تشخیص هوشمند خطا در بوبین های کلیدهای قدرت مبتنی بر شبیه سازی چندفیزیکه
Publish place: Journal of Iranian Association of Electrical and Electronics Engineers، Vol: 20، Issue: 2
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 290
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIAE-20-2_013
تاریخ نمایه سازی: 14 اسفند 1401
Abstract:
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، می توان از خطاهای احتمالی و قطعی ناخواسته در شبکه برق جلوگیری کرد. در این مقاله، امکان پایش کلیدهای قدرت و تشخیص و دسته بندی خطاها به واسطه هوش مصنوعی (AI)[۱] بررسی می شود. 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)[۲] و استفاده از سیگنال جریان بوبین (CC)[۳] وصل/قطع برای یک ساختار واقعی از کلید ۵/۷۲ کیلوولتی ارائه می گردد که با بهرهمندی از آن امکان تشخیص و پیشبینی خطا در بخشهای مختلف کلید شامل منبع تغذیه، سیم بندی سیمپیچها، ضامن[۴] و کنتاکتهای کمکی وجود دارد. با شبیه سازی بوبین کلید در نرمافزار COMSOL Multiphysics و اتصال آن به نرمافزار MATLAB، طیف گسترده ای از خطاهای موردنظر شبیهسازی شده و دادههای لازم برای آموزش الگوریتم های یادگیری ماشین (ML)[۵] تامین میشود، الگوریتم های مورد استفاده که وظیفه تشخیص خطا را برعهده دارند، عبارتند از: رگرسیون منطقی[۶]، ماشین بردار پشتیبان (SVM)[۷]، درخت تصمیمگیری[۸] و K-نزدیک ترین همسایه (KNN)[۹] . به این ترتیب می توان انواع خطاهای ممکن را تشخیص داد و طبقه بندی نمود. نتایج نشان می دهد که از میان الگوریتم های فوق، الگوریتم SVM به علت همپوشانی زیاد دادهها عملکرد مناسبی نداشته و بیشترین دقت مربوط به الگوریتم KNN می باشد، بنابراین این الگوریتم برای سیستم تشخیص خطا انتخاب می گردد.
[۱]. Artificial Intelligence
[۲]. Condition-Based Maintenance
[۳]. Coil Current
[۴]. Latch
[۵]. Machine Learning
[۶]. Logistic Regression
[۷]. Support Vector Machine (SVM)
[۸]. Decision Tree (DT)
[۹]. K-Nearest Neighbors (KNN)
Keywords:
high voltage circuit breaker , coil current , artificial intelligence , machine learning , کلید قدرت , جریان بوبین , هوش مصنوعی , یادگیری ماشین
Authors
امیرحسین اسدنجفی
K. N. Toosi Univerisity of Technology
پیمان باقری
K. N. Toosi Univerisity of Technology
معصومه مغفوریان
K. N. Toosi Univerisity of Technology
علی اصغر رضی کاظمی
K. N. Toosi Univerisity of Technology
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :