۵ تکنیک تشخیص خطا برای ترانسفورماتورهای بزرگ قدرت

روش‌های تشخیص خطا در ترانسفورماتور

۱. روش نسبت برای تجزیه و تحلیل گازهای محلول

برای بیشتر ترانسفورماتورهای قدرت غوطه‌ور در روغن، گازهای قابل اشتعالی تحت فشار حرارتی و الکتریکی در ظرف ترانسفورماتور تولید می‌شوند. گازهای قابل اشتعال محلول در روغن می‌توانند برای تعیین مشخصات تجزیه حرارتی سیستم عایق‌بندی روغن-کاغذ ترانسفورماتور بر اساس محتوای گازهای خاص و نسبت‌های آنها استفاده شوند. این فناوری ابتدا برای تشخیص خطا در ترانسفورماتورهای غوطه‌ور در روغن استفاده شد. بعداً، باراکلو و دیگران یک روش تشخیص خطا با استفاده از چهار نسبت گازی پیشنهاد کردند: CH4/H2، C2H6/CH4، C2H4/C2H6 و C2H2/C2H4. در استانداردهای IEC بعدی، نسبت C2H6/CH4 حذف شد و روش سه نسبت اصلاح شده به طور گسترده مورد پذیرش قرار گرفت. راجرز تجزیه و تحلیل دقیق و توضیحاتی از رمزگذاری نسبت‌های مولکولی و روش‌های استفاده از آنها در استانداردهای IEEE و IEC ارائه داد. استفاده طولانی‌مدت از IEC 599 نشان داد که در برخی موارد با شرایط واقعی همخوانی ندارد و نمی‌تواند برخی سناریوهای خطا را تشخیص دهد. بنابراین، هم چین و هم انجمن برق ژاپن بهبودهایی در رمزگذاری IEC ایجاد کرده‌اند و روش‌های دیگر تجزیه و تحلیل گازهای محلول نیز به طور گسترده مورد استفاده قرار گرفته‌اند.

۲. روش تشخیص خطا با منطق فازی

نظریه‌پرداز کنترل آمریکایی L.A. Zadeh ابتدا روش‌های تشخیص فازی را پیشنهاد کرد که از آن زمان به طور گسترده‌تر مورد استفاده قرار گرفته‌اند. منطق فازی برای بیان دانش کیفی و تجربی با مرزهای نامشخص مزیت دارد. با استفاده از مفهوم توابع عضویت، مجموعه‌های فازی را تمایز می‌دهد، روابط فازی را پردازش می‌کند، استدلال مبتنی بر قاعده‌ای انسانی را شبیه‌سازی می‌کند و مشکلات مختلف عدم قطعیت در کاربردهای عملی را حل می‌کند. در عمل، ترانسفورماتورها غالباً خطاها را با علل و مکانیزم‌های نامشخص نشان می‌دهند که شامل روابط زیادی از عدم قطعیت و فازی هستند که روش‌های سنتی نمی‌توانند آنها را به خوبی توضیح یا توصیف کنند. روش‌های منطق فازی می‌توانند به طور موثر این روابط نامشخص را در خطاها ترانسفورماتور حل کنند و یک روش جدید برای تشخیص خطا در ترانسفورماتورهای قدرت ارائه دهند.

برای رفع محدودیت کمبود معیارهای نسبت بحرانی در روش نسبت راجر معمولی برای تشخیص خطا در ترانسفورماتورهای قدرت، یک روش با استفاده از نظریه مجموعه‌های فازی پیشنهاد شده است. این روش تکنولوژی منطق فازی را به روش‌های نسبت سنتی معرفی می‌کند با فازی کردن مرزهای نسبت. این روش نتایج خوبی در تشخیص خطاها چندگانه ترانسفورماتور نشان داده و به مجموعه‌ای از روش‌های تشخیص خطا تکامل یافته است، از جمله روش‌های ترکیبی رمزگذاری، تکنیک‌های خوشه‌بندی فازی، شبکه‌های پتری و سیستم‌های خاکستری. این مدل‌ها به طور کامل نامشخص بودن ذاتی داده‌ها را در نظر می‌گیرند، عملکرد را با داده‌های پیچیده به طور مؤثر بهبود می‌بخشند و دقت تشخیص خطا در ترانسفورماتور را افزایش می‌دهند.

۳. روش تشخیص خطا با سیستم خبره

سیستم‌های خبره نماینده شاخه مهمی از هوش مصنوعی هستند. آنها سیستم‌های برنامه‌نویسی کامپیوتری هستند که تا حدودی قادر به شبیه‌سازی تجربیات و فرآیندهای استدلال انسانی هستند. بر اساس داده‌های ارائه شده توسط کاربران، آنها دانش یا تجربیات ذخیره شده را برای استنتاج و قضاوت استفاده می‌کنند و در نهایت نتایج با سطح اطمینان را برای کمک به تصمیم‌گیری کاربر ارائه می‌دهند. تشخیص خطا در ترانسفورماتورهای قدرت یک مسئله بسیار پیچیده است که شامل عوامل متعددی است.

