ISSN: 1693-6 930                                                 16 1                          Diag no sis G a nggu an Perm ulaan T r an sfo r m a tor …… …..(No or Akh m ad S)  DIAGNOSIS GANGGUAN PERMULAAN  TRANSFORMATOR DAYA DENGAN JARINGAN  SYARAF TIRUAN      Noor Akhma d   Setia w a n   Program Di pl oma Te kni k  Elektro   Fakulta s  Te knik Universita s Gadj ah Ma da   Email: noorwewe @u gm.a c.id      A b st r a k           Penelitian ini  adala h  stu d i tentang  a p lika s i ja ring an sya r af tiruan u n tuk d i agno si s  gang guan  pe rm ulaan pa da  transfo rm ator da ya. Ja rin g an sya r af ya n g  digun akan  adala h  jarin g a n   syaraf m u lti-l a yer perc eptron m e lalui variasi m e tode pem bel ajaran resilient  backpropagati on,  scaled  co nju gate gradie n t, dan Le ve nberg-M a rq u a rdt  serta  p engol ah a w a l  data m a su kan  pen skalaan,   pem bagian  d enga n rerata , norm a lisasi  re rata  dan   devi a si  sta n d a rd.  Diag no sis   gang guan  pe rm ulaan be rb asi s  dissol ve d gas in oil a nalysi s .              Jari nga n  sya r af tiru an  yang  digu na kan m e m pun yai  enam  m a su ka n d e n gan tig a   kelu ara n . Pe m belajaran  di laku ka n de ng an data  ga ng guan  pe rm ulaan tran sform a tor dari  su atu   penelitian.  Pe nelitian  dila ku kan  de nga n  m e m bandingkan  ja ringa n  syaraf  tirua n   dalam   top o lo gi,  m e tode pem b e lajaran, p e n golah  a w al d a ta m a su kan   diva ria s i u n tu k m enda pat  yang te rbai k  d a ri  sisi  keb ena ra n diagn osi s , rerata ke ben aran ,waktu  yan g  dibutu h k an, kem a mpuan m enca pai  target untu k  b eberapa p e m belaja r an d e n gan ini s ialisa s i Ng uyen-Wi dro w  ya ng be rsifat a c a k .                Ha sil p eneliti an m enunj ukkan  ba hwa j a ring an  sya r af tiruan  top o logi  gabu ng an m u lti  laye r pe rceptron de nga n pe ngola h  a w al  data m a su ka n diba gi re rat a  se rta m e tod e  pem belaja r an  resili ent ba ckpropa gation  adala h  pil i han ter bai k. Hasil  pen elitian dida p a tkan  den g a n   m e m bandingkan  de ngan  topolo g i lain  yang  diteliti  d a lam  peneliti an ini.  Ja ring an  syaraf ti ru an   juga lebih b a ik da ri m e tode kon v en sional ga s ku nci da n perbandi ngan g a s untu k  ka su s  transfo rm ator yan g  diteliti dalam  pen elitian in i se hingg a m e tode jari nga n  syaraf tiruan  ini  diharap kan d apat m engga ntikan p a kar  diagn osi s  ga nggu an m u la transfo rm ator.    Kata kunci  : jaringan syaraf, diagnosis, transform ator, gangguan      1. PENDAHULUAN  Tran sfo r mato r daya a dala h  peralatan p o ko k p ada si stem  tena ga listrik. Reali b i litasnya  tidak ha nya  mempe nga ru hi kela ng sun gan suplai  en ergi li strik, a k an tetapi jug a  mempe nga ruhi   operasi    ekon omis si stem  tenag a  li stri k.  Jumla h  tran sformato r ya ng  banya k   d e n gan  pe rbed a an  jenis dan   kapa sitas me mpersulit  p e r awat an  dan  peme r iksa a n  rutin  ka re na pe rb eda an  transfo rmato r  beraki bat pe rbed aan  kara kteri s ti k  dan  masal ah ya n g  timbul [1].  