امیر حسین اکبری - کارشناس ارشد مهندسی کامپیوتر ، گروه کامپیوتر ، واحد زنجان ، دانشگاه آزاد اسلامی ، زنجان ، ایران
مجتبی اعجمی - استادیار ، گروه کامپیوتر ، واحد زنجان ، دانشگاه آزاد اسلامی ، زنجان ، ایران
فرهاد قره باغی - استادیار ، گروه کامپیوتر ، واحد زنجان ، دانشگاه آزاد اسلامی ، زنجان ، ایران

ترانسفورماتور های قدرت یکی از مهمترین اجزاء شبکه برق هستند که هرگونه خرابی ناگهانی در آنها تاثیر بزرگی بر روی اطمینان پذیری شبکه انتقال برق می گذارد. بررسی وضعیت ترانسفورماتور ها برای پیش بینی خرابی و مدیریت سلامت تجهیزات متودولوژی نوینی است که با رشد فناوری سنسور ها خصوصا سنسور های وایرلس و سخت افزار های پایش وضعیت از یک سو و ارایه الگوریتم های پیشرفته داده کاوی در حوزه یادگیری ماشین از سوی دیگر ، امکان ارایه برنامه ریزی جامع نگهداری قبل از وقوع خرابی را ممکن ساخته است. در این مقاله تکنیک های داده کاوی بگار گرفته شده در نگهداری پیشگویانه با استفاده از آنالیز داده های گازهای محلول در روغن تراسنفورماتورهای قدرت به منظور اجتناب از خرابی های ناگهانی و توقف های خارج از برنامه مورد مطالعه قرار گرفته است. نتایج حاصل از تحقیقات نشان میدهد اگر چه در مواردی چون حجم داده های آموزشی تولید شده، قابلیت اطمینان سیگنال های رسیده از سنسور ها و تجهیزات پایش وضعیت و دقت رفتار مدل های ارزیابی وضعیت، کمبود هایی مشاهده می گردد لیکن بکار گیری الگوریتم های غیر خطی یادگیری ماشین جهت تشخیص الگو های غیر عادی و پیش بینی عمر مفید باقیمانده با استفاده از داده های حاصله از آزمایش تحلیل وضعیت گازهای محلول روغن ترانسفورماتور ، عملکرد بهتری را نسبت به مدل های خطی دارد. همچنین روش های مذکور در تخمین رابطه بین مشخصه های روغن و شاخص سلامت عایق ترانسفورماتور موفق بوده اند.

نگهداری پیشگویانه، تراسنفورماتور های قدرت، داده کاوی، یادگیری ماشین، آنالیز گاز های محلول، نگهداری مبتنی بر وضعیت، فرسودگی روغن