تشخیص عیوب مکانیکی در سیم پیچ‎ ‎های ترانسفورماتور با استفاده از تفسیر پاسخ ‏فرکانسی با استفاده از پرسپترون چند لایه ‏

تکنیک تحلیل پاسخ فرکانس (FRA) در شناسایی عیوب مربوط به ترانسفورماتورهای قدرت موثر و کارا است، اما در تفسیر پاسخ های فرکانسی چالش هایی وجود دارند. این مقاله رویکردی مبتنی بر شاخص های آماری و روش های شبکه عصبی مصنوعی (ANN) برای تفسیر پاسخ های فرکانسی ارایه می کند. روش پیشنهادی پاسخ های فرکانسی را بر اساس فرکانش های رزونانس و آنتی رزونانس به چهار ناحیه فرکانسی تقسیم می کند. سپس از شاخص ضریب همخوانی لین (LCC) به عنوان یکی از مناسب ترین شاخص های عددی برای استخراج ویژگی های چهار ناحیه فرکانسی استفاده می شود. در نهایت، شبکه عصبی پرسپترون چند لایه (MLP) توسط ویژگی های استخراج شده برای شناسایی و تمایز انواع عیوب سیم پیچ آموزش داده می شود. علاوه بر این، الگوریتم های هوشمند دیگری مانند ماشین بردار پشتیبان (SVM)، ماشین یادگیری تشدیدیافته (ELM)، شبکه عصبی احتمالی (PNN) و شبکه عصبی تابع مبنای شعاعی (RBF) برای مقایسه نتایج طبقه بندی استفاده شده اند. تکنیک های پیشنهادی به صورت عملی پیاده سازی شده اند. عیوب جابجایی محوری (AD) و تغییر فاصله بین دیسک ها (DSV) به عنوان دو عیب مکانیکی رایج در مکان ها و شدت های مختلف بر روی سیم پیچ های 20 کیلوولت ترانسفورماتور توزیع قدرت1.6 MVA  اعمال می شوند و پاسخ های فرکانسی مربوطه آنها محاسبه می شود. پاسخ های فرکانسی محاسبه شده از عیوب AD و DSV مجموعه داده های ورودی MLP را تشکیل می دهند. شبکه با بخشی از داده های ورودی آموزش داده می شود و بقیه داده ها به اعتبارسنجی و آزمایش شبکه اختصاص می یابد. نتایج نشان می دهد که روش پیشنهادی با استفاده از مولفه فازی پاسخ های فرکانسی در تفسیر پاسخ های فرکانسی و جداسازی و شناسایی انواع عیوب مکانیکی سیم پیچ های ترانسفورماتور، عملکرد مناسب تری نسبت به سایر روش ها دارد.