Sedang ka n u n tuk  mendata n g k a n  seorang  a h li dala m  p e r awatan  dan  peme r i k saa n  tran sfo r ma tor  secara rutin  diperl u kan bi aya yang cu kup b e sar, d i  samp in g keru sa kan tra n sformator y ang juga a k an   menga kib a tkan ke rugi an yang besar,d i mana pada   saat ini masala h peng h e matan en ergi di   antara n ya de ngan  peng he matan biaya  operasi  dan  pera w ata n  se dang m enja d i  perh a tian p a r a  peneliti. Apa b ila dap at dibuat pe rang kat luna k d e ngan  kem a m puan  sam a  atau men d e k ati  deng an se orang pa ka r d i agno si s tran sform a tor kh usu s nya ga n ggua n perm u laan seba g a i  ansti sipa si ga nggu an selan j utnya maka  peng hemata n  biaya dapat  dilakukan.   Beberapa p enelitian se belumnya   yang  m e mba has te ntang  diagn osi s   gang gua n   perm u laa n  t r an sform a tor meng gun a k an  kecerd asa n  b uata n  di  antaranya  Wan g  [2]    mengu mpul kan kea h lian   paka r  dan  mere pre s e n tasi kan n ya da lam baha sa  mesin  kemu dian  mengg una ka n ke ce rda s a n  buatan  unt uk me nge kstr aksi  kea h lia n tersebut la ngsung d a ri  data   ka sar. P eneli t ian ini me nyataka n  ba hwa jari nga n syaraf tirua n   (JST)  m u lti la yer pe rceptro n  m odular  ad a l ah piliha n  terbai k u n tuk diagno si s g angg uan p e rmulaan tran sform a tor d a y a   berb a si s  JST .  Tomsovi c  d an Amar [3] mena wa rk an  bebe rap a  me tode dal am e k tra k si da ri d a ta  tes yaitu men ggun akan pe nde katan him puna n  f u z zy    dan JST  se rta hibridi s a s i l ogika   fuz z y  dan  Evaluation Warning : The document was created with Spire.PDF for Python.
                                      ISSN: 16 93-6 930               TELK OMNI KA   Vol. 3, No. 3, Dese mb er 200 5 :  163 - 167   162 JST. Peneliti an ini belu m  menda patkan  hasil ma ks i m al untu k  si stem berb a si s  JST kare na d a ta   yang kurang  memad a i  . How dkk  [1]   m e mbuat pe ra ngkat lun a k ADAPT untu k  interp reta si  DGA  dari t r an sformator  daya   d enga n logi ka   fuz z y . To mso v ic dan  Bae r  [ 3 ] mene ka nkan pa da  apli k asi  logika  fuzzy  u n tuk di agno si s da n monito ring pe ralata n  listrik  di anta r anya tran sfo r mator b e rb asi s   DGA.  Dalam   penelitian  ini   juga  ditawarkan m e tode  la in sepe rti  JST. Zhou  d k k [ 4 ] memb ang un   pera n g k at lu nak  NEUCO M S untuk  monitori ng kondi si tran sformato r day a berb a si s  DGA  mengg una ka n JST diko mbina s i den gan logi ka  fuzz y  u n tuk  pro s e s  awal  masu kan. L a i [5]  mengg una ka n JST  backp ropag ation  mu rni unt uk  diag nosi s  g ang gu an pe rmul aa n tran sformat o r.  Lai juga me ngaju k a n  log i ka  f u z zy   b e rba s i s  DGA  dengan met ode  ke y ga s e s  dan meto de  perb andi nga n  ga s. Meto de  JST  memp u n yai ba nyak  variasi  topol o g i, metode  p e mbelaj ara n   dan   pemroses  a w al d a ta ma su kan. Pe nel itian ini a k a n  memb andi ngkan b ebe rapa m odel  JST   m u ltilayer perceptron  (M LP ) untuk m end apatkan ha sil  optimum.       