Рекомендуемая категория для самостоятельной подготовки:
Дипломная работа*
| Код |
564560 |
| Дата создания |
2018 |
| Страниц |
71
|
Мы сможем обработать ваш заказ (!) 20 ноября в 12:00 [мск] Файлы будут доступны для скачивания только после обработки заказа.
|
Содержание
Содержание
Введение 8
1. Повышение качества диагностики электроэнергетических систем 10
1.1 Измерение частичных разрядов в изоляции оборудования высокого напряжения 11
1.2 Новые технологии и перспективы их развития 14
1.3 Развитие методики планово-предупредительных ремонтов 18
1.4 Искусственные нейронные сети 20
1.4.1 Преимущества и актуальность искусственных нейронных сетей 23
1.4.2 Архитектуры искусственных нейронных сетей 30
1.4.3 Методы обучения нейронных сетей 53
1.4.4 Области применения нейронных сетей 54
2 Моделирование искусственной нейронной сети 57
2.1 Моделирование амплитудно-частотных характеристик трансформаторов ….57
2.2 Структура технологических потерь электроэнергии в режиме максимальных нагрузок 60
2.3 Результаты тестирования искусственной нейронной сети 61
3 Повышение энергоэффективности и надежности электрических сетей 63
3.1 Замена старого оборудования на более современное 63
3.2 Активное внедрение ИНС и машинного обучения для отслеживания актуального состояния энергосистемы 65
3.3 Возможности применения ИНС в энергосистемах 66
3.3.1 Прогнозирование технического состояния оборудования 66
3.3.2 Классификация и сравнение данных 67
3.4 Интеграция в инновационные энергосистемы 68
Заключение 71
Литература 72
ПРИЛОЖЕНИЕ A 78
ПРИЛОЖЕНИЕ Б 79
Введение
В данной работе исследуются возможности искусственных нейронных сетей применительно к частотным методам диагностики высоковольтного оборудования.
В диссертации ставится цель определить возможные пути применения искусственных нейронных сетей для повышения эффективности диагностики высоковольтного оборудования. Данная цель даст возможность применять самые последние достижения IT-технологий в энергосистемах, применять частотные методы диагностики в режиме реального времени, классифицировать частотные «отпечатки» высоковольтного оборудования, прогнозировать отказы высоковольтного оборудования.
Для достижения поставленной цели необходимо выполнить следующие основные научные задачи, результаты, решения которых выносятся на защиту:
1. Провести анализ актуальных методов частотной диагностики высоковольтного оборудования;
2. Выявить направление и способы применения искусственных нейронных сетей в методах частотной диагностики высоковольтного оборудования.
3. Обосновать эффективность применения искусственных нейронных сетей в методах частотной диагностики высоковольтного оборудования.
4. Определить основные применимые архитектуры и методы обучения искусственных нейронных сетей для применения в методах частотной диагностики высоковольтного оборудования.
5. Провести проверку обучаемости искусственной нейронной сети на тестовой выборке данных.
Объектом исследования служит база данных «отпечатков» трансформаторов, полученных в результате моделирования амплитудно-частотных характеристик высоковольтного оборудования.
Предметом исследования являются пути и способы повышения эффективности методов частотной диагностики высоковольтного оборудования.
Методы исследования. При выполнении работы использовались известные и широко применяемые архитектуры искусственных нейронных сетей.
Научная новизна работы заключается в следующем:
- выполнен анализ актуальных методов частотной диагностики высоковольтного оборудования;
- показаны возможности применения искусственных нейронных сетей для интеллектуальной обработки амплитудно-частотных характеристик силовых трансформаторов;
- показаны возможности применения искусственных нейронных сетей, в электроэнергетической сфере, для диагностики силового оборудования, повышения эффективности энергосистем, прогнозирования графиков нагрузки;
- определены теоретические условия эффективного использования машинного обучения для комплексной диагностики высоковольтного оборудования.
Фрагмент работы для ознакомления
В выпускной квалификационной работе дано решение актуальной задачи - повышение эффективности диагностики высоковольтного оборудования.
Выполнен анализ актуальности выбранной темы выпускной квалификационной работы, рассмотрены методы применения машинного обучения в электроэнергетической сфере.
