Buradasınız

Anasayfa » Content

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

DRY TYPE TRANSFORMER WINDING THERMAL ANALYSIS USING DIFFERENT NEURAL NETWORK METHODS

Journal Name:

  • Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi

Publication Year:

  • 2011

Key Words:

Keywords (Original Language):

Author NameUniversity of AuthorFaculty of Author
Abstract (2. Language): 
Artificial Neural Network (ANN) has become a modeling tool frequently used in applications and analyzing the complex problems in different disciplines. In this study, the thermal model of dry type transformer winding is modeled by using three different ANN structure and the most successful network structure is determined related to this modeling. The Neural Networks models used in this thermal modeling analysis are; i- Feed-forward Neural Networks, ii-Elman Recurrent Neural Networks and iii- Nonlinear autoregressive with exogenous inputs (NARX). In addition, Levenberg-Marquardt and Bayesian Regularization teaching algorithms are applied to the three ANN models and the results are compared. The same training algorithm and network structure are applied on two different experiment test data obtained from 3 kVA and 5kVA dry type transformers. The network structure and training algorithms are evaluated by using performance determinant factor. By comparing the results, it is determined that Bayesian regularization is the best training algorithm and NARX recurrent model is the best network structure in thermal analysis of dry type transformer windings.
Bookmark/Search this post with
Abstract (Original Language): 
Yapay sinir ağları (YSA), uygulamalarda ve farklı disiplinlerdeki karmaşık problemlerin analizinde sıklıkla kullanılan bir modelleme aracı haline gelmiştir. Bu çalışmada, kuru tip transformatör sargısının termal modeli üç farklı YSA yapısı kullanılarak modellenmiş ve bu modelleme ile ilgili en başarılı ağ yapısı belirlenmiştir. Termal modelleme analizinde kullanılan sinir ağ modelleri; i- ileri beslemeli ağ yapısına sahip olan çok katmanlı sinir ağı, ii- geri besleme ağ yapısına sahip olan Elman ağı ve iii- Harici girişlerle birlikte lineer olmayan özbağlanımlı ağ modelleri kullanılmıştır. Ayrıca üç YSA modeline, Levenberg-Marquardt ve Bayesian Regulation eğitim algoritmaları uygulanmış ve sonuçlar karşılaştırılmıştır. Aynı ağ yapısı ve aynı eğitim algoritması, 5 KVA ve 3KVA ‘lık transformatörlerden alınan iki farklı deney seti verileri için uygulanmıştır. Performans belirleyici faktörü kullanarak sinir ağ yapıları ve eğitim algoritmaları değerlendirilmiştir. Kuru tip transformatör sargısının termal analizinde kullanılan sonuçların karşılaştırılmasında en iyi yapay sinir ağ modeli NARX ve en iyi eğitim algoritması Bayesian Regulation olarak belirlenmiştir.
FULL TEXT (PDF): 
PDF icon arastirmax-farkli-yapay-sinir-aglari-yontemlerini-kullanarak-kuru-tip-transformator-sargisinin-termal-analizi.pdf
  • 4
905
913
  • Turkish

REFERENCES

References: 

1. “Güç Transformatörleri Sıcaklık Artışı”,TSE
Standart TS 10901 EN 60076-2, 1998.
2. Kömürgöz G., Güzelbeyoğlu N., ” Kendi
kendine soğuyan kuru tip güç
transformatörlerinde sıcaklık dağılımının
belirlenmesi”, itüdergisi/d mühendislik, 1:1
(2002).
3. “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:
10.1109/IEEESTD.1982.106993.
Farklı Yapay Sinir Ağları Yöntemlerini Kullanarak … D. Aşkın ve Ark.
Gazi Üniv. Müh. Mim. Fak. Der. Cilt 26, No 4, 2011 913
4. “IEEE Guide for Loading Dry-Type
Distribution and Power Transformers”, IEEE
Standard ANSI/IEEE C57.96-1999, DOI:
10.1109/IEEESTD.1999.90581
5. 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-
886(2009)
6. 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).
7. 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-
24(2007).
8. 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).
9. Tylavsky, D. , He, Q. , and Si, J. ,
“Transformer Top-oil Temperature Modeling
and Simulation”, IEEE Transactions on
Industry Appl., 1219-1225(2000).
10. 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)
11. Mackay, D.J.C. , “Bayesian interpolation,”
Neural Computation, vol. 4, pp. 415-447,
1992.
12. Bose, B. , “Neural Network Principles and
Applications”, Prentice Hall PTR, United
States of America, 625-657(2002).
13. Hagan, M.T., Demuth, H.B., Beale, M., “Neural
Network Design”, Boston, PWS Publishing
Company, 1995.
14. Maren, A., Harston, C., Pap, R., “Handbook of
Neural Computing Applications”, New York,
Academic Press, 1990.
15. Vas, P., “Artificial Intelligence Based Electrical
Machines and Drivers”, New York, Oxford
University Press, 1999.
16. Hagan, M.T., Menhaj, M., “Training
feedforward networks with the marquardt
algorithm”, IEEE Neural Networks, Vol. 5(6),
pp. 989–993, 1994.
17. Ham, F.M., Kostanic, I., “Principles of
Neurocomputing for Science and Engineering”,
New York, Mc-Graw Hill, 2001.
18. Rojas, R., “Neural Networks A Systematic
Introduction”, New York, Springer Verlag,
1996.
19. 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.
20. 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.

Thank you for copying data from http://www.arastirmax.com