5 Fehlerdiagnoseverfahren für große Starkstromtransformator

Verfahren zur Fehlersuche an Transformern

1. Verhältnismethode für die Analyse gelöster Gase

Bei den meisten ölgefüllten Starkstromtransformern entstehen unter thermischer und elektrischer Belastung bestimmte brennbare Gase im Transformatortank. Die in Öl gelösten brennbaren Gase können verwendet werden, um die thermischen Zersetzungsmerkmale des Transformatorenöl-Papier-Isolierungssystems auf der Grundlage ihres spezifischen Gasgehalts und -verhältnisses zu bestimmen. Diese Technologie wurde erstmals für die Fehlersuche bei ölgefüllten Transformern eingesetzt. Später schlugen Barraclough und andere eine Fehlersuchmethode mit vier Gasverhältnissen vor: CH4/H2, C2H6/CH4, C2H4/C2H6 und C2H2/C2H4. In späteren IEC-Normen wurde das C2H6/CH4-Verhältnis entfernt, und die modifizierte Dreiverhältnismethode fand weite Verbreitung. Rogers gab detaillierte Analysen und Erklärungen zu den Codierungen und Verwendungsmethoden der Gasanteilverhältnisse in IEEE- und IEC-Normen. Langfristige Anwendungen von IEC 599 zeigten, dass es in einigen Fällen nicht zu den tatsächlichen Bedingungen passt und bestimmte Fehlerfälle nicht diagnostizieren kann. Daher haben sowohl China als auch der Japanische Elektrotechnikverband Verbesserungen an der IEC-Codierung vorgenommen, während andere Methoden zur Analyse gelöster Gase ebenfalls weit verbreitet wurden.

2. Fuzzy-Logik-Diagnosemethode

Der amerikanische Regelungstheoretiker L.A. Zadeh schlug erstmals Fuzzy-Diagnosemethoden vor, die seitdem breitere Anwendung finden. Fuzzy-Logik ist vorteilhaft, um qualitatives Wissen und Erfahrungen mit unklaren Grenzen auszudrücken. Mit dem Konzept der Zugehörigkeitsfunktionen unterscheidet sie unscharfe Mengen, verarbeitet unscharfe Beziehungen, simuliert regelbasiertes menschliches Schließen und löst verschiedene Unsicherheitsprobleme in praktischen Anwendungen. In der Praxis zeigen Transformer oft Fehler mit unklaren Ursachen und Mechanismen, die viele unsichere und unscharfe Beziehungen beinhalten, die traditionelle Methoden nicht gut erklären oder beschreiben können. Fuzzy-Logik-Methoden können diese unsicheren Beziehungen bei Transformatorfehlern effektiv behandeln und bieten einen neuen Ansatz für die Fehlersuche an Starkstromtransformern.

Um die Einschränkung des Mangels an kritischen Verhältniskriterien in der gebräuchlichen Rogers-Verhältnismethode für die Fehlersuche an Starkstromtransformern zu überwinden, wurde eine Methode vorgeschlagen, die die Theorie unscharfer Mengen nutzt. Dieser Ansatz führt Fuzzy-Logik-Technologien in traditionelle Verhältnismethoden ein, indem er die Verhältnisgrenzen unscharf macht. Diese Methode hat gute Anwendungserfolge bei der Diagnose mehrerer Transformatorfehler gezeigt und hat sich in eine Reihe von Fehlersuchmethoden entwickelt, einschließlich Kombinationscodierungsmethoden, unscharfen Clustering-Techniken, Petri-Netzen und Grausystemen. Diese Modelle berücksichtigen die inhärente Unschärfe der Daten vollständig, verbessern die Leistung bei komplexen Datensätzen wirksam und erhöhen die Genauigkeit der Fehlersuche an Transformern.

3. Expertensystem-Diagnosemethode

Expertensysteme stellen einen wichtigen Zweig der künstlichen Intelligenz dar. Sie sind Computerprogrammsysteme, die in gewissem Maße die Erfahrung und den Schließprozess menschlicher Experten nachahmen können. Auf der Grundlage der vom Benutzer bereitgestellten Daten wenden sie gespeichertes Expertenwissen oder -erfahrung an, um Schlussfolgerungen und Urteile zu ziehen und letztendlich Schlussfolgerungen mit einem Konfidenzniveau bereitzustellen, um die Entscheidungsfindung des Benutzers zu unterstützen. Die Fehlersuche an Starkstromtransformern ist ein extrem komplexes Problem, das mehrere Faktoren umfasst.