Произведено моделирования амплитудно-частотных характеристик силовых трансформаторов, а также их обработка с помощью искусственной нейронной сети.
Дана оценка эффективности применения методов интеллектуальной машинной обработки данных, выявлены недостатки данных, предложены мероприятия, направленные на уменьшение потерь и повышение эффективности электроснабжения электрических сетей. Дана оценка технического эффекта от внедрения этих мероприятий.
На основании проделанной работы были достигнуты следующие результаты и сделаны выводы:
1. Применение искусственных нейронных сетей для диагностики высоковольтного оборудования и исследования методов частотной диагностики требует больших объемов и высокого качества исследуемых данных.
2. Эффективность применения искусственных нейронных сетей напрямую зависит от степени интеграции цифровых комплексов управления. В целях ее повышения, возможно объединение всей энергосистемы страны в единую сеть.
3. Внедрение предложенных и используемых комплексов программ обеспечит эффективное, бесперебойное, надежное и качественное электроснабжение потребителей на всей территории электрических сетей.
Список литературы
Литература
1. M.Gutten. SFRA Method - Frequency Analysis of Transformers / Gutten M. и др. // MEASUREMENT 2009, Proceedings of the 7th International Conference, Smolenice, Slovakia. – 2009. – С. 369-372.
2. Charles, Sweetser. Sweep Frequency Response Analysis Transformer Applications / Sweetser. Charles, TonyMcGrail. Dr.. – Watertown : Doble Engineering Company, 2003. – 47 c.
3. Сви П. М., Измерение частичных разрядов в изоляции оборудования высокого напряжения энергосистем / П. М. Сви. – М. : Энергия, 1977. – 200 c.
4. Таджибаева А. И., Методы и средства оценки состояния энергетического оборудования / А. И. Таджибаева. – М. : Санкт-Петербург, – 511 c.
5. Таджибаева А. И., Диагностика электрооборуlования электрических станций и поДстанций / А. И. Таджибаева. – Екатеринбург : Издательство Уральского университета, 2015. – 66 c.
6. Голоднов Ю. М., Контроль за состоянием трансформаторов / Ю. М. Голоднов. – М. : Энергоатомиздат, 1988. – 88 c.
7. HYDROELECTRIC,RESEARCHANDTECHNICALSERVICESGROUP. Transformer Diagnostics / RESEARCH AND TECHNICAL SERVICES GROUP. HYDROELECTRIC. – : UNITED STATES DEPARTMENT OF THE INTERIOR, 2003. – 71 c.
8. Martin, Siegel. Application of UHF Sensors for PD Measurement at Power Transformers / Siegel. Martin, Beltle. Michael, Tenbohlen. Stefan. // Institute of Power Transmission and High Voltage Technology (IEH). – 2016. – . – С. 48-57.
9. Демирчян К. С., Движущийся заряд в четырехмерном пространстве по Максвеллу и Эйнштейну / К. С. Демирчян. – М. : Комтех-Принт, 2008. – 144 c.
10. Серебряков А. С., Трансформаторы / А. С. Серебряков. – М. : МЭИ, 2013. – 360 c.
11. T.Mariprasath, Power Transformer Faults Identification using SFRA / T.Mariprasath, Dr.V.Kirubakaran. // International Journal of Scientific & Engineering Research. – 2014. – 5. – С. 81-88.
12. Dr., SaracVasilija. FEM 2D AND 3D DESIGN OF TRANSFORMER FOR CORE LOSSES COMPUTATION / SaracVasilija. Dr. // SCIENTIFIC PROCEEDINGS XIV INTERNATIONAL CONGRESS "MACHINES. TECHNOLОGIES. MATERIALS.". – 2017. – 2. – С. 345-348.
13. Википедия [Электронный ресурс]. – Режим доступа : https://ru.wikipedia.org/wiki/__, свободный. – Загл. с экрана.
14. Бажанов С. А., Инфракрасная диагностика электрооборудования распределительных устройств / С. А. Бажанов. – М. : НТФ "Энергопрогресс", 2000. – 76 c.
