Health Assessment of Solid Insulation of Mineral Oil-Filled Converter Transformer
Notice bibliographique
Résumé
The furan prediction in the transformer oil can provide information about the oil degradation rate and overall health of the oil-filled transformer. For this study, the furan content in mineral oil of a 300 MVA converter transformer installed at ±500 kV HVDC inverter station is taken. Six features are taken as input to the machine learning model to predict the furan content for predictive maintenance of the converter transformer, i.e., carbon monoxide, carbon-di-oxide, acidity, breakdown voltage, total combustible gases, and water content. A hybrid ML model is developed consisting of a convolutional neural network-long short-term memory network (CNN-LSTM) and extreme gradient boosting (XGBoost). Then, the mean absolute percentage error with recursive weighting (MAPE-RW) technique is employed to combine the predictions of two models to achieve better outcomes than a single model. For this purpose, a total of 350 data are collected from the local utilities for training and testing. Moreover, a total of 41 numbers of data are collected from the converter transformer for validation of the proposed model. The performance of the proposed algorithm is evaluated by mean absolute error, root means squared error, and coefficient of determination. The hybrid model is also compared with other models to show its efficacy and robustness. Depending upon the furan prediction, converter transformer insulation health is classified into three classes for preventive maintenance.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».