SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2011 / Cilt: 26 Sayı: 4

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

Dildade Aşkın
İres İskender
Ali Mamızadeh
Pages
—
Publication Date
2013-02-20
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Kuru tip transformatör sargısınıntermal analizinde kullanılan sonuçların karşılaştırılmasında en iyi yapay sinir ağ modeli NARX ve en iyi eğitimalgoritması Bayesian Regulation olarak belirlenmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Yapay sinir ağları (YSA), uygulamalarda ve farklı disiplinlerdeki karmaşık problemlerin analizinde sıklıklakullanılan bir modelleme aracı haline gelmiştir.
📊
Key Findings & Data:Bu çalışmada, kuru tip transformatör sargısının termal modeli üçfarklı YSA yapısı kullanılarak modellenmiş ve bu modelleme ile ilgili en başarılı ağ yapısı belirlenmiştir.
💡
Conclusion & Impact:Kuru tip transformatör sargısınıntermal analizinde kullanılan sonuçların karşılaştırılmasında en iyi yapay sinir ağ modeli NARX ve en iyi eğitimalgoritması Bayesian Regulation olarak belirlenmiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Kuru tip transformatör · yapay sinir ağları · dinamik modelleme

Özet

Yapay sinir ağları (YSA), uygulamalarda ve farklı disiplinlerdeki karmaşık problemlerin analizinde sıklıklakullanılan bir modelleme aracı haline gelmiştir. Bu çalışmada, kuru tip transformatör sargısının termal modeli üçfarklı YSA yapısı kullanılarak modellenmiş ve bu modelleme ile ilgili en başarılı ağ yapısı belirlenmiştir. Termalmodelleme analizinde kullanılan sinir ağ modelleri; i- ileri beslemeli ağ yapısına sahip olan çok katmanlı sinirağı, ii- geri besleme ağ yapısına sahip olan Elman ağı ve iii- Harici girişlerle birlikte lineer olmayan özbağlanımlıağ modelleri kullanılmıştır. Ayrıca üç YSA modeline, Levenberg-Marquardt ve Bayesian Regulation eğitimalgoritmaları uygulanmış ve sonuçlar karşılaştırılmıştır. Aynı ağ yapısı ve aynı eğitim algoritması, 5 KVA ve3KVA ‘lık transformatörlerden alınan iki farklı deney seti verileri için uygulanmıştır. Performans belirleyicifaktörü kullanarak sinir ağ yapıları ve eğitim algoritmaları değerlendirilmiştir. Kuru tip transformatör sargısınıntermal analizinde kullanılan sonuçların karşılaştırılmasında en iyi yapay sinir ağ modeli NARX ve en iyi eğitimalgoritması Bayesian Regulation olarak belirlenmiştir.

🔖

Cite This Article

Aşkın, D., İskender, İ., Mamızadeh, A. (2013). FARKLI YAPAY SİNİR AĞLARI YÖNTEMLERİNİ KULLANARAK KURU TİP TRANSFORMATÖR SARGISININ TERMAL ANALİZİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 26 Sayı: 4. https://ajindex.com/articles/1078493

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (83)

