Umělá inteligence v diagnostice výkonových olejových transformátorů
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
P
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstract
Disertační práce se zabývá aplikací expertních systémů a softcomputingových metod v problematice diagnostiky výkonových olejových transformátorů. Práce je rozdělena na část teoretickou a část praktickou. Teoretická část popisuje základními částmi transformátoru a možnostmi jeho diagnostiky. Práce se zaměřuje zejména na diagnostiku izolačního systému a diagnostické metody a přístupy v této oblasti. Následně jsou popsány základy expertních systému a dalších softcomputingových metod jako: fuzzy logika, neuronové sítě, genetické algoritmy a jejich kombinace a rozšíření. Závěrem se teoretická část zabývá optimalizací pomocí umělé inteligence a postupy při optimalizaci fuzzy modelů. Praktická část se v úvodu věnuje rozboru a popisu datového souboru, který je využíván v rámci celé práce. Dále je pak práce členěna do čtyř částí, a to na expertní diagnostický systém transformátorů, modul analýzy plynů rozpuštěných v oleji, predikční modul a optimalizaci pomocí umělé inteligence. V části popisující expertní systém jsou uvedeny konkrétní informace o daném expertním systému, následně jsou zde popsány použité prostředky a techniky. Dále je rozebrán kompletní návrh systému a popis všech subsystémů a modulů. Další část popisuje řešený DGA modul včetně všech zvolených přístupů k jeho implementaci a rozšíření. Na závěr kapitoly je provedeno porovnání všech implementovaných metod a vyhodnocení výsledků. Část třetí, zabývající se predikčním modulem, řeší návrh a konstrukci tohoto modulu včetně popisu hlavních částí obou zvolených predikčních přístupů. Jsou zde uvedeny predikce vybraných veličin z datového souboru pomocí dvou predikčních přístupů: po jednom kroku a po více krocích. Porovnání přesnosti predikcí a výpočetní náročnosti metod je uvedeno v závěru této kapitoly. Poslední část práce se věnuje možnostem optimalizace za použití metod umělé inteligence, a to diferenciální evoluce, částicových (úlových) algoritmů a genetických algoritmů. Je zde zvažována jednoúčelová a víceúčelová optimalizace. Metody jsou porovnány v sérii syntetických testů a následně aplikovány při optimalizaci fuzzy modelů DGA zkoušek z předchozí praktické části práce. Součástí disertace jsou také kapitoly: „Cíle práce“, „Přínos práce“ a seznam publikací, produktů a projektů autora
This dissertation thesis deals with the application of expert systems and soft computing methods in field of power oil transformers. The main work is divided into theoretical and practical part. First, the theoretical part presents the basic elements of the transformer, and approaches to its diagnosis. The work focused mainly on the diagnostics of the insulation system, and diagnostic methods and approaches in this specific area. Next part describes the basics of expert systems and other soft computing methods such as: fuzzy logic, neural networks, genetic algorithms and their combinations and extensions. At the end of the theoretical part, the possibility of optimization approaches by means of artificial intelligence and its application in fuzzy model optimization are described. The practical part begins with description of the used data file that runs through the entire work. The work is then divided into four parts, namely in parts which deal with the expert system for transformer diagnostics, DGA module, prediction module, and optimization using artificial intelligence. The section describing the expert system gives specific information about the particular expert system. The means and techniques used for constructing given system are described, and then the complete system design and description of all subsystems and modules are presented. The next section describes the developed DGA module and all selected approaches to its implementation and expansion. At the end of the chapter, the results of comparison between all implemented methods are evaluated. The third part deals with the prediction module and describes its design and construction, including description of the main parts which are based on the selected predictive approaches. Also, the predictions of selected quantities from the data file are included. There are two predictive approaches being used: the one step prediction, and the multiple step prediction. The comparison of prediction accuracy and computational cost of given methods is presented at the end of this chapter. The last part deals with the possibilities of optimization using artificial intelligence methods, namely differential evolution, PSO, and genetic algorithms. Both the single-objective and the multi-objective optimization are considered. The methods are compared in a series of synthetic tests and then applied to optimize the fuzzy models of DGA tests from an earlier part of this work. The dissertation also includes chapters: "The Aims", "The Contribution of the Work", and a list of publications, products, and projects of the author.
This dissertation thesis deals with the application of expert systems and soft computing methods in field of power oil transformers. The main work is divided into theoretical and practical part. First, the theoretical part presents the basic elements of the transformer, and approaches to its diagnosis. The work focused mainly on the diagnostics of the insulation system, and diagnostic methods and approaches in this specific area. Next part describes the basics of expert systems and other soft computing methods such as: fuzzy logic, neural networks, genetic algorithms and their combinations and extensions. At the end of the theoretical part, the possibility of optimization approaches by means of artificial intelligence and its application in fuzzy model optimization are described. The practical part begins with description of the used data file that runs through the entire work. The work is then divided into four parts, namely in parts which deal with the expert system for transformer diagnostics, DGA module, prediction module, and optimization using artificial intelligence. The section describing the expert system gives specific information about the particular expert system. The means and techniques used for constructing given system are described, and then the complete system design and description of all subsystems and modules are presented. The next section describes the developed DGA module and all selected approaches to its implementation and expansion. At the end of the chapter, the results of comparison between all implemented methods are evaluated. The third part deals with the prediction module and describes its design and construction, including description of the main parts which are based on the selected predictive approaches. Also, the predictions of selected quantities from the data file are included. There are two predictive approaches being used: the one step prediction, and the multiple step prediction. The comparison of prediction accuracy and computational cost of given methods is presented at the end of this chapter. The last part deals with the possibilities of optimization using artificial intelligence methods, namely differential evolution, PSO, and genetic algorithms. Both the single-objective and the multi-objective optimization are considered. The methods are compared in a series of synthetic tests and then applied to optimize the fuzzy models of DGA tests from an earlier part of this work. The dissertation also includes chapters: "The Aims", "The Contribution of the Work", and a list of publications, products, and projects of the author.
Description
Citation
JANDA, O. Umělá inteligence v diagnostice výkonových olejových transformátorů [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2013.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Konstrukční a procesní inženýrství
Comittee
prof. Ing. Zdeněk Kolíbal, CSc. (předseda)
Ing. Radek Szabó, Ph.D. (člen)
Ing. Petr Kratochvíl, Ph.D. (člen)
doc. Ing. Radek Knoflíček, Dr. (člen)
doc. RNDr. Zdeněk Karpíšek, CSc. (člen)
Date of acceptance
2013-01-17
Defence
Přínos práce zhodnotila komise velmi kladně a spatřuje jej zejména ve vytvoření modulu DGA a predikce, jež jsou součástí expertního diagnostického systému a dále zejména v ověření predikčních mechanismů pro snížení citlivosti DGA na nepřesnosti.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení