5 Techniques de Diagnostic des Défauts pour les Grands Transformateurs Électriques
Méthodes de diagnostic des pannes de transformateurs
1. Méthode du rapport pour l'analyse des gaz dissous
Pour la plupart des transformateurs à huile, certains gaz combustibles sont produits dans le réservoir du transformateur sous stress thermique et électrique. Les gaz combustibles dissous dans l'huile peuvent être utilisés pour déterminer les caractéristiques de décomposition thermique du système d'isolation en huile-papier du transformateur sur la base de leur contenu et de leurs rapports spécifiques de gaz. Cette technologie a été utilisée pour la première fois pour le diagnostic des pannes des transformateurs à huile. Par la suite, Barraclough et d'autres ont proposé une méthode de diagnostic de panne utilisant quatre rapports de gaz : CH4/H2, C2H6/CH4, C2H4/C2H6 et C2H2/C2H4. Dans les normes IEC ultérieures, le rapport C2H6/CH4 a été supprimé, et la méthode modifiée des trois rapports a été largement adoptée. Rogers a fourni une analyse et une explication détaillées des méthodes de codage et d'utilisation des rapports de composants gazeux selon les normes IEEE et IEC. L'application à long terme de la norme IEC 599 a révélé qu'elle ne correspond pas toujours aux conditions réelles et ne peut pas diagnostiquer certaines situations de panne. Par conséquent, la Chine et l'Association japonaise d'électricité ont apporté des améliorations au codage IEC, tandis que d'autres méthodes d'analyse des gaz dissous ont également gagné une application généralisée.
2. Méthode de diagnostic par logique floue
Le théoricien américain du contrôle L.A. Zadeh a proposé pour la première fois des méthodes de diagnostic flou, qui ont depuis trouvé une application plus large. La logique floue est avantageuse pour exprimer des connaissances et des expériences qualitatives avec des limites incertaines. En utilisant le concept de fonctions d'appartenance, elle distingue des ensembles flous, traite des relations floues, simule le raisonnement basé sur des règles humaines et résout divers problèmes d'incertitude dans les applications pratiques. En pratique, les transformateurs présentent souvent des pannes avec des causes et des mécanismes incertains impliquant de nombreuses relations incertaines et floues que les méthodes traditionnelles ne peuvent pas bien expliquer ou décrire. Les méthodes de logique floue peuvent efficacement traiter ces relations incertaines dans les pannes de transformateurs, offrant une nouvelle approche pour le diagnostic des pannes des transformateurs de puissance.
Pour remédier à la limitation de l'absence de critères de rapports critiques dans la méthode de rapport de Rogers couramment utilisée pour le diagnostic des pannes des transformateurs de puissance, une méthode utilisant la théorie des ensembles flous a été proposée. Cette approche introduit la technologie de logique floue dans les méthodes de rapports traditionnels en floutant les limites de rapports. Cette méthode a montré de bons effets d'application dans le diagnostic de multiples pannes de transformateurs et s'est développée en une série de méthodes de diagnostic de pannes, y compris les méthodes de combinaison de codage, les techniques de regroupement flou, les réseaux de Petri et les systèmes gris. Ces modèles prennent pleinement en compte la nature floue inhérente des données, améliorant efficacement les performances avec des ensembles de données complexes et augmentant la précision du diagnostic des pannes de transformateurs.
3. Méthode de diagnostic par système expert
Les systèmes experts représentent une branche importante de l'intelligence artificielle. Ce sont des systèmes de programmes informatiques capables de simuler, dans une certaine mesure, l'expérience et les processus de raisonnement des experts humains. Sur la base des données fournies par les utilisateurs, ils appliquent des connaissances ou des expériences d'experts stockées pour faire des inférences et des jugements, fournissant finalement des conclusions avec des niveaux de confiance pour aider à la prise de décision des utilisateurs. Le diagnostic des pannes des transformateurs de puissance est un problème extrêmement complexe impliquant de nombreux facteurs.
Faire des jugements précis sur la base de divers paramètres nécessite des fondements théoriques solides et une riche expérience en maintenance opérationnelle. De plus, en raison des variations de capacité, de niveaux de tension et d'environnements de fonctionnement des transformateurs, la même panne peut se manifester différemment sur différents transformateurs. Les systèmes experts possèdent une forte tolérance aux pannes et adaptabilité, leur permettant de modifier leur base de connaissances sur la base des connaissances de diagnostic acquises pour assurer la complétude. Par conséquent, ils peuvent efficacement diagnostiquer différents types de transformateurs de puissance. Les systèmes experts de diagnostic des pannes des transformateurs de puissance peuvent déterminer les caractéristiques des pannes en synthétisant les connaissances sur les causes et les types de pannes, en incorporant des connaissances de détection de pannes, y compris l'analyse des gaz dissous dans l'huile. Ils peuvent efficacement traiter les problèmes flous dans le diagnostic des pannes en utilisant la logique floue, résoudre le goulot d'étranglement de la difficulté à obtenir des connaissances complètes par des méthodes d'ensembles approximatifs, et établir des structures adaptées au diagnostic collaboratif multi-experts en utilisant l'architecture de modèle de tableau noir.
4. Méthode de diagnostic par réseau neuronal artificiel
Les réseaux neuronaux artificiels modélisent mathématiquement l'activité neuronale et représentent un système de traitement de l'information basé sur la simulation de la structure et de la fonction des réseaux neuronaux cérébraux. Les RNA possèdent des capacités d'auto-organisation, d'adaptation, d'apprentissage automatique, de tolérance aux pannes et de fortes capacités d'approximation non linéaire. Ils peuvent mettre en œuvre des fonctions de prédiction, de simulation et de contrôle flou, ce qui en fait des outils puissants pour le traitement des systèmes non linéaires. L'utilisation des réseaux neuronaux artificiels pour le diagnostic des pannes des transformateurs basé sur les composants et les concentrations de gaz dissous dans l'huile a été un sujet de recherche important ces dernières années. Cela a conduit au développement de diverses méthodes de diagnostic de pannes basées sur les RNA, telles que la méthode en deux étapes de RNA, les réseaux neuronaux artificiels de rétropropagation, les modèles de réseaux neuronaux en arbre de décision, les modèles de structure hiérarchique de réseaux neuronaux combinés et les réseaux neuronaux à fonctions de base radiale. Ces méthodes améliorent continuellement la vitesse de convergence, les performances de classification et la précision des algorithmes de réseaux neuronaux.
5. Autres méthodes de diagnostic
En dehors des quatre méthodes mentionnées ci-dessus, plusieurs autres approches sont également utilisées pour le diagnostic des pannes des transformateurs. En combinant organiquement les réseaux neuronaux et la théorie de l'évidence pour tirer parti de leurs avantages complémentaires, on peut développer une méthode de diagnostic complète des pannes des transformateurs intégrant plusieurs réseaux neuronaux avec la théorie de l'évidence. En s'inspirant des mécanismes de reconnaissance et de mémoire efficaces des anticorps contre les antigènes dans les systèmes immunitaires biologiques, des réseaux d'anticorps auto-organisés et des algorithmes de génération d'anticorps peuvent être appliqués pour résoudre les problèmes de diagnostic des pannes des transformateurs de puissance. De plus, d'autres méthodes de diagnostic des pannes des transformateurs incluent celles basées sur la fusion d'informations, la théorie des ensembles approximatifs, les arbres de décision combinés, les réseaux bayésiens, les systèmes immunitaires artificiels, les nouveaux réseaux à fonctions de base radiale et les machines à vecteurs de support.
