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.
.jpg){kind=logo}
University of West Attica