  1. “Güç Transformatörleri Sıcaklık Artışı”,TSE
  2. Standart TS 10901 EN 60076-2, 1998.
  3. Kömürgöz G., Güzelbeyoğlu N., ” Kendi
  4. kendine soğuyan kuru tip güç
  5. transformatörlerinde sıcaklık dağılımının
  6. belirlenmesi”, itüdergisi/d mühendislik, 1:1
  7. “IEEE Recommended Practice for Installation,
  8. Application, Operation, and Maintenance of
  9. Dry-Type General Purpose Distribution and
  10. Power Transformers”, IEEE Standard
  11. ANSI/IEEE C57.94-1982, DOI:
  12. IEEESTD.1982.106993
  13. “IEEE Guide for Loading Dry-Type
  14. Distribution and Power Transformers”, IEEE
  15. Standard ANSI/IEEE C57.96-1999, DOI:
  16. IEEESTD.1999.90581
  17. Iskender I., Mamizadeh A., “Thermal
  18. Capacitance Calculation of Top-Oil
  19. Temperature for Power Transformers”,
  20. International Review Of Electrical
  21. Engineering, vol. 4 Issue:5 Part: A pp. 882-
  22. He, Q., Si, J. and Tylavsky, D., “Prediction of
  23. top-oil temperature for transformers using
  24. neural network”, IEEE Transactions on Power
  25. Delivery, 1205-1211(2000).
  26. Nguyen, H.H.,” A neural fuzzy approach to
  27. modeling the thermal behaviour of power
  28. transformers”, Yüksek Lisans Tezi, School of
  29. Electrical Engineering Faculty of Health,
  30. Engineering&Science Victory Univercity, 17-
  31. Galdi, V., Ippolito, L.,Piccola, A., “Neural
  32. Diagnostic System for Transformer Thermal
  33. Overload Protection”, IEE Proc-Electr. Power
  34. Appl., Vol:147, No:5, 415-417(2000).
  35. Tylavsky, D., He, Q., and Si, J.,
  36. “Transformer Top-oil Temperature Modeling
  37. and Simulation”, IEEE Transactions on
  38. Industry Appl., 1219-1225(2000).
  39. Assunçao, T., Silvino, J. and Resende, P.,
  40. and Simulation”, Proceedings of World of
  41. Science Engineering and
  42. Techology,Vol:15,240-245(2006)
  43. Mackay, D.J.C., “Bayesian interpolation,”
  44. Neural Computation, vol. 4, pp. 415-447,
  45. Bose, B., “Neural Network Principles and
  46. Applications”, Prentice Hall PTR, United
  47. States of America, 625-657(2002).
  48. Hagan, M.T., Demuth, H.B., Beale, M., “Neural
  49. Network Design”, Boston, PWS Publishing
  50. Company, 1995.
  51. Maren, A., Harston, C., Pap, R., “Handbook of
  52. Neural Computing Applications”, New York,
  53. Academic Press, 1990.
  54. Vas, P., “Artificial Intelligence Based Electrical
  55. Machines and Drivers”, New York, Oxford
  56. University Press, 1999.
  57. Hagan, M.T., Menhaj, M., “Training
  58. feedforward networks with the marquardt
  59. algorithm”, IEEE Neural Networks, Vol. 5(6),
  60. pp. 989–993, 1994.
  61. Ham, F.M., Kostanic, I., “Principles of
  62. Neurocomputing for Science and Engineering”,
  63. New York, Mc-Graw Hill, 2001.
  64. Rojas, R., “Neural Networks A Systematic
  65. Introduction”, New York, Springer Verlag,
  66. Foo, J.S., Ghosh, P.S., “Artificial Neural
  67. Network Modelling of Partial Discharge
  68. Parameters For Transformer Oil Diagnosis”,
  69. Annual Report Conference on Electrical
  70. Insulation and Dielectric Phenomena,
  71. Malaysia, pp. 470-473, 2002.
  72. Foresee, F.D., Hagan, M.T., “Gauss–Newton
  73. approximation to Bayesian regularization”,
  74. Proc. of Int. Conference on Neural Networks
  75. ICNN’97, pp.1930–1935, 1999.
  76. He, Q., Si, J. and Tylavsky, D., “Prediction of
  77. Delivery, 1205-1211(2000).
  78. Nguyen, H.H.,” A neural fuzzy approach to
  79. Galdi, V., Ippolito, L.,Piccola, A., “Neural
  80. Tylavsky, D., He, Q., and Si, J.,
  81. Assunçao, T., Silvino, J. and Resende, P.,
  82. Mackay, D.J.C., “Bayesian interpolation,”
  83. Bose, B., “Neural Network Principles and