PRIMARY FAULT DETECTION OF TRANSFORMER USING NEURAL NETWORK
سال انتشار: 1396
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 531
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
MAEMT02_018
تاریخ نمایه سازی: 11 مرداد 1396
چکیده مقاله:
The most widely recognized determination technique for power transformer faults is the dissolved gas analysis (DGA) of transformer oil. Different strategies have been produced to define DGA results such as key gas method and roger’s ratio method. The present methodology uses IEC 60599 ratio method to distinguish fault in transformers, which is having the benefit of using three gas proportions rather than four gas proportions. In some cases, the DGA results cannot be coordinated by the current codes, making the diagnosis unsuccessful in multiple faults. To overcome this issue, we have proposed the utilization of neural networks to demonstrate their capability to recognize the primary faults in transformers.
کلیدواژه ها:
نویسندگان
Alireza Hamedi
Department of Power and Control Engineering, Shiraz University
Ali Reza Seifi
Department of Power and Control Engineering, Shiraz University
Saeed Nejadfard Jahromi
Department of Power and Control Engineering, Shiraz University
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :