Recurrent Neurofuzzy Network in Thermal Modeling of Power Transformers

Abstract

This work suggests recurrent neurofuzzy networks as a means to model the thermal condition of power transformers. Experimental results with actual data reported in the literature show that neurofuzzy modeling requires less computational effort, and is more robust and efficient than multilayer feedforward networks, a radial basis function network, and classic deterministic modeling approaches.

Modelagem Térmica de Transformadores de Potência Baseada em SODA e Sistema de Inferência Fuzzy Otimizado por Enxame de Partículas

“…Conjunto de dados 1: condição sem sobrecarga Assim sendo, o objetivo dos modelos testadosé estimar a temperatura de ponto quente a partir da corrente de carga e da temperatura de topo deóleo. Diferentes estudos (Galdi et al, 2000;Villacci et al, 2005;Hell et al, 2007) e testes experimentais indicam que as entradas de modelo relevantes para este caso são a corrente de carga (K), a temperatura de topo deóleo e a corrente de carga atrasada em um passo (q −1 K, em que q −1é o operador de atraso). Essa opção demonstrou reduzir a sensibilidade do modelo em relaçãoàs flutuações nos parâmetros térmicos, que podem variar consideravelmente de um transformador para outro (Hell et al, 2008).…”

Modelagem Térmica de Transformadores de Potência Baseada em um Sistema Fuzzy Evolutivo Set-Membership Gaussiano Multivariado

“…Assim sendo, o objetivo dos modelos testadosé estimar a temperatura de ponto quente a partir da corrente de carga e da temperatura de topo deóleo. Diferentes estudos (Galdi et al, 2000;Villacci et al, 2005;Hell et al, 2007) e testes experimentais indicam que as entradas de modelo relevantes para este caso são a corrente de carga (K), a temperatura de topo deóleo e a corrente de carga atrasada em um passo (q −1 K, em que q −1é o operador de atraso). Essa opção demonstrou reduzir a sensibilidade do modelo em relaçãoàs flutuações nos parâmetros térmicos, que podem variar consideravelmente de um transformador para outro (Hell et al, 2008).…”

“…Nosúltimos anos diversos estudos tem sido orientados no sentido de desenvolver modelos térmicos mais precisos e com menor custo computacional para transformares de potência. Em particular, modelos baseados em Redes Neurais Artificiais (Galdi et al, 2000), Sistemas Fuzzy (Ippolito, 2004) e suas hibridizações (Hell et al, 2007(Hell et al, , 2008 tem sido amplamente aplicados ao problema proposto devido principalmenteà sua capacidade de aprender relacionamentos não lineares complexos e de tratar naturalmente dados imprecisos.…”

Hundred years of experience in the dynamic thermal modelling of power transformers

“…Although the inputs of the thermal models based on the machine learning methods (e.g. artificial neural network [8], neurofuzzy networks [9,10], and evolving fuzzy systems [11]) are same as the physical and semiphysical models, they are excluded from this review. The loading capability of transformers cannot be determined using the artificial intelligence methods since there is no available measured data during the overloading of transformers in most cases for training the machine learning methods.…”