Ανάλυση δεδομένων υπερπήδησης τάσης σε μονωτήρες (Flashover Voltage On Insulators) με αλγόριθμους υπολογιστικής νοημοσύνης

 
Το τεκμήριο παρέχεται από τον φορέα :

Αποθετήριο :
Ιδρυματικό Αποθετήριο Ελλάνικος (Hellanicus)
δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*
κοινοποιήστε το τεκμήριο




2015 (EL)

Ανάλυση δεδομένων υπερπήδησης τάσης σε μονωτήρες (Flashover Voltage On Insulators) με αλγόριθμους υπολογιστικής νοημοσύνης (EL)

Καραμπότσης, Ευάγγελος

Πανεπιστήμιο Αιγαίου. Σχολή Επιστημών της Διοίκησης. Τμήμα Μηχανικών Οικονομίας και Διοίκησης. Οικονομική και Διοίκηση για Μηχανικούς. (EL)

The aim of this Thesis is the modeling of the phenomenon of flashover voltage on polluted insulators using Artificial Neural Networks.The insulators, which belong to a network or a facility of electricity, are some of the current attributes for the proper operation of a network or a facility. The pollution of insulators is a major problem, which contributes to the emergence of the phenomenon of flashover voltage.The flashover voltage on polluted insulators is one of the main factors, that are responsible for the malfunction or the breakdown of a network or a facility of electricity. The phenomenon of flashover occurs frequently in areas with high rates of humidity and industrial pollution.During the years, several investigators demonstrated various mathematical models in order to predict the voltage value wherein the flashover phenomenon occurs. These mathematical models, however, were quite complex and most of them are based on empirical relationships. Taking advantage, therefore, the evolution of technology and tools, it offers the science of artificial intelligence, several algorithms e were designed, which predictive the critical flashover voltage on polluted insulators. In this study used artificial neural networks. Artificial neural networks are a powerful and evolving tool offered by the science of artificial intelligence, whose operating principle is based on an artificial simulation of the operation of a biological neural network.Specifically, using the software WKEA, 1985 architectures of multi-layer perceptron (one hidden layer) were trained and validated under the supervision by the method of batch mode using the back propagation algorithm with the procedure 10-fold cross validation.The purpose of the trials was to find the optimal artificial neural network, the testing of this on unknown input data and comparing the results with the corresponding results of a second problem modeling method, which was the multiple linear regression.The application of the technique (modeling) of the multiple linear regression problem (on the problem of flashover voltage on polluted insulators) was performed using the software WEKA. The data which was used for the modeling of the problem and the test of this, was exactly the same as the one which was used in the training-validation and testing, respectively, of the artificial neural network. The data base of the problem of flashover voltage on polluted insulates consists of values of the variables of the problem which are arising from the application of a particular mathematical model and of the experimental observations by a particular type insulators.The statistical analysis of the data, the results and the design of the corresponding statistical charts were performed using the software Statistica Version 7.The result of the comparison between the two modeling methods that were used for abstracting the problem of flashover voltage on polluted insulators point as the optimal method of artificial neural networks. The comparison between the two methods was made according to the correlation and the mean squared error between predicted and actual values of the critical flashover voltage.Finally, in comparison with similar predictive models (several researchers) the results of the artificial neural network are considered satisfing with potential for improvement.
Σκοπός αυτής της διπλωματικής εργασίας είναι η μοντελοποίηση του φαινομένου της Υπερπήδησης Τάσης σε Ρυπασμένους Μονωτήρες χρησιμοποιώντας Τεχνητά Νευρωνικά Δίκτυα. Οι μονωτήρες σε ένα δίκτυο ή μια εγκατάσταση ηλεκτρικής ενέργειας αποτελούν βασικό χαρακτηριστικό για τη ορθή λειτουργεία του δικτύου ή της εγκατάστασης. Η ρύπανση των μονωτήρων αποτελεί ένα βασικό πρόβλημα που συντελεί στη εμφάνιση του φαινομένου της υπερπήδησης τάσης.Η υπερπήδηση τάσης σε ρυπασμένους μονωτήρες είναι από του κυριότερους παράγοντες που οδηγούν στη μη σωστή λειτουργεία (ως και κατάρρευση) ενός συστήματος παροχής ηλεκτρικής ενέργειας. Τα φαινόμενο της υπερπήδησης εμφανίζεται συχνά σε περιοχές με αυξημένα ποσοστά υγρασίας και βιομηχανικής ρύπανσης.Κατά τη πάροδο των ετών, αρκετοί ερευνητές παρουσιάσανε διάφορα μαθηματικά μοντέλα με σκοπό τη πρόβλεψη της τιμής της τάσης όπου εμφανίζεται το φαινομένου της υπερπήδησης. Τα συγκεκριμένα μαθηματικά μοντέλα, όμως, ήταν αρκετά περίπλοκα και τα περισσότερα από αυτά στηριζόταν σε εμπειρικές σχέσεις. Εκμεταλλευόμενοι, λοιπόν, τη εξέλιξη της τεχνολογίας και τα εργαλεία που προσφέρει η επιστήμη της Τεχνητής Νοημοσύνης σχεδιάστηκαν διάφοροι αλγόριθμοι πρόβλεψης της κρίσιμης τάσης υπερπήδησης σε ρυπασμένους μονωτήρες.Στη συγκεκριμένη εργασία χρησιμοποιήθηκαν τα Τεχνητά Νευρωνικά Δίκτυα. Τα τεχνητά νευρωνικά δίκτυα αποτελούν ένα δυνατό και εξελισσόμενο εργαλείο της τεχνητής νοημοσύνης των οποίων η αρχή λειτουργίας βασίζεται στη τεχνητή προσομοίωση της λειτουργίας ενός βιολογικού νευρωνικού δικτύου.Συγκεκριμένα, με τη χρήση του λογισμικού WEKA πραγματοποιήθηκε η επιβλεπόμενη εκπαίδευση και αξιολόγηση 1985 αρχιτεκτονικών πολυ-επίπεδων τεχνητών νευρωνικών δικτύων (ενός κρυφού επιπέδου) με τη μέθοδο της μαζικής εκπαίδευσης-αξιολόγησης χρησιμοποιώντας τον αλγόριθμο ανάστροφης μετάδοσης του σφάλματος και με τη διαδικασία 10-fold cross validation. Σκοπός των δοκιμών ήταν η εύρεση του βέλτιστου τεχνητού νευρωνικού δικτύου, η δοκιμή αυτού σε άγνωστα δεδομένα εισαγωγής και η σύγκριση των αποτελεσμάτων του με τα αντίστοιχα αποτελέσματα μιας δεύτερης μεθόδου μοντελοποίησης του προβλήματος, η οποία ήταν η Πολλαπλή Γραμμική Παλινδρόμηση. Η εφαρμογή της τεχνικής (μοντελοποίησης) της πολλαπλής γραμμικής παλινδρόμησης στο πρόβλημα της υπερπήδησης τάσης σε ρυπασμένους μονωτήρες πραγματοποιήθηκε με τη χρήση του λογισμικού WEKA. Τα δεδομένα στα οποία στηρίχτηκε η μοντελοποίηση του προβλήματος καθώς και η δοκιμή αυτού ήταν ακριβώς τα ίδια που χρησιμοποιήθηκαν στην εκπαίδευση-αξιολόγηση και δοκιμή, αντιστοίχως, του τεχνητού νευρωνικού δικτύου.Η βάση δεδομένων του προβλήματος αποτελείται από τιμές των μεταβλητών του προβλήματος που προέρχονται από τη εφαρμογή ενός συγκεκριμένου μαθηματικοί μοντέλου και από πειραματικές παρατηρήσεις.Η στατιστική ανάλυση των δεδομένων, των αποτελεσμάτων καθώς και ο σχεδιασμός των αντίστοιχων στατιστικών διαγραμμάτων πραγματοποιήθηκε με τη χρήση του λογισμικού Statistica Version 7. Τα αποτέλεσμα της σύγκρισης μεταξύ των δυο μεθόδων μοντελοποίησης που χρησιμοποιήθηκαν για τη μοντελοποίηση του προβλήματος της υπερπήδησης τάσης σε ρυπασμένους μονωτήρες αναδεικνύουν ως βέλτιστη μέθοδο τα τεχνητά νευρωνικά δίκτυα. Η σύγκριση μεταξύ των δυο μεθόδων έγινε ως προς τη συσχέτιση και το μέσο τετραγωνικό σφάλμα που υπάρχει μεταξύ προβλεπόμενων και πραγματικών τιμών της κρίσιμης τάσης υπερπήδησης.Τέλος, σε σύγκριση με παρόμοια μοντέλα πρόβλεψης (διάφορων ερευνητών). τα αποτελέσματα του τεχνητού νευρωνικού δικτύου, της συγκεκριμένης εργασίας, κρίνονται ικανοποιητικά με περιθώρια βελτίωσης.

masterThesis

Κρίσιμη τάση (EL)
Τεχνητά νευρωνικά δίκτυα (EL)
Υπερπήδηση (EL)
Pollution (EL)
Μονωτήρες (EL)
Artificial neural networks (EL)
Ρύπανση (EL)
Flashover (EL)
Insulators (EL)
Weka (EL)
Critical voltage (EL)


2015


2015-11-19T10:57:33Z

Χίος




*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.