده و مراحل پیش پردازش، تنظیم پارامترها و ارزیابی عملکرد آن به صورت جامع انجام گرفته و در نهایت کارایی روش پیشنهادی در مقایسه با الگوریتم های متداول یادگیری ماشین و یادگیری عمیق با استفاده از معیارهای ارزیابی رگرسیون مقایسه شده است. نتایج شبیه سازی نشان می دهد 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 روش ها در تخمین شاخص سلامت و سن ظاهری ترانسفورماتور ارائه می دهد. این روش می تواند به عنوان ابزاری موثر در مدیریت بهینه دارایی ها، افزایش قابلیت اطمینان شبکه و برنامه ریزی تعمیرات پیشگیرانه در صنعت برق مورد استفاده قرار گیرد.