TECHNOLOGY FOR THE USE OF CONVOLUTIONAL NEURAL NETWORKS IN DIAGNOSING TRANSFORMER STATUS

Article Sidebar

Abstract views: 265
PDF Downloads: 119
pdf (rus) (Русский)
Published: Sep 27, 2021
Keywords:
сверточная нейронная сеть, диагностика, классификация, трансформатор, неплановый отказ, короткое замыкание обмоток, магнитопровод, пожар в стали, моделирование coupling neural network, diagnostics, classification, transformer, non-planning failure, short closure of windings, magnetic circuit, fire in steel, modeling
Issue
No. 12 (2021)
Section
Physics

Main Article Content

A. PEHOTA
Belarusian State University of Transport, Gomel
V. GALUSHKO
Belarusian State University of Transport, Gomel
https://orcid.org/0000-0003-4833-8820
I. GROMYKO
Belarusian State University of Transport, Gomel
https://orcid.org/0000-0001-9339-6363

Abstract

The use of convolutional neural networks for the purpose of monitoring the state of transformers is justified. Possible damage to transformers is analyzed: inter-turn short circuits, phase-to-phase short circuits, defects in the interlayer insulation of the magnetic circuit, local closure of steel plates and "fire" in steel. Convolutional neural networks have been developed to diagnose the state of transformers in real time in order to analyze incoming information, classify various deviations and diagnose defects. The results obtained make it possible to reduce the number of unscheduled failures by informing in advance about the development of damage.

Article Details

How to Cite
PEHOTA, A., GALUSHKO, V., & GROMYKO, I. (2021). TECHNOLOGY FOR THE USE OF CONVOLUTIONAL NEURAL NETWORKS IN DIAGNOSING TRANSFORMER STATUS. Vestnik of Polotsk State University. Part C. Fundamental Sciences, (12), 63-69. Retrieved from https://journals.psu.by/fundamental/article/view/1132
Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

Author Biographies

A. PEHOTA, Belarusian State University of Transport, Gomel

канд. техн. наук, доц.

V. GALUSHKO, Belarusian State University of Transport, Gomel

канд. техн. наук, доц.

References

Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. – М. : Техносфера, 2005. – 1072 с.

Bundzel, M. Object identification in dynamic images based on the memory-prediction theory of brain function / M. Bundzel, S. Hashimoto // J. of Intelligent Learning Systems and Applications. – 2010. – V. 2. – № 4. – P. 212–220.

Буй Тхи Тху Чанг. Алгоритмическое и программное обеспечение для классификации цифровых изображений с помощью вейвлет-преобразования Хаара и нейронных сетей / Буй Тхи Тху Чанг, Фан Нгок Хоанг, В. Г. Спицын //Известия Томского политехнического университета. – 2011. – Т. 319. – № 5. – С. 103–106.

Диагностика электрооборудования электрических станций и подстанций : учеб. пособие / А. И. Хальясмаа [и др.]. – Екатеринбург : Изд-во Урал. ун-та, 2015. – 64 с.

Паздников, И. Л. Определение короткозамкнутых витков в обмотках трансформаторов и дроселей / И. Л. Паздников // Радио – 1990. – № 7. – С. 68–69.

Воробьев, В. Е. Прогнозирование срока службы электрических машин : письменные лекции / В. Е. Воробьев, В. Я. Кучер. – СПб. : СЗТУ, 2004.–56 с.

Пехота, А. Н. Диагностирование межвитковых коротких замыканий трансформаторов с помощью комплексного анализа данных приборного учета / А. Н. Пехота, В. Н. Галушко, И. Л. Громыко // Энергоэффективность. – 2020. – № 2. – С. 24–28.

Пехота, А. Н. Диагностика трансформаторов с помощью сверточных нейронных сетей / А. Н. Пехота, В. Н. Галушко, И. Л. Громыко // Энергоэффективность. – 2021. – № 2. – С. 30–36.