دوره 20، شماره 2 - ( مجله مهندسی برق و الکترونیک ایران - جلد 20 شماره 2 1402 )
جلد 20 شماره 2 صفحات 158-143 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Asadnajafi A, Bagheri P, Maghfourian M, Razi-Kazemi A A. Intelligent fault diagnosis of high voltage circuit breaker coils based on multiphysics simulation. Journal of Iranian Association of Electrical and Electronics Engineers 2023; 20 (2) :143-158
URL: http://jiaeee.com/article-1-1465-fa.html
URL: http://jiaeee.com/article-1-1465-fa.html
اسدنجفی امیرحسین، باقری پیمان، مغفوریان معصومه، رضی کاظمی علی اصغر. تشخیص هوشمند خطا در بوبین‌های کلیدهای قدرت مبتنی بر شبیهسازی چندفیزیکه. نشریه مهندسی برق و الکترونیک ایران. 1402; 20 (2) :143-158
دانشکده مهندسی برق- دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده: (1442 مشاهده)
کلیدهای قدرت نقش بسزایی بر پایداری شبکه برق و رفع سریع خطا در این شبکه دارند. بنابراین، پایش مستمر این تجهیزات بحرانی به منظور تشخیص خرابیهای متداول الزامی است. در این صورت، می‌توان از خطاهای احتمالی و قطعی ناخواسته در شبکه برق جلوگیری کرد. در این مقاله، امکان پایش کلیدهای قدرت و تشخیص و دسته‌بندی خطاها به واسطه هوش مصنوعی (AI)[1] بررسی میشود. در این رویکرد امکان پیشگیری از وقوع خطا وجود خواهد داشت که باعث کاهش هزینههای نگهداری خواهد شد. به همین منظور پایش عملکرد کلیدهای قدرت، با استراتژی نگهداری مبتنی بر وضعیت (CBM)[2] و استفاده از سیگنال جریان بوبین (CC)[3] وصل/قطع برای یک ساختار واقعی از کلید 5/72 کیلوولتی ارائه می‌گردد که با بهرهمندی از آن امکان تشخیص و پیشبینی خطا در بخشهای مختلف کلید شامل منبع تغذیه، سیم‌بندی سیمپیچها، ضامن[4] و کنتاکتهای کمکی وجود دارد. با شبیهسازی بوبین کلید در نرمافزار COMSOL Multiphysics و اتصال آن به نرمافزار MATLAB، طیف گسترده‌ای از خطاهای موردنظر شبیهسازی شده و دادههای لازم برای آموزش الگوریتم‌های یادگیری ماشین (ML)[5] تامین میشود، الگوریتم‌های مورد استفاده که وظیفه تشخیص خطا را برعهده دارند، عبارتند از: رگرسیون منطقی[6]، ماشین بردار پشتیبان (SVM)[7]، درخت تصمیمگیری[8] و K-نزدیک‌ترین همسایه (KNN)[9] . به این ترتیب می‌توان انواع خطاهای ممکن را تشخیص داد و طبقه‌بندی نمود. نتایج نشان می‌دهد که از میان الگوریتم‌های فوق، الگوریتم SVM به علت همپوشانی زیاد دادهها عملکرد مناسبی نداشته و بیشترین دقت مربوط به الگوریتم KNN می‌باشد، بنابراین این الگوریتم برای سیستم تشخیص خطا انتخاب می‌گردد.
چکیده مبسوط [PDF 279 KB] (18 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License (CC BY NC 4.0) قابل بازنشر است. |
