DIAGNOSIS GANGGUAN PERMULAAN TRANSFORMATOR DAYA DENGAN JARINGAN SYARAF TIRUAN

Noor Akhmad Setiawan

Abstract


            Penelitian ini adalah studi tentang aplikasi jaringan syaraf tiruan untuk diagnosis gangguan permulaan pada transformator daya. Jaringan syaraf yang digunakan adalah jaringan syaraf multi-layer perceptron melalui variasi metode pembelajaran resilient backpropagation, scaled conjugate gradient, dan Levenberg-Marquardt serta pengolah awal data masukan penskalaan, pembagian dengan rerata, normalisasi rerata dan deviasi standard. Diagnosis gangguan permulaan berbasis dissolved gas in oil analysis.

            Jaringan syaraf tiruan yang digunakan mempunyai enam masukan dengan tiga keluaran. Pembelajaran dilakukan dengan data gangguan permulaan transformator dari suatu penelitian. Penelitian dilakukan dengan membandingkan jaringan syaraf tiruan dalam  topologi, metode pembelajaran, pengolah awal data masukan divariasi untuk mendapat yang terbaik dari sisi kebenaran diagnosis, rerata kebenaran ,waktu yang dibutuhkan, kemampuan mencapai target untuk beberapa pembelajaran dengan inisialisasi Nguyen-Widrow yang bersifat acak.

            Hasil penelitian menunjukkan bahwa jaringan syaraf tiruan topologi gabungan multi layer perceptron dengan pengolah awal data masukan dibagi rerata serta metode pembelajaran resilient backpropagation adalah pilihan terbaik. Hasil penelitian didapatkan dengan membandingkan dengan topologi lain yang diteliti dalam penelitian ini. Jaringan syaraf tiruan juga lebih baik dari metode konvensional gas kunci dan perbandingan gas untuk kasus transformator yang diteliti dalam penelitian ini sehingga metode jaringan syaraf tiruan ini diharapkan dapat menggantikan pakar diagnosis gangguan mula transformator.


Full Text:

PDF

References


[ 1] How, W.Y., Khalid M., Zain, S.A.F.S, 1999,”Transformer Fault Diagnosis Using Fuzzy Logic Interpretations” CAIRO Universiti Teknologi Malaysia, Kuala Lumpur.

[ 2] Wang, K.O., 2000, "Expert System for Transformer Fault Diagnosis" Bachelor of Engineering Honours Thesis, University of Queensland.

[ 3] Tomsovic, K., Amar, A., 1997, “On Refining Equipment Condition Monitoring using Fuzzy Sets and Artificial Neural Nets” School of Electrical Engineering and Computer Science Washington State University, Pullman,WA.

[ 4] Zhou, Z.H., Chen, Z.Q., Chen, S.F., 2001, ”Condition Monitoring of Power Transformer with Neural Networks” Proceedings of International Conference on Info-tech & Info-net, Beijing, vol 3, pp. 468-472.

[ 5] Lai, L.L., 1998, “Intelligent System Applications in Power Engineering” John Wiley & Sons Ltd., West Sussex, pp. 195-205.

[ 6] DiGiorgio, J.B., 2000-2001, “Dissolved Gas Analysis of Mineral Oil Insulating Fluids” NTT-Technical Bulletin

[ 7] Haykin, S., 1994, “Neural Network A Comprehensive Foundation” MacMillan College Publishing Company Inc., New York.

[ 8] Demuth, Howard, Beale, Mark, 2000, ”Neural Network Toolbox for Use With Matlab User’s Guide” The MathWorks, Inc.

[ 9] Micusik, D., Stopjakova, V., Benuskova, L., 2002,”Application of Feed-Forward Artificial Neural Networks to the Identification of Defective Analog Integrated Circuits” Neural Computing & Applications, Springer-Verlag London Limited, vol. 1 No.1,pp. 71-79.

[ 10] Moller, Martin F., 1990, ”A Scaled Conjugate Gradient Algorithm for Fast Supervised Learning”, Computer Science Department University of Aarhus, Denmark.




DOI: http://doi.org/10.12928/telkomnika.v3i3.1231

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

TELKOMNIKA Telecommunication, Computing, Electronics and Control
ISSN: 1693-6930, e-ISSN: 2302-9293
Universitas Ahmad Dahlan, 4th Campus
Jl. Ringroad Selatan, Kragilan, Tamanan, Banguntapan, Bantul, Yogyakarta, Indonesia 55191
Phone: +62 (274) 563515, 511830, 379418, 371120
Fax: +62 274 564604

View TELKOMNIKA Stats