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

Yıl 2011, Cilt: 26 Sayı: 4, 0 - , 20.02.2013

Dildade Aşkın İres İskender Ali Mamızadeh

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

• “Güç Transformatörleri Sıcaklık Artışı”,TSE
• Standart TS 10901 EN 60076-2, 1998.
• Kömürgöz G., Güzelbeyoğlu N., ” Kendi
• kendine soğuyan kuru tip güç
• transformatörlerinde sıcaklık dağılımının
• belirlenmesi”, itüdergisi/d mühendislik, 1:1
• (2002).
• “IEEE Recommended Practice for Installation,
• Application, Operation, and Maintenance of
• Dry-Type General Purpose Distribution and
• Power Transformers”, IEEE Standard
• ANSI/IEEE C57.94-1982, DOI:
• 1109/IEEESTD.1982.106993
• “IEEE Guide for Loading Dry-Type
• Distribution and Power Transformers”, IEEE
• Standard ANSI/IEEE C57.96-1999, DOI:
• 1109/IEEESTD.1999.90581
• Iskender I., Mamizadeh A., “Thermal
• Capacitance Calculation of Top-Oil
• Temperature for Power Transformers”,
• International Review Of Electrical
• Engineering, vol. 4 Issue:5 Part: A pp. 882-
• (2009)
• He, Q. , Si, J. and Tylavsky, D. , “Prediction of
• top-oil temperature for transformers using
• neural network”, IEEE Transactions on Power
• Delivery , 1205-1211(2000).
• Nguyen, H.H. ,” A neural fuzzy approach to
• modeling the thermal behaviour of power
• transformers”, Yüksek Lisans Tezi, School of
• Electrical Engineering Faculty of Health,
• Engineering&Science Victory Univercity, 17-
• (2007).
• Galdi, V. , Ippolito, L. ,Piccola, A., “Neural
• Diagnostic System for Transformer Thermal
• Overload Protection”, IEE Proc-Electr. Power
• Appl., Vol:147, No:5, 415-417(2000).
• Tylavsky, D. , He, Q. , and Si, J. ,
• “Transformer Top-oil Temperature Modeling
• and Simulation”, IEEE Transactions on
• Industry Appl., 1219-1225(2000).
• Assunçao, T. , Silvino, J. and Resende, P. ,
• “Transformer Top-oil Temperature Modeling
• and Simulation”, Proceedings of World of
• Science Engineering and
• Techology,Vol:15,240-245(2006)
• Mackay, D.J.C. , “Bayesian interpolation,”
• Neural Computation, vol. 4, pp. 415-447,
• -
• Bose, B. , “Neural Network Principles and
• Applications”, Prentice Hall PTR, United
• States of America, 625-657(2002).
• Hagan, M.T., Demuth, H.B., Beale, M., “Neural
• Network Design”, Boston, PWS Publishing
• Company, 1995.
• Maren, A., Harston, C., Pap, R., “Handbook of
• Neural Computing Applications”, New York,
• Academic Press, 1990.
• Vas, P., “Artificial Intelligence Based Electrical
• Machines and Drivers”, New York, Oxford
• University Press, 1999.
• Hagan, M.T., Menhaj, M., “Training
• feedforward networks with the marquardt
• algorithm”, IEEE Neural Networks, Vol. 5(6),
• pp. 989–993, 1994.
• Ham, F.M., Kostanic, I., “Principles of
• Neurocomputing for Science and Engineering”,
• New York, Mc-Graw Hill, 2001.
• Rojas, R., “Neural Networks A Systematic
• Introduction”, New York, Springer Verlag,
• -
• Foo, J.S., Ghosh, P.S., “Artificial Neural
• Network Modelling of Partial Discharge
• Parameters For Transformer Oil Diagnosis”,
• Annual Report Conference on Electrical
• Insulation and Dielectric Phenomena,
• Malaysia, pp. 470-473, 2002.
• Foresee, F.D., Hagan, M.T., “Gauss–Newton
• approximation to Bayesian regularization”,
• Proc. of Int. Conference on Neural Networks
• ICNN’97, pp.1930–1935, 1999.