Διάγνωση βλαβών μετασχηματιστών ισχύος μέσω τεχνητών νευρωνικών δικτύων

Γούλας, Ιωάννης

dc.contributor.advisor	Καμινάρης, Σταύρος
dc.contributor.author	Γούλας, Ιωάννης
dc.date.accessioned	2024-11-05T13:58:59Z
dc.date.available	2024-11-05T13:58:59Z
dc.date.issued	2024-10-08
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/7976
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-7808
dc.description.abstract	Η εφαρμογή της Τεχνητής Νοημοσύνης για την ανίχνευση βλαβών σε μετασχηματιστές ισχύος αποτελεί ένα σημαντικό πεδίο έρευνας, επιτρέποντας την προηγμένη και αποτελεσματική παρακολούθηση της κατάστασης των ενεργειακών υποδομών. Η χρήση Νευρωνικών Δικτύων ενισχύει τη διαδικασία εντοπισμού βλαβών, παρέχοντας σημαντικά πλεονεκτήματα σε ό,τι αφορά την ακρίβεια και την ταχύτητα αναγνώρισης. Τα Τεχνητά Νευρωνικά Δίκτυα, εμπνευσμένα από τη λειτουργία του ανθρώπινου εγκεφάλου, αποτελούν τον πυρήνα της βαθιάς μάθησης. Αυτά τα δίκτυα αποτελούνται από διασυνδεδεμένους κόμβους, με τους συντελεστές των συνδέσεων τους να προσαρμόζονται κατά τη διάρκεια της διαδικασίας μάθησης. Ο στόχος είναι η ελαχιστοποίηση του σφάλματος μεταξύ της προβλεπόμενης έξοδου του δικτύου και της πραγματικής έξοδου, προσφέροντας έτσι αξιόπιστα αποτελέσματα. Σε εφαρμογές όπως η ταυτοποίηση εικόνων, η επεξεργασία φυσικής γλώσσας, η αναγνώριση ομιλίας, η ιατρική διάγνωση, και η χρηματιστηριακή διαπραγμάτευση, η βαθιά μάθηση έχει επιδείξει αξιοσημείωτη απόδοση. Στον τομέα της ενέργειας, η εφαρμογή της στον εντοπισμό βλαβών σε μετασχηματιστές ισχύος επιτρέπει την άμεση ανίχνευση προβλημάτων και την πρόληψη ενδεχόμενων ζημιών. Οι αλγόριθμοι βαθιάς μάθησης μπορούν να εκπαιδευτούν σε μεγάλα σύνολα δεδομένων, επιτρέποντας την εξαγωγή σύνθετων μοτίβων που θα ήταν δύσκολο να ανιχνευθούν από απλούστερες μεθόδους μηχανικής μάθησης. Η αυξημένη χωρητικότητα των νευρωνικών δικτύων συμβάλλει στην ακρίβεια των αποτελεσμάτων, ενώ η δυνατότητα γρήγορης πρόβλεψης καθιστά τους αλγόριθμους αποτελεσματικούς σε πρακτικές εφαρμογές. Στον τομέα της ενέργειας, η εξέλιξη αυτών των τεχνικών συνιστά ένα σημαντικό βήμα προς τη βελτίωση της αξιοπιστίας και της αποτελεσματικότητας των ενεργειακών συστημάτων. Παρά την πρόοδο που έχει σημειωθεί, είναι σημαντικό να είμαστε επιφυλακτικοί και να κατανοούμε τα όρια των αλγορίθμων βαθιάς μάθησης, προωθώντας την υπεύθυνη χρήση αυτών των τεχνολογιών σε εφαρμογές πραγματικού κόσμου. Στην παρούσα εργασία παρουσιάζεται η συνδυασμένη χρήση των Νευρωνικών Δικτύων και της συμβατικής μεθόδου Ανάλυσης Διαλυμένων Αερίων (Dissolved Gas Analysis, DGA). Αυτός ο συνδιασμός οδηγεί σε αύξηση της αξιοπιστίας και της ακρίβειας της πρόβλεψης βλαβών, που είναι δύσκολο να αναγνωριστούν με την παραδοσιακή ανάλυση. Τα νευρωνικά δίκτυα προσομοιώνονται με τη βοήθεια του λογισμικό MATLAB. Για την υλοποίηση του πειράματος χρησιμοποιούνται από την βιβλιογραφία πραγματικά δείγματα αερίων που έχουν παραχθεί σε υπό βλάβη μετασχηματιστές.	el
dc.format.extent	89	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	DGA	el
dc.subject	Ανάλυση διαλυμένων αερίων	el
dc.subject	Πολυστρωματικά Perceptron	el
dc.subject	MLP	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Χημικές μέθοδοι	el
dc.subject	MATLAB	el
dc.title	Διάγνωση βλαβών μετασχηματιστών ισχύος μέσω τεχνητών νευρωνικών δικτύων	el
dc.title.alternative	Detection of power transformer faults through artificial neural networks	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Καραϊσάς, Πέτρος
dc.contributor.committee	kalkanis, konstantinos
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών	el
dc.description.abstracttranslated	The application of Artificial intelligence to detect faults in transformers represents a significant area of research, enabling advanced and efficient monitoring of energy infrastructure. Neural networks enhance the fault detection process, providing significant advantages in terms of accuracy and speed of recognition. Artificial neural networks, inspired by the functioning of the human brain, form the core of deep learning. These networks consist of interconnected nodes, with the coefficients of their connections adapting during the learning process. The goal is to minimise the error between the predicted output of the network and the actual output, ensuring reliable results. In applications such as image identification, natural language processing, speech recognition, medical diagnosis, and financial trading, deep learning has demonstrated remarkable performance. In the energy sector, its application to fault detection in transformers allows for the immediate identification of problems and prevention of potential damages. Deep learning algorithms can be trained on large datasets, enabling the extraction of complex patterns that would be challenging to detect with simpler machine learning methods. The increased capacity of neural networks contributes to result accuracy, while their ability to predict rapidly makes the algorithms effective in practical applications. In the field of energy, the evolution of these techniques constitutes a significant step toward improving the reliability and efficiency of energy systems. Despite the progress made, it is crucial to approach the use of deep learning algorithms with caution and understand their limitations, promoting responsible deployment of these technologies in real-world applications. This work presents the combined use of Artificial Neural Networks and the conventional Dissolved Gas Analysis (DGA) method. This combination improves the reliability and accuracy of fault diagnosis, which is difficult to identify with traditional analysis. Neural networks are simulated using MATLAB software. The experiment is implemented using real gas samples produced in damaged transformers, which are sourced from the literature.	el

Files in this item

Name:: Goulas_45703.pdf
Size:: 4.302Mb
Format:: PDF

View/Open

This item appears in the following Collection(s)

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές