DGA Method-Based ANFIS Expert System for Diagnosing Faults and Assessing Quality of Power Transformer Insulation Oil
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<p class="zhengwen"><span lang="EN-GB">Accurate fault diagnostics and assessment of electrical power transformer insulation oil for lifelong endurance are the key issues addressed in this research. The durability of a transformer is significantly determined by the quality of its insulation oil, which deteriorates over time due to temperature fluctuations and moisture content. Protecting transformers from potential failure through early and precise diagnosis of faults and through efficient assessment of oil quality during the actual conduct of the operation can avoid sizeable economic losses. The ANFIS Expert System that uses intelligent software plays an important role in this regard. The dissolved gas analysis (DGA) in oil is a reliable method for diagnosing faults and assessing insulation oil quality in transformers. The safeguarding teams of transformer power stations often suffer from the occurrence of sudden faults, which result in severe damages and heavy monetary loss. The oil in transformers must be appropriately treated to circumvent such failures. In this research, an ANFIS Expert System was used to diagnose faults and to assess the status and quality of insulation oil in power transformers. A suitable treatment was identified using the Rogers ratio method depending on the DGA in oil. The graphical user interface from the MATLAB environment was used and proven effective for fault diagnosis and oil quality evaluation. The training algorithm is capable of assessing oil quality according to the specifications of the IEEE standard C57-104 and the IEC standard 60599.</span></p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle