تحلیل گازهای محلول در روغن ترانسفورماتور قدرت با استفاده از روشهای یادگیری عمیق

تحلیل گازهای محلول در روغن )DGA(۱ یا آزمایش گازکروماتوگرافی ، مهم ترین و رایج ترین روش تشخیص زودهنگام خطاهای داخلی در ترانسفورماتورها می باشد . یادگیری عمیق به عنوان آخرین دستاورد حوزه یادگیری ماشینی ، دارای کاربردهای گسترده ای در زمینه تشخیص خطاهای داخلی، در سیستمهای مدیریت سلامت تجهیزات می باشد . در این تحقیق ، بعد از مطالعه چالش های پیش روی DGA ،کاربرد انواع تکنیکهای یادگیری عمیق در تشخیص خطاهای داخلی ترانسفورماتورها بر اساس تحلیل گازهای محلول در روغن، بررسی شده و عالوه بر مقایسه آنها ، مزایا و معایب هریک از معماریها و الگوریتم های یادگیری عمیق و نقش آنها در حل چالشهای مطرح برای DGA توضیح داده شده است . مهمترین دستاوردهای استفاده از یادگیری عمیق در زمینه DGA عبارتند از : افزایش دقت تشخیص خطا ، پیش بینی روند گسترش خطا در آینده نزدیک و تصمیم گیری بر اساس پایگاه های داده ناقص . محدودیت اصلی استفاده از تکنیک های یادگیری عمیق در بحث آنالیز گازهای محلول درروغن ، مساله کوچک بودن پایگاه های داده DGA می باشد که روش یادگیری عمیق از طریق انتقال۲ برای رفع این نقیصه، معرفی شده است. به عنوان مطالعه موردی ، ساده ترین و قدیمی ترین معماری یادگ یری عمیق به نام پرسپترون چند لایه )MLP(۳ در محیط نرم افزار داده کاوی RapidMiner بر روی پایگاه داده استاندارد IEC TC ۱۰ پیاده سازی شده و ماتریس ارزیابی دقت مدل مزبور به دست آمده است .

کلیدواژه ها:

ترانسفورماتور ، تحلیل گازهای محلول در روغن(DGA ) ، یادگیری ماشینی ، یادگیری عمیق