Кваліфікаційні випускні роботи здобувачів вищої освіти кафедри Е та ЕА

Permanent URI for this collection

https://eir.zp.edu.ua/handle/123456789/2551

Browse

Browsing Кваліфікаційні випускні роботи здобувачів вищої освіти кафедри Е та ЕА by Author "Brahina, Svitlana M."

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Розрахунок однофазного маслонаповненого шунтувального реактора 60 МВАр, 500 кВ та застосування нейронних мереж для визначення параметрів його ізоляції в експлуатації
    (Національний університет «Запорізька політехніка», 2024) Брагіна, Світлана М.; Brahina, Svitlana M.
    UK: Дана магістерська робота містить інформацію про можливі види шунтувальних реакторів, розрахунки реактора, визначення його призначення й особливості застосування. На підставі обраного аналога розроблена конструкція шунтувального реактора з покращеними техніко-економічними та масогабаритними показниками. Із використанням інструменту Neural Network Toolbox в середовищі Matlab побудована нейронна мережа на основі нелінійної авторегресійної моделі з екзогенними входами, виконано навчання та тестування цієї мережі з використаннями даних про зміну параметрів трансформаторного масла однофазного шунтувального реактора протягом чотирьох місяців експлуатації. Отримані результати демонструють можливість застосування апарату нейронних мереж для прогнозування зміни вологості трансформаторного масла шунтуючих реакторів. EN: The presented master's thesis contains information about possible types of shunt reactors, calculations of the reactor, determination of its purpose and application features. Based on the selected analogue, the design of a shunt reactor with improved technical, economic and weight-size parameters has been developed. Using the Neural Network Toolbox in the Matlab environment, a neural network was built based on a nonlinear autoregressive model with exogenous inputs, this network was trained and tested using data on changes in the parameters of the transformer oil of a single-phase shunt reactor during four months of operation. The results obtained show the possibility of using neural networks to predict changes in the humidity of transformer oil in shunt reactors.