2. LANDASAN  TEORI  Dissolve d  G as in Oil Ana l ysis  Teka nan  el ektri k   dan   pana s  pad a  bah an i n sulasi  dal am  tran sformat o r  akan   membe b a s ka n  ga s-g a s di dalamnya. Di stribu si  d a ri  g a s-ga s ini b e rhubu ngan  de ngan  gan ggu an   elektri k , se da ngkan laju pe mbentu k an g a s be rhu bun gan den gan t i ngkat bahay a dari ga ngg uan   terse but. Jeni s g a s-ga s ya ng dih a sil k a n  dapat  memb erikan i n form asi  untu k  p r o g ram  pe ra wa tan  preventif. Pa da um umnya  gas yang te rbentu k   adal ah hid r o gen  (H 2 ), ka rbo n  mono ksi da (CO ) ,  karbon  dio k si da (CO 2 ), m e tana  (CH 4 ),  asetilen  (C 2 H 2 ), etan a (C 2 H 6 ) dan  et ilen (C 2 H 4 ) (Lai,  1998 ), se dan gka n  ga s yan g  timbul tetap i  tidak men u n j ukkan g ang g uan ad alah o ksi gen  (O 2 ) d an  nitroge n (N 2 ) [6].    Intensita s  e nergi yan g  didisipa si k an akib at gang guan y ang be rvari a si a k an   mengh asil ka n pola - pol a  yang be rbe d a  dari  ga s-g a s yan g  dih a sil k an.  Ke selu ruh an at au  seb agia n  ga s-ga s terse but  terlarut dala m  minyak. Sif a t gang gua n  dapat di keta h u i da ri tipe g a s  dan j u mlah nya da ri g a s-g a s  yan g  a da  d a lam  conto h   minyak    D i ssolv ed   g a s an alysis  (D GA)  atau   anali s is ga s terlarut me rupa kan met ode y ang p a ling banya k  diguna kan  dalam dia g n o si s  gang guan t r ansfo rmato r . Metode  DGA dibuat  berd a sar  pe nemua n  Halstea d  tent ang  termodi nami k a [5].    Ada  du a  m a cam  meto de DGA konve n s ion a l  yaitu metode ga s kun c i ( key ga s m e thod )  dan m e tode   perb andi nga n  ga s  ( ga s   ra tio m e thod ),  sed ang ka n  metode  yang  terb aru  ad al ah   metode kecerdasan bu atan .     M u lti layer percep tron n e ural netw ork   (MLP)   MLP mung ki n adalah  JS T yang palin g popule r  da lam aplikasi  peng enala n  pola [7].      Memori  a dal ah b obot  ant ara  lapi san - la pisa n di rep r e s enta s i k an  d enga n  w ij  se hingg a  h ubu ngan   masu ka n-kel uara n  adal ah  :   p i l ij l ij l j l j x w v y 0 ) ( ) ( ) ( ) ( ) (  ………… …… ………… …… …………..(1)  di man a   l  a d a la h  no mor  lapis a n ( l  > 0, la pisa n ma su kan a dala h  la p i san  ketiga),   y j (l)  me nunju k kan  kelu ara n  da ri  neu ron  ke - j   pada l api san  ke - l ,  v j (l)   me nunju k kan j u mlah n euron-neuron m a su kan   yang telah  di kali kan  bob otnya,  x ij (l)  men unju k kan m a su kan  ke - i  d a ri n euron  (  p  ma su kan d a ri  lapisan  seb e l u mnya d an  satu ma su kan  bia s  tetap  ),   w ij (l )  me nunj ukkan  kontrib u si  bobot  da ri  input ke - i  ke  neuron, dan  (. ) adala h  fungsi a k tifasi n euro n .  Fungs i  ak tifas i   (.) a dalah  fungsi ta k lini e r  sm ooth   (d apat didefe r e n sial ka n di m anap un)    dan da pat me mpunyai be rb agai be ntuk,  sep e rt i fung si  logistik, tang en hipe rbol a :     v dan a av v     0       ) exp( 1 1 ) (  ……………...