دانلود شبیه سازی مقاله برآورد هزینه مواد اصلی ترانسفورماتور با شبکه عصبی

برآورد هزینه ساخت ترانسفورماتور

ترانسفورماتورها، اساسی ترین اجزاء سیستم های قدرت می باشند و نقش مهمی در انتقال و توزیع برق الکتریکی ایفا می کنند. در یک محیط صنعتی، پیش بینی دقیق هزینه ترانسفورماتور، یک کار مهم برای تولید کننده و نیز تاسیسات صنعتی می باشد. «تخمین هزینه محصول» (PCE) به پیش بینی هزینه یک محصول قبل از تولید آن می پردازد. بخاطر بازار بسیار رقابتی، نیاز به پیش بینی زودهنگام و دقیق هزینه یک محصول ترانسفورماتور، بوجود می آید. اما، روش های موجود تخمین پیش بینی، دقت را در تلاش برای تحویل نتایج زودهنگام، از دست می دهند. برعکس، دقت تنها زمانی به درستی قابل حصول است که جزئیات طراحی و برنامه ریزی فرآیند مشخص باشند، اما در آن موقع، تخمین هزینه زمانی، بسیار دیر خواهد بود. هدف اصلی این پروژه، ارائه روشی برای تخمین زود و دقیق هزینه یک ترانسفورماتور بدون اتکا به جزئیات طراحی و برنامه ریزی فرآیند است. اگر ترانسفورماتور در القای مغناطیسی پایین و چگالی جریان کمتر طراحی شده باشد، افزایش هزینه ترانسفورماتور بوجود می آید زیرا مواد مغناطیسی بیشتر و مواد رسانای بیشتری لازم است. روش های مختلفی برای طراحی بهینه ترانسفورماتور معرفی شده است که می توان الگوریتم ژنتیک بازگشتی- روش FE برای مسئله کمینه سازی هزینه ترانسفورماتور، برنامه نویسی هندسی، طراحی ترانسفورماتورهای قدرت با استفاده از تکنیک های هوش مصنوعی، بهینه سازی طراحی ترانسفورماتور با استفاده از طراحی تکاملی و تعدادی فنون جدید دیگر، که برای طراحی یک ترانسفورماتور استفاده شدند، نام برد. هزینه ترانسفورماتور عمدتاً به مواد خام که نقشی اساسی در فرآیند تخمین هزینه ایفا می کنند، بستگی دارد. اخیراً شبکه های عصبی، کاربردهای گسترده ای در زمینه ترانسفورماتورها یافته اند که می توان شناسایی عمر مفید روغن با استفاده از شبکه های عصبی، تفکیک بین جریان هجومی (inrush) و جریان خطا با استفاده از شبکه های عصبی، تخمین پارامتر سیم پیچی HV ترانسفورماتور که تعدادی از معدود موضوعاتی است که مطالعاتی در مورد آنها انجام شده اند.

نتیجه مدل شبکه MLP استفاده شده برای برآورد هزینه مواد خام ترانسفورماتور نشان می دهد که شبکه MLP عملکرد خوب دارد و دقت پیش بینی معقولی برای این مدل حاصل شد. نتایج نشان می دهند که مدل ANN با ساختار توسعه یافته، پیش بینی خوبی با کمترین خطا انجام می دهد و در نهایت این شبکه عصبی می تواند یک ابزار مهم برای تخمین هزینه ترانسفورماتور در مراحل اولیه پروژه تولید ترانسفورماتور، باشد.

این شبیه سازی با استفاده از نرم افزار متلب (MATLAB) انجام شده و در ادامه نیز تعدادی از نتایج خروجی آن قرار داده شده است: