@article { author = {Alabdullh, M.K.K. and Joorabian, M. and Seifossadat, S.G. and Saniei, M.}, title = {A New Model for Predicting the Remaining Lifetime of Transformer Based on Data Obtained Using Machine Learning}, journal = {Journal of Operation and Automation in Power Engineering}, volume = {12}, number = {3}, pages = {224-232}, year = {2024}, publisher = {University of Mohaghegh Ardabili}, issn = {2322-4576}, eissn = {2423-4567}, doi = {10.22098/joape.2023.11093.1830}, abstract = {Transformers are one of the most important parts of the electric transmission and distribution networks, and their performance directly affects the reliability and stability of the grid. Maintenance and replacing the faulted transformers could be time-consuming and costly and accordingly, a solution should be proposed to prevent it. This led to studies in the field of transformer lifetime management. As a result, estimating the remaining lifetime of the transformer is a crucial part for the mentioned solution. Therefore, this paper aims to tackle this issue through employing a new algorithm to estimate the lifetime of a transformer by combining selection methods and Artificial Intelligence (AI)-based techniques. The main goal of this method is to reduce the estimation error and estimation time simultaneously. The proposed approach assesses transformers based on environmental conditions, power quality, oil quality, and dissolved gas analysis (DGA). Consideration of additional factors overcomes the disadvantage of traditional methods and gives a meticulous result. In this respect, the collected data from the power transformer of Iran and Iraq as well as regions with different conditions are employed in the studied algorithm. Several combinations of algorithms are investigated to choose the best one. Principal Component Analysis (PCA) is employed in the next step for weighing the various parameters to improve the accuracy and decrease execution time. Results show that the Bayesian neural network provides the best performance in the predicting remaining lifetime of the transformer with an accuracy about 98.4%.}, keywords = {Machine Learning,Predicting,Transformer}, title_fa = {مدلی جدید برای پیش بینی طول عمر باقیمانده ترانسفورماتور بر اساس داده های به دست آمده با استفاده از یادگیری ماشین}, abstract_fa = {ترانسفورماتورها یکی از مهم ترین بخش های شبکه های انتقال و توزیع برق هستند و عملکرد آنها مستقیماً بر قابلیت اطمینان و پایداری شبکه تأثیر می گذارد. تعمیر و نگهداری و تعویض ترانسفورماتورهای معیوب می تواند زمان بر و پرهزینه باشد و بر این اساس باید راه حلی برای جلوگیری از آن ارائه شود. این امر منجر به مطالعاتی در زمینه مدیریت طول عمر ترانسفورماتور شد. در نتیجه، تخمین طول عمر باقیمانده ترانسفورماتور بخش مهمی برای راه حل مذکور است. بنابراین، این مقاله قصد دارد با استفاده از یک الگوریتم جدید برای تخمین طول عمر یک ترانسفورماتور با ترکیب روش‌های انتخاب و تکنیک‌های مبتنی بر هوش مصنوعی (AI) به این موضوع بپردازد. هدف اصلی این روش کاهش خطای تخمین و زمان تخمین به طور همزمان است. رویکرد پیشنهادی ترانسفورماتورها را بر اساس شرایط محیطی، کیفیت توان، کیفیت روغن و تجزیه و تحلیل گاز محلول (DGA) ارزیابی می‌کند. در نظر گرفتن عوامل اضافی بر معایب روش های سنتی غلبه می کند و نتیجه دقیقی به دست می دهد. در این راستا، داده‌های جمع‌آوری‌شده از ترانسفورماتور قدرت ایران و عراق و همچنین مناطق با شرایط مختلف در الگوریتم مورد مطالعه استفاده شده است. چندین ترکیب از الگوریتم ها برای انتخاب بهترین مورد بررسی قرار می گیرند. تجزیه و تحلیل اجزای اصلی (PCA) در مرحله بعدی برای وزن کردن پارامترهای مختلف به منظور بهبود دقت و کاهش زمان اجرا استفاده می شود. نتایج نشان می دهد که شبکه عصبی بیزی بهترین عملکرد را در پیش بینی طول عمر باقیمانده ترانسفورماتور با دقت حدود 98.4 درصد ارائه می دهد.}, keywords_fa = {ترانسفورماتور، فراگیری ماشین,پیش بینی}, url = {https://joape.uma.ac.ir/article_2136.html}, eprint = {https://joape.uma.ac.ir/article_2136_1aeb51ff00b7738c8f27c3081afb5a32.pdf} }