15. Вавилов В. П., ИНФРАКРАСНАЯ ТЕРМОГРАФИЧЕСКАЯ ДИАГНОСТИКА В СТРОИТЕЛЬСТВЕ И ЭНЕРГЕТИКЕ / В. П. Вавилов, А. Н. Александров. – М. : НТФ "Энергопрогресс", 2003. – 52 c.
16. ГОСТ Р ISO 55191 - 2012 «Методы испытаний высоким напряжением. Измерения частичных разрядов.»
17. ГОСТ Р ISO 55191 - 2012 «Методы испытаний высоким напряжением. Измерения частичных разрядов.»
18. Б.А. Алексеева.. Объем и нормы испытаний электрооборудования / Алексеева. Б.А.. – М. : НЦ ЭНАС, 2004. – 256 c.
19. Саймон Хайкин, Нейронные сети. Полный курс / Хайкин. Саймон. – М. : Вильямс, 2006. – 1022 c.
20. Churchland, P. S. The Computational Brain / P. S. Churchland, Sejnowski. T.J.. – Cambridge : MIT Press, 1992. – 312 c.
21. Levine М.,Маn and Machine Vision / М. Levine. – New York : McGraw-Hill, 1985. – 168 c.
22. Marr D., Vision / D. Marr. – New York : w.н. Freeman and Соmраnу,, 2006. – 228 c.
23. Suga N., Cortical computational maps for auditory imaging / N. Suga. // Neural Networks. – 2010. – 3. – С. 3-21.
24. Suga N., Computations of velocity and range in the bat auditory system for echolocation, / N. Suga. // Computational Neuroscience,. – 2008. – 6. – С. 213-231.
25. Haykin S., Neural networks expand SP's horizons / S. Haykin. // IEЕЕ Signal Processing Magazine. – 1996. – 13. – С. 24-29.
26. Widrow В. and S., Adaptive Signal Processing / В. andS. Widrow. – Englewood Cliffs : NJ: Prentice Hall, 1995. – 346 c.
27. Geman S., Neural networks and the bias/variance dilemma, / S. Geman, Bienenstock. Е., Doursat. R.. // Neural Computation,. – 2012. – 4. – С. 1-58.
28. Grossberg S. Z., Neural Networks and Natural Intelligence / S. Z. Grossberg. – Cambridge : MIТ Press, 1999. – 451 c.
29. Kennel М. В., Determining minimum embedding dimension using а geometrical construction / М. В. Kennel, Brown. R., Abarbanel. H.D.I.. // Physical Review А,. – 1992. – 45. – С. 3403-3411.
30. Mead С. А,. Analog VLSI and Neural Systems / С. А. Mead. – Reading : Addison Wesley, 2002. – 134 c.
31. Anastasio T. J., Modeling vestibulo-ocular reflex dynamics: From classical anlysis to neural networks / T. J. Anastasio. // Neural Systems: Analysis and Modeling. – 2014. – 6. – С. 407-430.
32. Sterling P. Retina / P. Sterling. // The Synaptic Organization of the Brain. – 1990. – 3. – С. 170-213.
33. Mohamad, H. Hassoun, Fundamentals of Artificial Neural Networks / H. Hassoun. Mohamad. – Cambridge : MIT Press, 1995. – c.
34. А.А.Ежов, Нейрокомпьютинг и его применения в экономике и бизнесе / А.А.Ежов, С.А.Шумский. – Cambridge : Москва, 1998. – c.
35. Л.Г.Комарцова, Нейрокомпьютеры / Л.Г.Комарцова, А.В.Максимов.. – М. : МГТУ им.Баумана, 2004. – c.
36. А.И.Галушкин, Нейронные сети. Основы теории / А.И.Галушкин. – М. : Горячая линия - Телеком, 2010. – c.
37. B.Kosko., Neural Networks and Fuzzy Systems. A Dynamical Systems Approach to Machine Intelligence / B.Kosko.. – Englewood Cliffs : Prentice Hall, 1992. – c.
38. В.А.Головко. Нейронные сети: обучение, организация и применение / В.А.Головко.. – М. : ИПРЖР, 2001. – c.
39. Г.Э.Яхъяева. Основы теории нейронных сетей / Г.Э.Яхъяева.. – М. : Открытые системы, 2011. – c.
