MétaCan
Menu
Retour à la cohorte
Enregistrement W4310036665 · doi:10.3390/en15238885

Diagnosing Disk-Space Variation in Distribution Power Transformer Windings Using Group Method of Data Handling Artificial Neural Networks

2022· article· en· W4310036665 sur OpenAlex
Omid Elahi, Reza Behkam, Gevork B. Gharehpetian, Fazel Mohammadi

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueEnergies · 2022
Typearticle
Langueen
DomaineEngineering
ThématiquePower Transformer Diagnostics and Insulation
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésElectromagnetic coilSmart gridArtificial neural networkFault (geology)Electric power systemEngineeringTest dataTransformerComputer scienceData-drivenReliability engineeringElectronic engineeringReal-time computingArtificial intelligencePower (physics)VoltageElectrical engineering

Résumé

récupéré en direct d'OpenAlex

Monitoring centers in the smart grid exchange the collected data by sensors and smart meters to monitor the current conditions and performance of electric power components. Distribution Power Transformers (DPTs) have a key role in maintaining the integrity of power flow in the smart grid. Online monitoring of DPTs to detect possible faults can potentially increase the reliability of modern power systems. Mechanical defects of DPTs are the major issues in their proper operation that must be detected in their early stage of occurrence. One of the most effective solutions for diagnosing mechanical defects in DPTs is Frequency Response Analysis (FRA). In this study, an appropriate condition monitoring scheme for DPTs is developed to identify even minor winding defects. Disk-Space Variation (DSV), a common DPT windings fault, is applied to the 20 kV-winding of a 1.6 MVA DPT in various locations and with different severity. Their corresponding frequency responses are then computed, and all four components of the frequency responses, i.e., amplitude, argument, and real and imaginary parts, are evaluated. Different data-driven-based indices are implemented to extract appropriate feature vectors in the preprocessing stage. Group Method of Data Handling (GMDH) Artificial Neural Networks is proposed to assist monitoring centers in interpreting FRA signatures and identifying DPT defects at primary stages. GMDH has a data-dependent structure, which gives high flexibility to modeling nonlinear characteristics of FRA test results with different data sizes. It is demonstrated that the proposed approach is capable of accurately determining the fault location and fault severity. The proposed Artificial Intelligence (AI)-based approach is used to extract essential features from frequency response traces in order to detect the position and degree of Disk-Space Variation (DSV) in the DPT windings. The experimental results verify the effectiveness of the proposed methods in determining the severity and location of DSV defects.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,504
Score d'incertitude au seuil0,639

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,265
Écart entre enseignants0,240 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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