2020
DOI: 10.1016/j.epsr.2020.106334
|View full text |Cite
|
Sign up to set email alerts
|

An enhanced set-membership evolving participatory learning with kernel recursive least squares applied to thermal modeling of power transformers

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
2
2

Citation Types

0
17
0
11

Year Published

2020
2020
2024
2024

Publication Types

Select...
5
1

Relationship

2
4

Authors

Journals

citations
Cited by 25 publications
(28 citation statements)
references
References 40 publications
0
17
0
11
Order By: Relevance
“…Para provar a eficiência do modelo proposto na estimativa da temperatura de ponto quente dos transformadores de potência seus resultados são comparados com outros modelos evolutivos e não evolutivos (estrutura fixa) descritos na literatura. Dentre os modelos não evolutivos implementados estão o modelo determinístico baseado na IEEE Standard C57.91-2011 (IEEE-DM) descrito na Seção 2, um modelo baseado em Rede Neural Perceptron Multicamadas (MLP) e um modelo baseado em um sistema de inferência adaptativa neurofuzzy (ANFIS) (Jang, 1993 (Alves et al, 2020).…”
Section: Figura 3 Conjunto De Dados De Treinamentounclassified
See 4 more Smart Citations
“…Para provar a eficiência do modelo proposto na estimativa da temperatura de ponto quente dos transformadores de potência seus resultados são comparados com outros modelos evolutivos e não evolutivos (estrutura fixa) descritos na literatura. Dentre os modelos não evolutivos implementados estão o modelo determinístico baseado na IEEE Standard C57.91-2011 (IEEE-DM) descrito na Seção 2, um modelo baseado em Rede Neural Perceptron Multicamadas (MLP) e um modelo baseado em um sistema de inferência adaptativa neurofuzzy (ANFIS) (Jang, 1993 (Alves et al, 2020).…”
Section: Figura 3 Conjunto De Dados De Treinamentounclassified
“…Já os parâmetros utilizados na modelagem determinística (IEEE-DM) do transformador experimental foram os seguintes: (Duda et al, 2012) 0.0467 0.7336 0.0343 4 ANFIS (Jang, 1993) 0.0124 0.1952 0.0091 4 ePL-KRLS (Vieira et al, 2018) 0.0137 0.2153 0.0101 1 eMG (Lemos et al, 2011) 0.0113 0.1791 0.0067 3 SM-ePL-KRLS (Alves et al, 2020) 0.0103 0.1624 0.0076 1 ESM-ePL-KRLS (Alves et al, 2020) (Jang, 1993) 0.0481 0.2340 0.0333 4 MLP (Duda et al, 2012) 0.0317 0.1539 0.0219 4 ePL-KRLS (Vieira et al, 2018) 0.0330 0.1615 0.0242 2 eMG (Lemos et al, 2011) 0.0330 0.1615 0.0196 3 SM-ePL-KRLS (Alves et al, 2020) 0.0265 0.1293 0.0188 1 ESM-ePL-KRLS (Alves et al, 2020) Vale ressaltar que o modelo proposto pode ser aplicado a transformadores reais em serviço através de algumas modificações simples no equipamento, tais como a instalacão de um sensor de efeito hall para medir a corrente de carga e a inserção de um sensor de temperatura de fibrá optica na tampa de inspeção do transformador para medir a temperatura no topo doóleo. Essas modificações são não invasivas e têm um baixo custo de implementação.…”
Section: Figura 3 Conjunto De Dados De Treinamentounclassified
See 3 more Smart Citations