FARKLI YAPAY SİNİR AĞLARI YÖNTEMLERİNİ KULLANARAK KURU TİP TRANSFORMATÖR SARGISININ TERMAL ANALİZİ

Öz

Yapay sinir ağları (YSA), uygulamalarda ve farklı disiplinlerdeki karmaşık problemlerin analizinde sıklıklakullanılan bir modelleme aracı haline gelmiştir. Bu çalışmada, kuru tip transformatör sargısının termal modeli üçfarklı YSA yapısı kullanılarak modellenmiş ve bu modelleme ile ilgili en başarılı ağ yapısı belirlenmiştir. Termalmodelleme analizinde kullanılan sinir ağ modelleri; i- ileri beslemeli ağ yapısına sahip olan çok katmanlı sinirağı, ii- geri besleme ağ yapısına sahip olan Elman ağı ve iii- Harici girişlerle birlikte lineer olmayan özbağlanımlıağ modelleri kullanılmıştır. Ayrıca üç YSA modeline, Levenberg-Marquardt ve Bayesian Regulation eğitimalgoritmaları uygulanmış ve sonuçlar karşılaştırılmıştır. Aynı ağ yapısı ve aynı eğitim algoritması, 5 KVA ve3KVA ‘lık transformatörlerden alınan iki farklı deney seti verileri için uygulanmıştır. Performans belirleyicifaktörü kullanarak sinir ağ yapıları ve eğitim algoritmaları değerlendirilmiştir. Kuru tip transformatör sargısınıntermal analizinde kullanılan sonuçların karşılaştırılmasında en iyi yapay sinir ağ modeli NARX ve en iyi eğitimalgoritması Bayesian Regulation olarak belirlenmiştir.

Anahtar Kelimeler

• Kuru tip transformatör, yapay sinir ağları, dinamik modelleme, geri besleme

Kaynakça

1. “Güç Transformatörleri Sıcaklık Artışı”,TSE
2. Standart TS 10901 EN 60076-2, 1998.
3. Kömürgöz G., Güzelbeyoğlu N., ” Kendi
4. kendine soğuyan kuru tip güç
5. transformatörlerinde sıcaklık dağılımının
6. belirlenmesi”, itüdergisi/d mühendislik, 1:1
7. (2002).
8. “IEEE Recommended Practice for Installation,

9. Application, Operation, and Maintenance of
10. Dry-Type General Purpose Distribution and
11. Power Transformers”, IEEE Standard
12. ANSI/IEEE C57.94-1982, DOI:
13. 1109/IEEESTD.1982.106993
14. “IEEE Guide for Loading Dry-Type
15. Distribution and Power Transformers”, IEEE
16. Standard ANSI/IEEE C57.96-1999, DOI:
17. 1109/IEEESTD.1999.90581
18. Iskender I., Mamizadeh A., “Thermal
19. Capacitance Calculation of Top-Oil
20. Temperature for Power Transformers”,
21. International Review Of Electrical
22. Engineering, vol. 4 Issue:5 Part: A pp. 882-
23. (2009)
24. He, Q. , Si, J. and Tylavsky, D. , “Prediction of
25. top-oil temperature for transformers using
26. neural network”, IEEE Transactions on Power
27. Delivery , 1205-1211(2000).
28. Nguyen, H.H. ,” A neural fuzzy approach to
29. modeling the thermal behaviour of power
30. transformers”, Yüksek Lisans Tezi, School of
31. Electrical Engineering Faculty of Health,
32. Engineering&Science Victory Univercity, 17-
33. (2007).
34. Galdi, V. , Ippolito, L. ,Piccola, A., “Neural
35. Diagnostic System for Transformer Thermal
36. Overload Protection”, IEE Proc-Electr. Power
37. Appl., Vol:147, No:5, 415-417(2000).
38. Tylavsky, D. , He, Q. , and Si, J. ,
39. “Transformer Top-oil Temperature Modeling
40. and Simulation”, IEEE Transactions on
41. Industry Appl., 1219-1225(2000).
42. Assunçao, T. , Silvino, J. and Resende, P. ,
43. “Transformer Top-oil Temperature Modeling
44. and Simulation”, Proceedings of World of
45. Science Engineering and
46. Techology,Vol:15,240-245(2006)
47. Mackay, D.J.C. , “Bayesian interpolation,”
48. Neural Computation, vol. 4, pp. 415-447,
49. -
50. Bose, B. , “Neural Network Principles and
51. Applications”, Prentice Hall PTR, United
52. States of America, 625-657(2002).
53. Hagan, M.T., Demuth, H.B., Beale, M., “Neural
54. Network Design”, Boston, PWS Publishing
55. Company, 1995.
56. Maren, A., Harston, C., Pap, R., “Handbook of
57. Neural Computing Applications”, New York,
58. Academic Press, 1990.
59. Vas, P., “Artificial Intelligence Based Electrical
60. Machines and Drivers”, New York, Oxford
61. University Press, 1999.
62. Hagan, M.T., Menhaj, M., “Training
63. feedforward networks with the marquardt
64. algorithm”, IEEE Neural Networks, Vol. 5(6),
65. pp. 989–993, 1994.
66. Ham, F.M., Kostanic, I., “Principles of
67. Neurocomputing for Science and Engineering”,
68. New York, Mc-Graw Hill, 2001.
69. Rojas, R., “Neural Networks A Systematic
70. Introduction”, New York, Springer Verlag,
71. -
72. Foo, J.S., Ghosh, P.S., “Artificial Neural
73. Network Modelling of Partial Discharge
74. Parameters For Transformer Oil Diagnosis”,
75. Annual Report Conference on Electrical
76. Insulation and Dielectric Phenomena,
77. Malaysia, pp. 470-473, 2002.
78. Foresee, F.D., Hagan, M.T., “Gauss–Newton
79. approximation to Bayesian regularization”,
80. Proc. of Int. Conference on Neural Networks
81. ICNN’97, pp.1930–1935, 1999.