Kertas kerja ini memperkenalkan penggunaan kecerdikan buatan (KB) untuk mengesan kerosakan bagi transformer. Teknik KB meliputi rangkaian neural buatan (RNB), sistem mahir, sistem fuzzi dan sebagainya. Pengesanan kerosakan adalah berdasarkan kepada analisis gas terlarut dalam minyak (AGT). Beberapa gas yang terbentuk semasa kerosakan transformer ialah H2, O2, N2, CO, CO2, CH4, C2H6, C2H4 dan C2H2. Kerosakan bagi gas-gas tersebut dibahagikan kepada tiga kategori iaitu korona atau nyahcas separa, kepanasan termal dan pengarkaan. Beberapa kaedah untuk mengesan kerosakan yang lazim ialah kaedah nisbah (Rogers, Dornenburg and IEC) dan kaedah gas kunci. Beberapa teknik KB dapat membantu menyelesaikan masalah dan memberikan penyelesaian yang lebih baik. Untuk projek ini, sistem RNB yang direkabentuk ialah perceptron berbilang lapisan (MLP). Data yang digunakan mempunyai 41 data sampel dan data tersebut dibahagikan kepada dua bahagian iaitu set data latihan dan set data pengujian. Jumlah sampel latihan dan ujian masing-masing ialah 21 dan 20. Penggunaan rangkaian neural dapat menentukan jenis kerosakan bagi transformer melalui pembelajaran yang dilakukan. Perisian Matlab7 digunakan untuk mengimplementasi rangkaian MLP. Tiga jenis algoritma pembelajaran dipilih untuk melatih rangkaian MLP iaitu Levenberg-Marquardt, ‘resilient backpropagation’ dan algoritma ‘Bayesian regularization’. Proses latihan dimulakan terlebih dahulu sebelum membuat proses pengujian. Proses pengujian dilakukan untuk melihat sejauh mana kebolehan sistem RNB dalam menentukan kerosakan bagi transformer bergantung kepada nilai gas yang terlarut dalam minyak. Daripada keputusan yang diperolehi, algoritma ‘resilient backpropagation’ memberikan nilai peratus kejituan yang paling tinggi (91.75%) berbanding algoritma Levenberg-Marquardt (89%) dan ‘Bayesian regularization’ (85.75%). Keputusan yang diperolehi menunjukkan rangkaian MLP mempunyai keupayaan yang tinggi untuk mengesan kerosakan bahan penebat bagi transformer.
______________________________________________________________________________________
This paper is about a study of artificial intelligence (AI) applications for determination of transformer faults. The AI techniques include artificial neural networks (ANN), expert system, fuzzy systems and multivariate regression. The faults detection is based on dissolved gas-in-oil analysis (DGA). Several gases are formed during transformer faults. These are H2, O2, N2, CO, CO2, CH4, C2H6, C2H4 and C2H2. The causes of fault gases can be divided into three categories; corona or partial discharge, pyrolysis or thermal heating and arcing. A literature review showed that conventional fault diagnosis method, i.e. the ratio methods (Rogers, Dornenburg and IEC) and the key gas method. Various AI techniques may help to solve the problems and provide a better solution. A multilayer perceptron (MLP) is the choice among several neural network architectures that is used in this study. A three layer neural network has been used throughout this study. The data consists of 41 gas samples are divided into two sets: a set of 21 samples for training phase and the remaining 20 samples are used to test for the validity and applicability of the ANN approach. Neural network can define the transformer fault through the learning process. Matlab7 is used to design the multilayer perceptron (MLP). Three types of learning algorithm are used in this project to train the MLP network, which are resilient backpropagation, Bayesian regularization and Levenberg-Marquardt. From the result, resilient backpropagation algorithm gives the highest percentage of accuracy (91.75%) compared to Levenberg-Marquardt (89%) and Bayesian regularization (85.75%). The results proved that the MLP network has high capability to detect transformer insulation fault.
Pengesanan kerosakan bahan penebat transformer dengan menggunakan rangkaian neural buatan_Suzita Che Osman_E3_2006_NI