Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Przegląd Elektrotechniczny

2 2013

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Power Transformer Fault Diagnosis based on Dissolved Gas Analysis with Logistic Regression

Božić M., Stojanović M., Stajić Z., Vukić D.

Przegląd Elektrotechniczny

2013

R. 89, nr 6

83--87

Logistic regression (LR) approach for power transformer fault diagnosis, based on dissolved gas analysis (DGA) is presented in this paper. DGA methods proposed by actual standard IEC 60599, often identify wrong fault or cannot even recognize fault type. To overcome these problems, in recent years, several artificial intelligence (AI) approaches are proposed. In this paper LR is applied for the first time in multi-layer and multi class configuration models for transformer fault diagnosis. It is shown that the proposed approach gives a very good classification performance.

Przedstawiono metodę diagnostyki transformatora bazująca na analizie rozpuszczonego gazu metodą logistycznej regresji. Metoda ta umożliwia nie tylko wykrywanie uszkodzeń ale także ich klasyfikację.

LS-SVM model for electrical load prediction based on incremental training set update

Stojanović M., Božić M., Stajić Z., Milošević M.

Przegląd Elektrotechniczny

2013

R. 89, nr 4

194-198

In this paper a forecasting model based on an incremental update scheme is proposed for the hourly load demand of the next day, using least square support vector machines (LS-SVM). The model is based on historical daily load demands in combination with calendar and climate features. The presented model was tested on real-life load data and the results show that the proposed approach can, by catching the evolving nature of the load pattern and dynamically updating the training set with new instances, lead to significant improvements in the accuracy of load forecasts.

W artykule opisano opracowany model przyrostowy do przewidywania godzinowego zapotrzebowania na energię elektryczną na dzień następny, w którym wykorzystano maszynę wektorów pomocniczych LS-SVM. Proponowany model bazuje na wcześniejszych danych, dotyczących zapotrzebowania dziennego w połączeniu z analizą kalendarza i warunków klimatycznych. Badania eksperymentalne na rzeczywistych danych pozwala na skuteczne przewidywanie obciążenia energetycznego.