(2)     0 ) , (          ) tanh(   ) ( b a bv a v  ………… …… ………… …… …(3 )   Pembelaj ara n  MLP bi asa n ya men ggu nakan al go ritma  ba ck-p ro pagatio n  , terdiri  dua  jalan, jalan m a ju  (for wa rd )  dan bali k   ( bac kw ar d)  . Pada berj a lan  maju  bobot  dari ja ringa n tetap   dan  persa ma an (1) digu n a ka n u n tuk  menda patkan  kel uaran  da ri ma su ka n  melalui  sel u ruh   lapisan. Sela ma berj a lan b a lik , semu a bobot di se su aika n den gan  persama an kore ksi e r ror :   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA  ISSN:  1693-6 930                        Diagn osi s  G angg uan Pe rm ulaan Tran sform a tor …… …..(No or Akh m ad S)  163    ) ( ) ( ) ( n y n d n e j j j    ………… …… ………… …… …………..(4)    k l kj l k l j L j L j (l) j idden l  lapisan h on j dalam untuk neur n w n n v L keluaran lapisan on j dalam untuk neur n v e    ) ( ) ( δ )) ( ( '                 )) ( ( ' δ ) 1 ( ) 1 ( ) ( ) ( ) (  …….(5 )    ) ( ) ( ηδ ) 1 ( α ) ( ) 1 ( ) 1 ( ) ( ) ( ) ( ) ( n y n n w n w n w l i l j l ji l ji l ji      …………… ………..(6 )   di mana   n  a dalah  nomo r  itera s i,  e  ad alah i s yarat  error,  d   adal ah isya rat target,  ’(. )  ad ala h   diferen s ial d a r i fungsi a k tifasi,   adal ah  laju pemb e laj a ran d an   a dalah  kon s ta nta momentu m .     Selama p r o s es pe mbel aja r an, sampel  d a ta dibe rikan  pada ja ring an  secara acak.  Sekali  pembe ria n  semua  samp e l  data pada  jaring an din a m aka n  satu  epo ch . Dal a m pembel aja r an  biasanya dila ku kan ba nya k   epo ch  Pe mbelaja r an a k an be ra khi r  ketika e rro r individu kua d rat  dan/atau e r ro r si stem re rat a  lebih kecil d a ri nilai yang  diberi k a n . Error didefini s i k a n  :     2 ) ( 2 1 n e e j kuadrat    ………… …… ………… …… ………… …… …….(7 )     N j j rerata n e N e 1 2 ) ( 2 1  ………………………………………… …............(8)    Algoritma pe mbelaja r an  prop aga si b a lik biasany a  men ggu na kan   metod e   gra d ient  desce nt  untu k  memi nimu mkan fu ng si  errornya. M e tode ini bi a s anya te rlalu  lambat dal a m   menan gani  m a sal ah-ma sal ah di  lapa ng an [8]. Modifi ka si dil a kuka n untu k  m e m percep a t p r o s e s   pembel ajaran . Ada banyak metode pem belaja r an yan g  digun akan  dalam ja ringa n syaraf tiru a n   MLP, di anta r anya  adal ah   re silient b a ckpropa gation    yang  dike mbang ka n ol eh Ri edmille r [9]  sela njutnya d i seb u t RP. Metode lain yai t u  Scaled co njugate  g r adi ent  sela njutn y a diseb u t SCG  adala h  vari asi dari  metod e  optima s i yan g  ba nyak  dip a kai  untu k  m engata s i o p timasi  skala  b e sa r  s e c a ra  e f ek tif ya itu  me tode   conju gate gradi ent . Ma rtin F. Molle r  menem ukan  suatu  alg o rit m a   yang m e ru p a ka n m odifikasi  da ri met ode  co njug a t e gradient   [10]. Algorit ma L e venbe rg- Marq uardt se lanjutnya di sebut  LM adal ah algo ritma  yang berba si s matri ks  He ssi an. Metod e  ini  tidak  meng hitung m a tri k s  He ssi an teta pi mem per ki raka nnya den gan perkali an   tran sp os  ma triks  Ja cobi an de n gan matri k s Jaco bian [11].          