Genau urteilen zu können basierend auf verschiedenen Parametern erfordert solide theoretische Grundlagen und reiche Betriebs- und Wartungserfahrung. Darüber hinaus variieren die gleichen Fehler je nach Transformatorkapazität, Spannungsniveaus und Betriebsbedingungen. Expertensysteme besitzen starke Fehlertoleranz und Anpassungsfähigkeit, was es ihnen ermöglicht, ihre Wissensbasis basierend auf erworbenem diagnostischem Wissen zu modifizieren, um Vollständigkeit sicherzustellen. Daher können sie effektiv verschiedene Arten von Starkstromtransformern diagnostizieren. Expertensysteme zur Fehlersuche an Starkstromtransformern können Fehlermerkmale durch die Synthese von Wissen über Fehlerursachen und -arten bestimmen, einschließlich der Kenntnisse zur Fehlersuche, wie der Analyse gelöster Gase im Öl. Sie können unscharfe Probleme in der Fehlersuche effektiv mit Fuzzy-Logik behandeln, die Engpässe beim Erwerb vollständigen Wissens durch Rough-Set-Methoden bewältigen und Strukturen für die kollaborative Diagnose durch mehrere Experten mit Blackboard-Modell-Architektur etablieren.

4. Diagnosemethode mit künstlichen neuronalen Netzen

Künstliche neuronale Netze modellieren die Aktivität von Neuronen mathematisch und stellen ein Informationsverarbeitungssystem dar, das auf der Nachahmung der Struktur und Funktion von Hirnneuronnetzen basiert. KNNs besitzen Selbstorganisations-, Anpassungs-, Selbstlern- und Fehlertoleranzfähigkeiten sowie starke nichtlineare Approximationsfähigkeiten. Sie können Vorhersage-, Simulations- und unscharfe Steuerungsfunktionen implementieren und sind leistungsstarke Werkzeuge zur Verarbeitung nichtlinearer Systeme. Die Verwendung künstlicher neuronaler Netze zur Fehlersuche an Transformern basierend auf den Komponenten und Konzentrationen gelöster Gase im Öl war in den letzten Jahren ein Forschungsschwerpunkt. Dies hat zur Entwicklung verschiedener Fehlersuchmethoden auf der Basis von KNNs geführt, wie die Zwei-Schritt-KNN-Methode, Rückpropagationskünstliche neuronale Netze, Entscheidungsbaum-Neuronennetzmodelle, kombinierte hierarchische Strukturmodelle von Neuronennetzen und radial-basis-funktionale Neuronennetze. Diese Methoden verbessern ständig die Konvergenzgeschwindigkeit, die Klassifizierungsleistung und die Genauigkeit der Neuronennetzalgorithmen.

5. Andere Diagnosemethoden

Neben den oben genannten vier Methoden werden auch einige andere Ansätze für die Fehlersuche an Transformern eingesetzt. Durch die organische Kombination von Neuronennetzen und Beweistheorie, um ihre ergänzenden Vorteile zu nutzen, kann eine umfassende Fehlersuchmethode für Transformern entwickelt werden, die mehrere Neuronennetze mit Beweistheorie integriert. Inspiriert durch die effizienten Erkennungs- und Speichermechanismen von Antikörpern gegen Antigene in biologischen Immunsystemen können sich selbst organisierende Antikörpernetze und Antikörpergenerierungsalgorithmen zur Lösung von Fehlersuchen an Starkstromtransformern eingesetzt werden. Zusätzlich gibt es weitere Fehlersuchmethoden für Transformern, die auf Informationsfusion, Rough-Set-Theorie, kombinierten Entscheidungsbäumen, Bayes'schen Netzen, künstlichen Immunsystemen, neuen radial-basis-funktionalen Netzen und Support Vector Machines basieren.