Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Many-Objective Evolutionary Algorithm with Reference Point-Based and Vector Angle-Based Selection Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Research on Temperature Rising Prediction of Distribution Transformer by Artificial Neural Networks

verfasst von : Wenxin Zhang, Jeng-Shyang Pan, Yen-Ming Tseng

Erschienen in: Genetic and Evolutionary Computing

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In order to predict the temperature rising of the distribution transformer by applying the artificial neural networks (ANNs) method analyze experimental data with the actual measured data and compared with the actual measured value to reach the relative errors investigation. The historical data of the working day are divided into three periods according to the varying loadings trend of load change emotion as the peak period, the general time period and the valley period. In experimental results, The average relative error of the peak period is 2.05%, the average relative error of the general period is 1.69%, the average relative error of the valley period is 1.25 %, and the working day average relative error is 1.60% for a day 24 hours. By Ann’s derivation the result has a very good prediction rate at temperature rising of distribution transformer.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Analysis of Users’ Emotions Through Physiology
Nächstes Kapitel Development of Audio and Visual Attention Assessment System in Combination with Brain Wave Instrument: Apply to Children with Attention Deficit Hyperactivity Disorder
Literatur
1.
Huang, Y.-C., Huang, C.-M.: Evolving wavelet networks for power transformer condition monitoring. IEEE Trans. Power Deliv. 17(2), 412–416 (2002)CrossRef
2.
Wang, Z.Y., Liu, Y.L., Griffin, P.J.: A combined ANN and expert system tool for transformer fault diagnosis. IEEE Trans. Power Deliv. 13(4), 1224–1229 (1998)CrossRef
3.
Contreras, J., Espinola, R., Nogales, F.J., Conejo, A.J.: ARIMA models to predict next-day electricity prices. IEEE Trans. Power Syst. 18(3), 1014–1020 (2003)CrossRef
4.
Nogales, F.J., Contreras, J., Conejo, A.J., Espinola, R.: Forecasting next-day electricity prices by time series models. IEEE Trans. Power Syst. 17(2), 342–348 (2002)CrossRef
5.
Ling, H., Leung, F.H.F., Lam, H.K., Lee, Y.S., Tam, P.K.S.: A novel genetic-algorithm-based neural network for short-term load forecasting. IEEE Trans. Ind. Electron. 50(4), 793–799 (2003)CrossRef
6.
Barghinia, S., Ansarimehr, P., Habibi, H., Vafadar, N.: Short term load forecasting of Iran national power system using artificial neural network. In: Proceedings of the IEEE Power Tech, vol. 3 (2001)
7.
Niu, D.X., Wang, H.Q., Gu, Z.H.: Short-term load forecasting using general regression neural network. IEEE Conf. Mach. Learn. Cybern. 7, 4076–4082 (2005)
8.
Senjyu, T., Takara, H., Uezato, K., Funabashi, T.: One-hour-ahead load forecasting using neural network. IEEE Trans. Power Syst. 17, 113–118 (2002)
9.
Kenuedy, S.P., Ivey, C.L.: Application, design and rating of transformers containing harmonic currents. In: Conference Record of 1990 Annual Pulp and Paper Industry Technical Conference IEEE (1990)
10.
de Le’on, F., Semlyen, A.: A simple representation of dynamic hysteresis losses in power transformers. IEEE Trans. Power Deliv. 10(1) (1995)
11.
Mori, H., Ogasawara, T.: A recurrent neural network for short-term load forecasting. In: Proceedings of the Second International Forum on Applications of Neural Networks to Power Systems, pp. 395–400 (1993)
12.
Taylor, J.W., Buizza, R.: Neural network load forecasting with weather ensemble predictions? IEEE Trans. Power Syst. 17(3), 626–632 (2002)CrossRef
13.
Iizaka, T., Matsui, T., Fukuyama, Y.: Novel daily peak load forecasting method using analyzable structured neural network. In: Transmission and Distribution Conference and Exhibition 2002, Asia Pacific IEEE/PES, vol 1, pp. 394–399 (2002)
14.
Abu-EI-Magd, M.A., Findlay, R.D.: New Approach Using Artificial Neural Network and Time Series Models for Short Term Load Forecasting Neural Networks, IEEE CCECE 2003, Canadian Conference, vol. 3, pp. 1723–1726 (2003)
15.
Wang, Z.Y., Liu, Y.L., Griffin, P.J.: A combined ANN and expert system tool for transformer fault diagnosis. IEEE Trans. Power Deliv. 13(4), 1224–1229 (1998)CrossRef
Metadaten
Titel
Research on Temperature Rising Prediction of Distribution Transformer by Artificial Neural Networks
verfasst von
Wenxin Zhang
Jeng-Shyang Pan
Yen-Ming Tseng
Copyright-Jahr
2018
Verlag
Springer Singapore
Buch
Genetic and Evolutionary Computing

Print ISBN: 978-981-10-6486-9

Electronic ISBN: 978-981-10-6487-6

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-981-10-6487-6_18