دانلود ترجمه مقاله نظارت بر شرایط ترانسفورماتور قدرت با استفاده از مدل سازی عصبی و رویکرد آماری محلی برای تشخیص خطا

1. مقدمه 2. ترانسفورماتورها در شبکه قدرت برق 3. مدل تحلیلی حرارتی ترانسفورماتورهای قدرت برق 4. مدلسازی عصبی فازی شرایط حرارتی ترانسفورماتورهای قدرت 5. تشخیص خطا برای ترانسفورماتورهای قدرت 6. آزمون های شبیه سازی 7. نتیجه گیری

چکیده - نظارت آنلاین بر ترانسفورماتورهای قدرت الکتریکی می تواند نشانه ای واضح از فرسودگی کارکرد آن ارایه دهد. این مقاله مدل‌سازی عصبی و رویکرد آماری محلی به تشخیص خطا برای پی بردن به خطاهای اولیه در ترانسفورماتورهای قدرت را پیشنهاد می کند. این روش می‌تواند خرابی ترانسفورماتور را در مراحل اولیه خود تشخیص دهد و در نتیجه می‌تواند از شرایط بحرانی برای شبکه برق جلوگیری کند. یک شبکه عصبی فازی برای مدل سازی شرایط حرارتی ترانسفورماتور قدرت در عملیات عاری از خطا استفاده می‌شود (شرایط حرارتی مربوط به متغیر دمایی به نام دمای نقطه داغ است). خروجی شبکه عصبی - فازی با اندازه‌گیری های ترانسفورماتور قدرت مقایسه می‌شود و باقی مانده‌ های به‌ دست‌ آمده براساس یک الگوریتم تشخیص خطا و جداسازی تحت پردازش آماری قرار می‌ گیرند. اگر آستانه خطا (که به طور بهینه مطابق با نظریه تشخیص تعریف می‌شود)، از حد تجاوز کند، در آن صورت انحراف از عملیات نرمال می‌تواند در مراحل اولیه آن شناسایی شود و یک هشدار می‌تواند راه‌ اندازی شود. در چندین مورد نیز جداسازی خطا می‌تواند انجام شود، بدین معنی که منابع خطا در مدل ترانسفورماتور قدرت نیز می توانند شناسایی شوند. عملکرد روش پیشنهادی از طریق آزمایش‌ های شبیه‌ سازی تست می‌شود.

On-line monitoring of electric power transformers can provide a clear indication of their status and ageing behavior. This paper proposes neural modeling and the local Statistical approach to fault diagnosis for the detection of incipient faults in power transformers. The method can detect transformer failures at their early stages and consequently can deter critical conditions for the power grid. A neural-fuzzy network is used to model the thermal condition of the power transformer in fault-free operation (the thermal condition is associated to a temperature variable known as hot-spot temperature). The output of the neural-fuzzy network is compared to measurements from the power transformer and the obtained residuals undergo statistical processing according to a fault detection and isolation algorithm. If a fault threshold (that is optimally defined according to detection theory) is exceeded, then deviation from normal operation can be detected at its early stages and an alarm can be launched. In several cases fault isolation can be also performed, i.e. the sources of fault in the power transformer model can be also identified. The performance of the proposed methodology is tested through simulation experiments.