KaydedilenlerDerginizi ekleyin

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

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

Dildade AŞKIN
İres İSKENDER
Ali MAMIZADEH
Sayfa
0
Yayın Tarihi
2013-02-20
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

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

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Yapay sinir ağları (YSA), uygulamalarda ve farklı disiplinlerdeki karmaşık problemlerin analizinde sıklıklakullanılan bir modelleme aracı haline gelmiştir.
📊
Temel Bulgular & Veri:Bu çalışmada, kuru tip transformatör sargısının termal modeli üçfarklı YSA yapısı kullanılarak modellenmiş ve bu modelleme ile ilgili en başarılı ağ yapısı belirlenmiştir.
💡
Sonuç & Katkı:Kuru tip transformatör sargısınıntermal analizinde kullanılan sonuçların karşılaştırılmasında en iyi yapay sinir ağ modeli NARX ve en iyi eğitimalgoritması Bayesian Regulation olarak belirlenmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler: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.

🔖

Bu Makaleye Atıf Yap

AŞKIN, D., İSKENDER, İ., MAMIZADEH, A. (2013). FARKLI YAPAY SİNİR AĞLARI YÖNTEMLERİNİ KULLANARAK KURU TİP TRANSFORMATÖR SARGISININ TERMAL ANALİZİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 26 - Sayı: 4, 0. https://ajindex.com/articles/20736

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  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). “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: 1109/IEEESTD.1982.106993 “IEEE Guide for Loading Dry-Type Distribution and Power Transformers”, IEEE Standard ANSI/IEEE C57.96-1999, DOI: 1109/IEEESTD.1999.90581 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- (2009)
  3. 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).
  4. 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- (2007).
  5. 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).
  6. Tylavsky, D., He, Q., and Si, J., “Transformer Top-oil Temperature Modeling and Simulation”, IEEE Transactions on Industry Appl., 1219-1225(2000).
  7. 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)
  8. Mackay, D.J.C., “Bayesian interpolation,” Neural Computation, vol. 4, pp. 415-447, - Bose, B., “Neural Network Principles and Applications”, Prentice Hall PTR, United States of America, 625-657(2002).
  9. Hagan, M.T., Demuth, H.B., Beale, M., “Neural Network Design”, Boston, PWS Publishing Company, 1995.
  10. Maren, A., Harston, C., Pap, R., “Handbook of Neural Computing Applications”, New York, Academic Press, 1990.
  11. Vas, P., “Artificial Intelligence Based Electrical Machines and Drivers”, New York, Oxford University Press, 1999.
  12. Hagan, M.T., Menhaj, M., “Training feedforward networks with the marquardt algorithm”, IEEE Neural Networks, Vol. 5(6), pp. 989–993, 1994.
  13. Ham, F.M., Kostanic, I., “Principles of Neurocomputing for Science and Engineering”, New York, Mc-Graw Hill, 2001.
  14. Rojas, R., “Neural Networks A Syst