Los modelos empíricos se generan normalmente con una muestra finita de valores, pero cuando los datos de entrada se encuentran en un rango diferente a aquella muestra, el modelo puede tener cierta dispersión. En algunos casos esa dispersión es marginal, sin embargo en cálculos de pérdidas de fierro en un transformador, esta diferencia puede representar sumas importantes de dinero. Por lo tanto en este trabajo se utiliza exitosamente un modelo de redes neuronales para reducir dicha dispersión, considerando como datos de entrada el histórico de los resultados del cálculo para poder estimar de manera más precisa el valor real.
Empiric Models are generated based on a finite numer of samble values. Nonetheless, when you are introducing data to the model that differs from the data range the model was generated from, the results may vary. In most cases this variation is marginal and it can still be consider useful, but in some cases such as predicting losses in a transformer, a small variation can sum up a large additional cost. Based on this, during this study a neural network is used to estimate in a more accurate fashion, core losses, using a year's worth database from transformer testing.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados