5 fejlfindningsteknikker for store strømtransformatorer

Metoder til fejldiagnose af transformatorer

1. Forholdsmetode for analyse af løst gas

For de fleste oliebaserede strømtransformatorer produceres bestemte brandbare gasser i transformatortanken under termisk og elektrisk stress. De brandbare gasser, der er løst i ollen, kan bruges til at bestemme de termiske nedbrydningskarakteristika af transformatorernes olie-papir isoleringssystem baseret på deres specifikke gasindhold og forhold. Denne teknologi blev først anvendt til fejldiagnose i oliebaserede transformatorer. Senere foreslog Barraclough og andre en fejldiagnosemetode, der bruger fire gasforhold: CH4/H2, C2H6/CH4, C2H4/C2H6 og C2H2/C2H4. I senere IEC-standarder blev C2H6/CH4-forholdet fjernet, og den ændrede tre-forholdsmetode blev bredt anvendt. Rogers gav yderligere en detaljeret analyse og forklaring af gaskomponentforholdskodning og anvendelsesmetoder i IEEE- og IEC-standarder. Langtidsanvendelsen af IEC 599 har vist, at det ikke matcher de faktiske forhold i nogle tilfælde og kan ikke diagnosticere visse fejlscenarier. Derfor har både Kina og Japan Electrical Association foretaget forbedringer af IEC-kodningen, mens andre metoder til analyse af løst gas også har fået bred anvendelse.

2. Fejldiagnosemetode ved udspringslig logik

Den amerikanske kontrolteoretiker L.A. Zadeh foreslog først udspringslige diagnosemetoder, som siden har fået bredere anvendelse. Udspringslig logik er fordelagtig for at udtrykke kvalitativ viden og erfaring med uklare grænser. Ved hjælp af begrebet medlemskabsfunktioner adskiller den udspringslige mængder, behandler udspringslige relationer, simulerer menneskeligt regelbaseret ræsonnement og løser forskellige usikkerhedsproblemer i praktiske anvendelser. I praksis viser transformatorer ofte fejl med uklare årsager og mekanismer, der involverer mange usikre og udspringslige relationer, som traditionelle metoder ikke kan forklare eller beskrive godt. Udspringslige logikmetoder kan effektivt tackle disse usikre relationer i transformatorfejl, hvilket giver en ny tilgang til fejldiagnose af strømtransformatorer.

For at håndtere begrænsningen af manglen på kritiske forholdsgrænser i den almindeligt anvendte Rogers-forholdsmetode til fejldiagnose af strømtransformatorer, er der foreslået en metode, der bruger udspringslig mængdeteori. Denne tilgang introducerer udspringslig logikteknologi i traditionelle forholdsmetoder ved at udspringeliggøre forholdsgrænser. Denne metode har vist gode anvendelseseffekter i diagnostikken af flere transformatorfejl og har udviklet sig til en række fejldiagnosemetoder, herunder kodningskombinationsmetoder, udspringslige klustringsmetoder, Petri-netværk og grå systemer. Disse modeller tager fuldt hensyn til dataenes indbyggede udspringethed, hvilket effektivt forbedrer ydeevnen med komplekse datasæt og øger nøjagtigheden af transformatorfejldiagnose.

3. Ekspertsystemdiagnosemetode

Ekspertsystemer repræsenterer en vigtig gren af kunstig intelligens. De er computerprogramsystemer, der i en vis grad kan simulere menneskelige eksperters erfaringer og ræsonnementer. Baseret på data, som brugeren leverer, anvender de lagret ekspertviden eller erfaring til at trække konklusioner og give domme, der sidestilles med tillidsniveauer for at hjælpe brugeren med beslutninger. Fejldiagnose af strømtransformatorer er et yderst komplekst problem, der involverer flere faktorer.

At træffe præcise konklusioner baseret på forskellige parametre kræver solide teoretiske fundament og rig operationel vedligeholdelseserfaring. Desuden varierer samme fejl i forskellige transformatorer på grund af variationer i transformatorkapacitet, spændingsniveauer og driftsområder. Ekspertsystemer har stærk fejl tolerance og tilpasningsevne, hvilket giver dem mulighed for at ændre deres videnbase baseret på opnået diagnostisk viden for at sikre fuldstændighed. Derfor kan de effektivt diagnosticere forskellige typer af strømtransformatorer. Ekspertsystemer til fejldiagnose af strømtransformatorer kan bestemme fejlkarakteristika ved at syntetisere viden om fejlårsager og -typer, inklusive viden om fejldetektion, herunder analyse af løst gas i ollen. De kan effektivt håndtere udspringelige problemer i fejldiagnose ved hjælp af udspringslig logik, håndtere flaskehalsen ved svært ved at opnå fuldstændig viden gennem rough set-metoder, og etablere strukturer, der er egnet til multieksperthandling, ved hjælp af blackboard model arkitektur.

4. Diagnosemetode ved kunstige neurale netværk

Kunstige neurale netværk (ANN) modellerer matematisk neuronaktivitet og repræsenterer et informationsbehandlingsystem baseret på efterligning af struktur og funktion af hjernens neurale netværk. ANN har selvorganiserende, adaptive, selvindlærings-, fejl-tolerante evner samt stærke ikke-lineære approksimationsmuligheder. De kan implementere forudsigelse, simulation og udspringslig kontrolfunktioner, hvilket gør dem til kraftfulde værktøjer til behandling af ikke-lineære systemer. At bruge kunstige neurale netværk til fejldiagnose af transformatorer baseret på gaskomponenter og -koncentrationer i ollen har været et fokusområde for forskning i de seneste år. Dette har ført til udviklingen af forskellige fejldiagnosemetoder baseret på ANN, såsom to-trins ANN-metoden, backpropagation kunstige neurale netværk, beslutningstræ neurale netværksmodeller, kombinerede neurale netværkshierarkiske strukturelle modeller og radiusbaserede funktionelle neurale netværk. Disse metoder forbedrer konstant konvergenshastighed, klassificeringsydeevne og præcision af neurale netværksalgoritmer.

5. Andre diagnosemetoder

Ud over de fire metoder, der er nævnt ovenfor, anvendes der også flere andre metoder til fejldiagnose af transformatorer. Ved organisk at kombinere neurale netværk og bevissteori for at udnytte deres komplementære fordele, kan en omfattende fejldiagnosemetode for transformatorer, der integrerer flere neurale netværk med bevissteori, udvikles. Inspireret af de effektive genkendelses- og hukommelsesmekanismer hos antistoffer mod antigener i biologiske immunsystemer, kan selvironiserende antistofnetværk og antistofgenerering algoritmer anvendes til at løse fejldiagnoseproblemer i strømtransformatorer. Yderligere omfatter andre fejldiagnosemetoder for transformatorer metoder baseret på informationssammenfletning, rough set-teori, kombinerede beslutningstræer, bayesianske netværk, kunstige immunsystemer, nye radiusbaserede funktionelle netværk og support vector machines.