تصمیم‌گیری دقیق بر اساس پارامترهای مختلف نیاز به پایه‌های نظری محکم و تجربیات عملیاتی و نگهداری غنی دارد. علاوه بر این، به دلیل تغییرات در ظرفیت ترانسفورماتور، سطوح ولتاژ و محیط‌های عملیاتی، خطا یکسان ممکن است در ترانسفورماتورهای مختلف به صورت متفاوت ظاهر شود. سیستم‌های خبره دارای تحمل خطا و انطباق قوی هستند که به آنها اجازه می‌دهد دانش‌بان خود را بر اساس دانش تشخیصی کسب شده تغییر دهند تا کامل بماند. بنابراین، آنها می‌توانند به طور مؤثر خطاها را در انواع مختلف ترانسفورماتورهای قدرت تشخیص دهند. سیستم‌های خبره تشخیص خطا در ترانسفورماتورهای قدرت می‌توانند مشخصات خطا را با ترکیب دانش علل و انواع خطا تعیین کنند، دانش تشخیصی شامل تجزیه و تحلیل گازهای محلول در روغن را یکپارچه کنند. آنها می‌توانند به طور مؤثر مشکلات فازی در تشخیص خطا را با استفاده از منطق فازی حل کنند، مشکل کسب دانش کامل را با استفاده از روش‌های مجموعه‌های خشن حل کنند و ساختارهای مناسب برای تشخیص همکاری چند خبره با استفاده از معماری مدل تخته سیاه ایجاد کنند.

۴. روش تشخیص خطا با شبکه عصبی مصنوعی

شبکه‌های عصبی مصنوعی فعالیت نورون‌ها را ریاضی مدل‌سازی می‌کنند و یک سیستم پردازش اطلاعات مبتنی بر شبیه‌سازی ساختار و عملکرد شبکه‌های عصبی مغزی هستند. ANNs دارای قابلیت‌های خودسازماندهی، انطباق، یادگیری خودکار، تحمل خطا و تقریب غیرخطی قوی هستند. آنها می‌توانند توابع پیش‌بینی، شبیه‌سازی و کنترل فازی را اجراء کنند و ابزارهای قدرتمندی برای پردازش سیستم‌های غیرخطی هستند. استفاده از شبکه‌های عصبی مصنوعی برای تشخیص خطا در ترانسفورماتور بر اساس مولکول‌ها و غلظت گازهای محلول در روغن یکی از مراکز تحقیقاتی در سال‌های اخیر بوده است. این منجر به توسعه روش‌های تشخیص خطا مختلف مبتنی بر ANNs شده است، از جمله روش دو مرحله‌ای ANN، شبکه‌های عصبی مصنوعی بازگشتی، مدل‌های شبکه عصبی درخت تصمیم، مدل‌های ساختاری سلسله‌مراتبی ترکیبی شبکه عصبی و شبکه‌های عصبی تابع پایه شعاعی. این روش‌ها به طور مداوم سرعت همگرایی، عملکرد طبقه‌بندی و دقت الگوریتم‌های شبکه عصبی را بهبود می‌بخشند.

۵. روش‌های تشخیص خطا دیگر

به جز چهار روش ذکر شده، روش‌های دیگری نیز برای تشخیص خطا در ترانسفورماتور استفاده می‌شوند. با ترکیب آلی شبکه‌های عصبی و نظریه شواهد برای استفاده از مزایای مکمل آنها، یک روش تشخیص خطا جامع در ترانسفورماتور که شامل چندین شبکه عصبی با نظریه شواهد است، می‌تواند توسعه یابد. الهام گرفته از مکانیسم‌های شناسایی و حافظه موثر آنتی‌بادی‌ها در مقابل آنتی‌ژن‌ها در سیستم‌های ایمنی زیستی، شبکه‌های آنتی‌بادی خودسازمانده و الگوریتم‌های تولید آنتی‌بادی می‌توانند برای حل مشکلات تشخیص خطا در ترانسفورماتورهای قدرت استفاده شوند. علاوه بر این، روش‌های دیگر تشخیص خطا در ترانسفورماتور شامل روش‌های مبتنی بر ادغام اطلاعات، نظریه مجموعه‌های خشن، درخت‌های تصمیم ترکیبی، شبکه‌های بیزی، سیستم‌های ایمنی مصنوعی، شبکه‌های تابع پایه شعاعی نوین و ماشین‌های بردار پشتیبان هستند.