دانشکده مهندسی برق- دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده: (711 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.
. Artificial Intelligence
. Condition-Based Maintenance
. Support Vector Machine (SVM)
. K-Nearest Neighbors (KNN)
نوع مقاله:
پژوهشي |
موضوع مقاله:
قدرت دریافت: 1401/2/16 | پذیرش: 1401/7/9 | انتشار: 1401/12/7