“ KUCH TRANSFORMATORLARINING SALT ISHLASH REJIMIDA ENERGIYA ISROFLARINI INTELLEKTUAL PROGNOZLASH USULLARI ”

Authors

  • Axmadov Jonibek Otabek o‘g‘li Author
  • Ergashev Yoqubjon Hamro o‘g‘li Author
  • Halimov Zohidjon Shavkat o‘g‘li Author

Keywords:

Kalit so‘zlar.kuch transformatori, salt ishlash rejimi, energiya isroflari, intellektual prognozlash, neyron tarmoq, mashinaviy o‘qitish, noaniq mantiq, avtomatlashtirilgan monitoring, energiya samaradorligi, smart grid

Abstract

Bugungi elektr ta’minoti tizimlarida kuch transformatorlarining salt ishlash rejimi doimiy energiya isrofi manbalaridan biri bo‘lib qolmoqda. Bu isroflar bir qarashda uncha katta bo‘lmagandek tuyuladi, ammo uzoq muddatli ekspluatatsiya jarayonida sezilarli miqdordagi elektr energiyasi yo‘qotilishiga olib keladi. Maqolada salt ishlash rejimidagi isroflarni faqat an’anaviy hisoblash formulalari orqali emas, balki intellektual usullar yordamida oldindan prognozlash masalasi ko‘rib chiqiladi. Shu maqsadda neyron tarmoqlar, mashinaviy o‘qitish algoritmlari, noaniq mantiq va gibrid modellardan foydalanish imkoniyatlari tahlil qilinadi. Transformatorning texnik parametrlari, kuchlanish, tok, chastota, harorat va yuklama rejimi kabi ko‘rsatkichlar asosida prognozlash modeli shakllantiriladi. Olingan natijalar RMSE, MAE, MAPE va R² mezonlari bo‘yicha baholanib, an’anaviy usullar bilan qiyoslanadi. Tadqiqot natijalari intellektual prognozlash orqali salt ishlash isroflarini vaqtida aniqlash, monitoring tizimini moslashtirish va energiya samaradorligini oshirish mumkinligini ko‘rsatadi. Maqola energetika, elektr tarmoqlari diagnostikasi va smart grid yo‘nalishidagi mutaxassislar uchun foydalidir.

References

1. Mrajca, M. Innovative Transformer Design Optimization Combined with Machine Learning Loss Estimation: Doctoral Thesis. Brno University of Technology, 2025. – 120 p.

2. Research on core loss prediction of low-frequency transformer based on Grey Wolf optimisation algorithm optimised Back Propagation neural network // IET Electric Power Applications. – 2025. – Vol. 19, No. 1. – P. 1–12.

3. Luo, C., Zhang, G., Song, G. Performance optimization and fault prevention model of 220kV spare transformer based on big data analysis // IET Conference Proceedings: 4th International Conference on Data Analytics, Computing and Artificial Intelligence (ICDACAI 2025). – 2026.

4. Bílek, V. Transformer No-Load Losses Calculation Using Machine Learning // Semantic Scholar. – 2024.

5. Loizos, G. Support Vector Machines for Transformer Loss Prediction // Redalyc. – 2009.

6. Абдуллаев, А. Куч трансформаторларининг ишлаш режимлари ва энергия истеъмоли. – Тошкент: Fan va texnologiya, 2021. – 156 б.

7. Электр тармоқларида электр энергия исрофини камайтириш масалалари // SLIB. – 2021.

8. O‘zbekiston Respublikasi Energetika vazirligi. Elektr tarmoqlarini modernizatsiya va raqamlashtirish dasturi. – Toshkent, 2023.

9. Zemouri, B. Power Transformer Prognostics and Health Management Using Machine Learning: A Review and Future Directions // Preprints.org. – 2025.

10. ALJAMMAL, M. T., Al-Yozbaky, O. S. A State-of-the-Art Review on Intelligent Models for Transformer Fault Monitoring and Diagnosis // Dergipark. – 2024.

Published

2026-09-24