3. CARA  PENELITIAN  Cara pen elitian se su ai tah apan b e ri kut :  1.   Peran c a nga n  model JST u n tuk dia gno si s gan ggu an transfo rmato r  berb a si s DG A  Peran c a nga n  ini me ngg un aka n  top o logi  MLP m u rni.  Topolo g i M L P murni di ran c an g d eng an  mempe r hati k an optima s i JST. Percob a an yang  dila kuka n dalam  penelitian ini  membe r ikan   topologi 1 l a pisa n tersem bunyi den gan  jumlah n euron 6 ad alah t opolo g i yang  terbai k da ri   sisi valida s i  dibandin g  topologi la in yang  dicoba dala m  penelitian  ini. Keluaran   mengg una ka n bip o lar ( -1 da n 1  ).  F ung si a k tivasi men ggun akan fun g si  a s i m etris yaitu   tangen hip e rbolik (Hay kin,  1994). JST  aka n  mengi n d ika s i k an no rmal apabil a  neuron yang  menunj ukka n  normal be rnilai 1 atau  nilai pos itif mende kati 1, demikia n  pula untuk  discha rge s    dan  therm a l . Sebaliknya  jika neu ro n yang  berse suaian, misal n ya neuron  norm a l, me mberi k a n  nil a i -1 ata u  n egatif me nde kati  -1, b e ra rti men g indi kasi kan  tida k  norm a l, demi k ian p u la unt uk  di scharge s  dan  thermal.    2.   Repre s en tasi data pa d a  model untu k  pemb e laja ran   Rep r e s enta s i  data masuka n pada top o l ogi untu k  pe mbelaja r an  di laku ka n den g an lima cara   yaitu rep r e s entasi  data  ka sar,  rep r e s enta s i d a ta  terproses  d enga n dib a g i  reratanya,  rep r e s enta s i  data de nga n  pen skalaa n  rentan g -1  samp ai 1, re pre s enta s i d a ta den gan   norm a lisasi  rerata d an st anda r devia si. Data pem belaja r an  da n peng ujian  diambil d a ri  publi k a s i To msovic d an  Amar (1 997 ).  3.   Pembelaj ara n  JST   Pembelaj ara n  JST  men g g una kan  algo ri tma pem belaj aran  cepat  d enga n  kema mpuan  lebi h  baik di ban di ng yang la in yaitu  re silient ba ckprop agatio n (R P) ,  scale d  conju gate   gradi ent (S CG ),  leve nbe rg -m arquardt (L M)(Dem uth d an Beale, 20 00). Metod e   pembel ajaran  terse but diterapkan pa da  masin g -m asi ng topolo g i.  Evaluation Warning : The document was created with Spire.PDF for Python.
                                      ISSN: 16 93-6 930               TELK OMNI KA   Vol. 3, No. 3, Dese mb er 200 5 :  163 - 167   164 4.   Pengujia n ha sil pemb e laja ran JS T   Ha sil pemb e l a jara n diuji  deng an sepu luh kali p e m belaja r an, de ngan e p o c h  maksimum  4000,  kem u d i an di hitung t i ngkat kebe n a ran  ma ksim um, rata -rata  ke ben ara n   dari  se pulu h   pro s e s  pem b e lajaran, re rata wa ktu ya ng dibutu h ka n sela ma p r ose s  pe mbel ajara n , dan   persenta s e ta rget MSE tercapai da ri se p u luh kali pem belaja r an.    5.   Analisi s  ha sil pembel ajaran  dan pen gujia n  Berdasarkan  hasil pembelajaran dan pengujian pada langkah 4, maka tahap selanjutnya  adalah tahap analisis dan pembahasan. Variabel  yang diamati adalah tingkat kebenaran  sistem JST MLP dengan masing-masing me tode pembelajaran dan pengolahan awal  data  masukan, serta waktu  yang dibutuhkan  untuk pembelajaran, dan   dibandingkan  dengan  metode konvensional gas kunci, perbandingan  gas IEC dan Roger, flag point.          