GÜÇ TRANSFORMATÖRLERİNDE DERİN ÖĞRENME TABANLI ARIZA TESPİTİ

Abstract

Transformatör merkezleri enerji sistemlerinin en önemli bileşenlerinden biridir. Bu merkezlerin en önemli teçhizatı olan güç transformatörlerinde oluşacak arızalar enerji arz güvenliğini tehdit ettiği gibi ağır maddi sonuçlar da doğurur. Güç transformatörlerindeki arızaları önceden tahmin ve tespit etmek sistemi ve güç transformatörünü korumak açısından çok önemlidir. Bu çalışmada güç transformatörleri hakkında genel bilgiler verilmiş, arızaların özelliklerinden bahsedilmiştir. Transformatörlerde oluşabilecek arızaların önceden tahmin edilmesi ve arıza türlerinin belirlenmesinde kullanılan yağda çözünmüş gaz analizi yöntemi (DGA) hakkında bilgiler verilerek, çeşitli DGA yöntemlerinden bahsedilmiştir. Güç transformatörlerinde meydana gelebilecek olası bir arızanın tespitinin klasik yöntemlere kıyasla derin öğrenme tabanlı sistemler tarafından daha güvenilir bir şekilde yapılabildiği gösterilmiştir. Böylece maddi değeri yüksek olan güç transformatörlerinin daha iyi korunduğu gibi, enerji kesinti süresini arttıracak ileri derecede hasar alma durumunun da önüne geçilmiş olduğu görülmüştür.

It is one of the most important components of the energy efficiency of transformer cables. Malfunctions in power transformers, which are the most important equipment of these centers, have serious financial consequences such as threatening the amount of energy supply. Faults in power transformers are very important in terms of prediction and detection system and protection of power transformers. In this study, general information about power transformers is given and the characteristics of the faults are mentioned. Information about the dissolved gas analysis method (DGA) used in predicting possible (internal) faults that may occur in transformers and determining the types of faults is given, and various DGA methods are mentioned. It has been shown that the detection of a possible malfunction in power transformers can be made more reliably by deep learning-based systems compared to classical methods. In this way, it has been observed that power transformers with high financial value are better protected, and severe damage that will increase the duration of power outages is prevented.