"Implementing Deep Learning Algorithms for Predictive Maintenance in Electrical Power Systems to Reduce Downtime and Costs" CASE STUDY: Al-Rways Power Plant Network (220KV)

أبراهيم   عبد الكافي

doi:10.64095/saj.v2i1.584

المؤلفون

أبراهيم أمحمد عبد الكافي المعهد العالي للعلوم والتقنية صبراتة، ليبيا

DOI:

https://doi.org/10.64095/saj.v2i1.584

الملخص

تم تطوير نموذج للصيانة التنبؤية لأنظمة الطاقة الكهربائية باستخدام التعلم العميق، وتقييمه بهدف تقليل وقت التوقف عن العمل وتكاليف التشغيل، وتم التحقق من صحة النموذج باستخدام لغة بايثون (VSCodeUserSetup-x64-1.93.1)، واستُخدمت شبكة عصبية أمامية مُدرَّبة على مجموعة بيانات متعددة الأبعاد مُستمدة من مكونات شبكة الطاقة بما في ذلك المولدات والمحولات وقواطع الدائرة لدائرة محطة الرويس لتوليد الطاقة في الشبكة الليبية. شملت المنهجية معالجة البيانات المسبقة، وهندسة الميزات، وتحسين النموذج لتحقيق دقة تنبؤية مثلى. تم تدريب النموذج على مدار 100 دورة تدريبية، وبلغ ذروة أدائه خلال دورة محددة، مما أظهر دقة مُحسَّنة على كلٍّ من مجموعتي التدريب والتحقق، إلى جانب انخفاض متوسط مربع الخطأ (MSE) لكليهما. بالمقارنة مع نماذج التعلم الآلي التقليدية مثل الغابة العشوائية، وآلة المتجهات الداعمة (SVM)، ونموذج التدرج المعمم (GBM)، أظهر النموذج المُدرَّب تفوقًا على هذه الخوارزميات في تقليل وقت التوقف عن العمل، وخفض تكاليف الصيانة، وتحسين متوسط الوقت بين الأعطال (MTBF) للمعدات المذكورة أعلاه. تُبيّن هذه الورقة البحثية، استنادًا إلى النتائج المُتحصَّل عليها، أنَّ التعلّم العميق يُحسِّن بشكلٍ ملحوظ الصيانة التنبؤية في أنظمة الطاقة الكهربائية، وذلك من خلال توفير دقة فائقة، وتقليل وقت التوقف، وزيادة جاهزية النظام، وتحقيق وفورات كبيرة في التكاليف. علاوةً على ذلك، تُوصي الورقة بتمديد فترة التنبؤ بالأعطال، وتحسين دقة جمع البيانات لتعزيز أداء النموذج بشكلٍ أكبر.

المراجع

 Garcia, J., et al. (2025). Condition monitoring and predictive maintenance in industrial equipment: An NLP-assisted review. Applied Sciences, 15(10), 5465. https://doi.org/10.3390/app15105465.

 Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.

 Gupta, K., & Juneja, P. K. (2025). Predictive maintenance using AI and IoT in manufacturing.. +1

 Hassan, S. (2025). Predictive maintenance in IoT using NLP techniques. https://urn.fi/URN:fi-fe2025051646071.

 Iyaniwura, A. A., & Mayaki, C. S. (2025). Artificial Intelligence-enabled smart grid systems for real-time load forecasting, fault detection, renewable energy integration and optimization. Global Journal of Engineering and Technology Advances, 24(03), 191–208. https://doi.org/10.30574/gjeta.2025.24.3.0272.

 Jagdhuber, R., Lang, M., & Rahnenführer, J. (2020). Feature selection methods for cost-constrained classification in random forests. https://doi.org/10.48550/arXiv.2008.06298.

 Jardine, A. K. S., Lin, D., & Banjevic, D. (2006). A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, 20(7), 1483–1510. https://doi.org/10.1016/j.ymssp.2005.09.012.

 Jha, U. C., & Sai, R. J. (2022). Analysis of predictive maintenance in Industry 4.0: A review. International Journal of Mechanical Engineering. http://www.iaras.org/iaras/journals/ijme.

 Lan, Y. (2025). A hybrid CNN-LSTM model for stock price prediction with spatial and temporal dependencies. Applied and Computational Engineering, 155(1), 236–242. https://doi.org/10.54254/2755-2721/2025.GL23570.

 Mobley, R. K. (2002). An introduction to predictive maintenance (2nd ed.). Butterworth-Heinemann.

 Msane, M. R., Thango, B. A., & Ogudo, K. A. (2024). Condition monitoring of electrical transformers using the Internet of Things: A systematic literature review. Applied Sciences, 14(21), 9690. https://doi.org/10.3390/app14219690.

 Muthukumar, G., & Philip, J. (2024). CNN-LSTM hybrid deep learning model for remaining useful life estimation. International Journal for Innovative Research in Multidisciplinary Field. https://doi.org/10.2015/IJIRMF/ICSETI-2024/P04.

 Nanfak, A., & Samuel, E. (2024). Traditional fault diagnosis methods for mineral oil-immersed power transformer based on dissolved gas analysis: Past, present and future. https://doi.org/10.1049/nde2.12082.

 Safari, A., Daneshvar, M., & Anvari-Moghaddam, A. (2024.). A systematic review of artificial intelligence for energy management. Applied Sciences. https://doi.org/10.3390/app142311112.

 Strielkowski, W., Vlasov, A., Selivanov, K., & Muraviev, K. (2023). Machine learning and data-driven methods for the predictive analysis of power systems: A review. Energies, 16(10), 4025. https://doi.org/10.3390/en16104025.

 Xaxa, L. B., & Kumar, S. (2023). Synchronous generator abnormality and fault analysis. Journal of Engineering Sciences (JES)..

 Zeb, S., & Lodhi, S. K. (2025). AI for predictive maintenance: Reducing downtime and enhancing efficiency. Enrichment: Journal of Multidisciplinary Research and Development, 3(1), 135–150. https://doi.org/10.55324/enrichment.v3i1.338.

 Zhao, R., Yan, R., Chen, Z., Mao, K., Wang, P., & Gao, R. X. (2018). Deep learning and its applications to machine health monitoring: A survey. IEEE Transactions on Neural Networks and Learning Systems, 29(3), 1–21.