Zastosowanie samoorganizującej się sieci neuronowej do interpretacji pomierzonych stężeń gazów rozpuszczonych w oleju transformatorowym

• Autorzy: Piotrowski T.

Warianty tytułu

EN

Application of self-organizing neural network to the interpretation of measured concentrations of gases dissolved in transformer oil

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono zaprojektowaną i wytrenowaną samoorganizującą się sieć neuronową z algorytmem uczącym typu WTA. Porównano skuteczność wykrywania defektów na podstawie analizy gazów rozpuszczonych w oleju transformatorowym przez opracowaną sieć i metodę ilorazową podaną w normie PN-IEC 50699.

EN

The paper presents designed and trained self-organizing neural network with WTA learning algorithm. The effectiveness of the detection of faults based on the analysis of gases dissolved in transformer oil by the developed network and quotient method given in IEC 50699 standard was compared.

Słowa kluczowe

PL

transformator energetyczny; wykrywanie defektów; DGA; samoorganizujące się sieci neuronowe

EN

power transformer; fault detection; DGA; self-organizing neural network

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2013
• Tom: R. 89, nr 5
• Strony: 260--262
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Piotrowski T.

• Politechnika Łódzka, Instytut Elektroenergetyki

Bibliografia

• [1] IEEE Std C57.104-2008 (Revision of IEEE Std C57.104-1991), IEEE Guide for the Interpretation of Gases Generated in Oil-Immersed Transformers, (2009)
• [2] PN-IEC 60599, Urządzenia elektryczne impregnowane olejem mineralnym w eksploatacji. Wytyczne interpretacji analizy gazów rozpuszczonych i wolnych, (2010)
• [3] Ramowa instrukcja eksploatacji transformatorów, Energopomiar – Elektryka, Gliwice, (2006)
• [4] Piotrowski T., Zastosowanie logiki rozmytej w diagnostyce transformatorów metodami DGA, Przegląd Elektrotechniczny, 86 (2010), Nr 6, 175-178
• [5] Islam S. M. i in., A Novel Fuzzy Logic Approach to Transformer Fault Diagnosis, IEEE Transactions on Dielectricsand Electrical Insulation, 7 (2000), No. 2, 177-186
• [6] Piotrowski T., Zastosowanie SSN w diagnozowaniu transformatorów na podstawie analizy gazów rozpuszczonych w oleju Przegląd Elektrotechniczny, 86 (2010), nr.11b, 158-161
• [7] Przybyłek P., Walczak K., Pruchnicki M., Interpretacja wyników analizy gazów rozpuszczonych w oleju z użyciem sztucznej sieci neuronowej w aspekcie oceny stanu transformatora energetycznego Przegląd Elektrotechniczny, 86 (2010), Nr 11b, 275-278
• [8] Wang M.-H., Extension neural network for power transformer incipient fault diagnosis, IEE Proceedings on Generation, Transmission and Distribution, Vol. 150 (2003), No. 6, 679-685
• [9] Thang K.F., Aggarwal R.K., McGrail A.J ., Esp D.G., Analysis of Power Transformer Dissolved Gas Data Using the Self-Organizing Map, IEEE Trans. on Power Delivery, 18 (2003), No. 4, 1241-1248
• [10] Rutkowski L., Metody i techniki sztucznej inteligencji, PWN,Warszawa, (2005)