4.  HASIL DAN PEMBAHASAN  Hasil penelitian untuk topologi MLP murn i dapat dilihat pada Tabel 1. Dari hasil  pengujian yang didapatkan,  dengan memperhatikan va riabel  yang diujikan, kombinasi  pengolah  awal  dibagi rerata  menunjukkan performa terbaik  secara umum, terutama  dari sisi kebenaran  dan  rerata kebenaran  dengan inisialisasi bobot  acak  (metode  Nguyen-Widrow). Hasil penelitian  Demuth  dan Beale (2000) menyatakan metode LM  cepat untuk sistem JST MLP dengan jumlah  bobot yang  relatif sedikit,  tetapi lambat  unt uk jumlah  bobot banyak  karena kebutuhan memori  yang besar, sebaliknya dengan metode RP.      Tabel 1. Kem a mpua n JST  MLP deng an  variasi m e tod e  pembel ajaran dan p eng o l ah awal   Pengo -lah  data awal   Metode  pembel ajar an   Kebena ra n  maksimum (%)  Rer a ta  keb ena ran  (% )   Rer a ta wa ktu     (detik)   Persenta s e  target  terca pai (% )   Tanpa  peng olah  ( k as ar )  RP  SCG  LM  80   80   70   56,5   56   50,5   26,19   57,22   51,83   20   0  20   Diba gi  rer a ta   RP  SCG  LM  85   80   85   76   75   75   10,41   5,15   1,59   70   90   70   Penskala - an   RP  SCG  LM  75   85   80   70   74,5   69   21,86   11,33   1,53   50   80   50   Normali- sa si re rat a   dan sd   RP  SCG  LM  75   80   80   71,5   74,5   65   10,78   5,26   1,16   70   90   50            Perba nding a n  ha sil pe ng ujian me nunj ukkan  bah wa  topologi M L P denga n p r ose s  a w al  dibagi rerata   membe r ikan  hasil yang rel a tif lebih baik dibandin g ka n denga n top o logi MLP murni  terutama da ri rata-rata ke bena ran yan g  membe r ika n  keuntu nga n pada saat  pembelaj ara n ..  Dalam p eneli t ian ini diputuskan untu k   mengg una ka n metode RP dengan to pologi MLP  dan  pemroses  awal diba gi rerat a  diba ndin g kan de nga n  m e tode lai n  ya ng pe rna h  di pakai da n dit e liti.  Metode  pem belaja r an  RP  dipilih  wala upun  meto de  LM  memb erikan  kecepat an yan g  te rb aik  saat p e mbel a j aran,  ka ren a  pada  sa at pe nggu naan tid a k la gi mela kuka n pem bel ajara n  sehin g g a   ke cep a tan p e mbelaj ara n  tidak be gitu pent ing  sedan gkan m e tode LM m e mpunyai  be ban  komp utasi  yang le bih b e s ar di sba ndi ng RP. M e to de LM l ebih  tepat untu k  aplikl a si  on -line   deng an bob o t  yang adaptif. Apabila dibandi ng kan  deng an meto de konve n si o nal sep e rti  flag   point , ga s  ku nci, IEC,  dan  metod e   Rog e r, meto de  M L P men unju k kan  ting kat  keben ara n  ya ng  jauh l ebih  bai k u n tuk data   yang di pa kai  dalam  pen e litan ini,  hal  ini  karena  meto de  konve n si o nal   tidak m e mp unyai kema mpuan  bel ajar d a ri  data  tran sform a tor yan g  terken a ga ngg ua n   perm u laa n , sehing ga tida k mamp u me n deteksi  gang guan  pe rmul aan p ada  tra n sformator yang   berb eda -be d a  karakte r isti knya. Keung gulan meto de  JST ini sang at menonjol p ada ke mamp uan   belaja r nya sehing ga kara kteri s tik yan g  berbe da da ri transfo rmat or mam pu di tangani d eng an  metode JS T ini. Hasil di ag nosi s  de nga n  metode ko nvensi onal da p a t dilihat pad a Tabel 2.      Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA  ISSN:  1693-6 930                        Diagn osi s  G angg uan Pe rm ulaan Tran sform a tor …… …..(No or Akh m ad S)  165 Tabel 2. Persentase ke ben aran h a sil di a gno sis g ang g uan pe rmul aa n trafo deng a n  berb agai  metode DGA konve n si onal   Metode  Flagpoi nt Keygas  Rog e r' s  IEC  Kebena ra n   (% )     25     45     35     50          5. KESIMPULAN  Jaringan  syaraf tiruan dengan topologi MLP dikombinasi dengan pengolah awal data  masukan  dibagi rerata  dapat digunakan  sebagai alternatif  diagnosis gangguan permulaan  transformator sebagai  pengganti pakar  di agnosis  dengan tingkat  kebenaran dan kemampuan  pembelajaran yang cukup baik (85%) apab ila dibandingkan metode konvensional.        DAFTAR PUSTAKA  [  1]   How, W.Y., Khalid M., Zain, S.A.F.S, 1 999 ,” Transfo r mer  Fault Diagnosis Usi ng  Fuzzy  Logic Interpr e ta tions ”  CAIRO Unive r sit i  Teknol ogi M a laysia, Kual a Lumpu r.   [ 2]  Wan g ,  K.O.,  2000,  " Exp e rt Sy stem  for Tr ans f or mer Fault  Diagnosis "  B a ch elor of  Enginee ring  Hon ours Th e s is, University of Queensl and.   [  3]  Tomsovic, K., Amar, A., 1997,  “ On  Re fining Equipment Co n d ition M onitoring using   Fuzzy Sets and Ar tificial  Neural Nets ”  School of  Electri c al En ginee ring a n d  Compute r   Scien c e Washington State  University, Pullman,WA.   [  4]  Zhou, Z.H.,  Chen, Z.Q ., Chen, S.F., 2001,  ” Conditio n  M onitoring of Power  Trans f ormer  with  Neur al Network s ”    Proceedi ng s  of  Internatio nal Conferen ce o n  Info- tech & Info-n et, Beijing, vo l 3, pp. 468-4 72.  [  5]  Lai, L.L., 199 8,  “ Intelligent System  Applicati ons in Power Engineering ”   Jo hn Wiley  &   Sons Ltd., West Sussex, p p . 195-2 05.   [  6]  DiGio r gio,  J.B., 2000-20 0 1 , “ Dissolv e d  Gas Analy s is of  M i neral Oil Insulating Fluids ”  NTT - Techni cal Bulletin  [  7]  Hayki n , S., 1 994,  “ Neural  Netw ork A  Compre hens ive Founda tion”    MacMill an College  Publishi ng Company Inc.,  Ne w York.  [  8]  Demuth, Ho ward, Beale, Mark, 2000,  ” Ne ural Ne twork Toolbo x for Use With M a tlab  User’s Guide ”  The MathWorks ,  Inc .    [  9]  Micu sik,  D.,  Stopja k ova,  V., Benu skova, L., 20 02,” Applicati on o f  F eed -Forw a rd  Artifici al Ne ural Ne tw or ks to  th e I d enti fic a tion  of  De fec t ive Analog I n tegr ate d   Circuit s ”   Ne ural Computi ng & Applications, Spri n ger-Verl ag L ondo n Limite d, vol.  1   No.1,pp. 71 -7 9.  [  10]  Moller, Ma rtin  F., 1990,  ” A Scaled Conj ugate Gra d ie nt Algo rithm  for Fa st Su pervised  Learning ” , Compute r  Scie nce  Dep a rtm ent Un iversity of Aarhus, Denma r k.   Evaluation Warning : The document was created with Spire.PDF for Python.