40. В.В.Круглов Нечёткая логика и искусственные нейронные сети / В.В.Круглов, М.И.Дли, Р.Ю.Голунов. – М. : Физматлит, 2011. – c.
41. Нелинейный метод главных компонент [Электронный ресурс]. – Режим доступа : http://pca.narod.ru, свободный. – Загл. с экрана.
42. Введение в архитектуры нейронных сетей [Электронный ресурс]. – Режим доступа : https://habr.com/company/oleg-bunin/blog/340184/, свободный. – Загл. с экрана.
43. Oh, My Code: Машинное обучение и аналитика в «Одноклассниках» [Электронный ресурс]. – Режим доступа : https://habr.com/company/odnoklassniki/blog/412709/, свободный. – Загл. с экрана.
44. ДИСТАНЦИОННАЯ ДИАГНОСТИКА СОСТОЯНИЯ СИЛОВЫХ ТРАНСФОРМАТОРОВ НА ОСНОВЕ ИССЛЕДОВАНИЯ ИХ ЧАСТОТНЫХ ХАРАКТЕРИСТИК [Электронный ресурс]. – Режим доступа : http://masters.donntu.org/2011/etf/kovalenko/library/article6.htm, свободный. – Загл. с экрана.
45. Основные сведения о развитии электрических сетей энергосистем. [Электронный ресурс] // ООО “Энергия” http://www.energia63.ru/node/120 дата обращения: (16.01.2017).
46. Совершенствование системы тарифообразования на электрическую энергию / Н.В. Гусева, А.Г. Сошинов // Вестник Нижегородского университета им. Н.И. Лобачевского. – 2010. – №5(1). – С. 277-280.
47. Методика выбора технических мероприятий по повышению надежности ВЛЭП в экстремальных метеоусловиях / А.Г. Сошинов // Известия ВолгГТУ. Сер. Процессы преобразования энергии и энергетические установки. Вып. 2: межвуз. сб. науч. статей / ВолгГТУ. – Волгоград, 2009. – №7(55). – С. 77-80.
48. Сборник нормативных и методических документов по измерениям, коммерческому и техническому учету электрической энергии и мощности. Издательство «НЦ ЭНАС», М.:2010.
49. Быстрицкий, Г. Ф. Общая энергетика (Производство тепловой и электрической энергии) : учеб. для вузов по направлениям 140600 «Электротехника, электромеханика и электротехнологии» / Г. Ф. Быстрицкий, Г. Г. Гасангаджиев, В. С. Кожиченков. – М. : КНОРУС, 2013. – 407 c. – ISBN 978-5-406-02742-4.
50. Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки (Backpropagation) [Электронный ресурс]. – Режим доступа : https://habr.com/post/198268/, свободный. – Загл. с экрана.
51. Применение нейронных сетей для задач классификации [Электронный ресурс]. – Режим доступа : https://basegroup.ru/community/articles/classification, свободный. – Загл. с экрана.
52. Google использует ИИ для сокращения расходов энергии в датацентрах [Электронный ресурс]. – Режим доступа : http://ru.datasides.com/google-data-center-ai/, свободный. – Загл. с экрана.
53. SPARKNET: TRAINING DEEP NETWORKS IN SPARK [Электронный ресурс]. – Режим доступа : http://arxiv.org/pdf/1511.06051v4.pdf, свободный. – Загл. с экрана.
54. Нейронные сети на службе энергетиков [Электронный ресурс]. – Режим доступа : https://www.osp.ru/os/2016/04/13050997/, свободный. – Загл. с экрана.
Пожалуйста, внимательно изучайте содержание и фрагменты работы. Деньги за приобретённые готовые работы по причине несоответствия данной работы вашим требованиям или её уникальности не возвращаются.
* Категория работы носит оценочный характер в соответствии с качественными и количественными параметрами предоставляемого материала. Данный материал ни целиком, ни любая из его частей не является готовым научным трудом, выпускной квалификационной работой, научным докладом или иной работой, предусмотренной государственной системой научной аттестации или необходимой для прохождения промежуточной или итоговой аттестации. Данный материал представляет собой субъективный результат обработки, структурирования и форматирования собранной его автором информации и предназначен, прежде всего, для использования в качестве источника для самостоятельной подготовки работы указанной тематики.
bmt: 0.00737