5 tehnike dijagnostike grešaka za velike transformatore moći

Metode dijagnostike grešaka transformatora

1. Metoda odnosa za analizu rastvorenih gasova

Za većinu transformatora u maslinom ulju, pod toplinskom i električnom stresom u spremniku transformatora nastaju određeni gorivi plinovi. Gorivi plinovi rastvoreni u ulju mogu se koristiti za određivanje karakteristika termalne dekompozicije sistema izolacije transformatora na osnovu specifičnog sadržaja i odnosa plinova. Ova tehnologija je prvi put korišćena za dijagnozu grešaka u transformatorima u maslinom ulju. Kasnije, Barraclough i drugi predložili su metodu dijagnostike grešaka koristeći četiri plinskih odnosa: CH4/H2, C2H6/CH4, C2H4/C2H6 i C2H2/C2H4. U kasnijim IEC standardima, odnos C2H6/CH4 je uklonjen, a modifikovana metoda tri odnosa postala je široko prihvaćena. Rogers je dalje dao detaljan analizu i objašnjenje kodiranja i metoda upotrebe odnosa sastavnih delova plinova u IEEE i IEC standardima. Dugotrajna primena IEC 599 pokazala je da ne odgovara stvarnim uslovima u nekim slučajevima i ne može dijagnosticirati određene scenarije grešaka. Zato su Kina i Japanska električna asocijacija unapredile IEC kodiranje, dok su i druge metode analize rastvorenih gasova dobio široku primenu.

2. Dijagnostička metoda neizrazitog logika

Američki teoretičar kontrole L.A. Zadeh je prvi predložio metode neizrazite dijagnostike, koje su se posle toga dobile šire primene. Neizrazita logika je prednost za izražavanje kvalitativnog znanja i iskustva sa nejasnim granicama. Koristeći koncept funkcija pripadnosti, ona razlikuje neizrazite skupove, obrađuje neizrazite odnose, simulira pravila ljudskog rezonovanja i rešava različite probleme nesigurnosti u praktičnim aplikacijama. U praksi, transformatori često pokazuju greške sa nejasnim uzrocima i mehanizmima koji uključuju mnoge nesigurne i neizrazite odnose koje tradicionalne metode ne mogu dobro objasniti ili opisati. Metode neizrazite logike mogu efikasno rešavati ove nesigurne odnose u greškama transformatora, pružajući novi pristup dijagnostici grešaka transformatora.

Da bi se rešila ograničenja nedostatka ključnih kriterijuma odnosa u često korišćenoj Rogers metodi odnosa za dijagnozu grešaka transformatora, predložena je metoda koristeći teoriju neizrazitih skupova. Ovaj pristup uključuje tehnologiju neizrazite logike u tradicionalne metode odnosa, neizrazivajući granice odnosa. Ova metoda pokazala je dobre efekte u dijagnozi više grešaka transformatora i evoluirala je u seriju metoda dijagnostike grešaka, uključujući metode kombinacije kodiranja, tehnike neizrazitog klasteriranja, Petri mreže i sive sisteme. Ovi modeli potpuno uzimaju u obzir intrinsičnu neizrazitost podataka, efikasno poboljšavaju performanse sa kompleksnim setovima podataka i unapređuju tačnost dijagnostike grešaka transformatora.

3. Dijagnostička metoda ekspertnog sistema

Ekspertni sistemi predstavljaju važnu grunu umetne inteligencije. To su programski sistemi računara sposobni da do neke mere simuliraju iskustvo i procese rezonovanja ljudskih stručnjaka. Na osnovu podataka koje korisnik pruža, oni primenjuju sačuvano stručno znanje ili iskustvo da izvedu zaključke i donesu sudove, konačno pružaju zaključke sa nivoima pouzdanosti kako bi pomogli u donošenju odluka korisnika. Dijagnostika grešaka transformatora je ekstremno složen problem koji uključuje mnoge faktore.

Donošenje tačnih sudova na osnovu različitih parametara zahteva solidne teorijske temelje i bogato iskustvo u operativnoj održavaju. Takođe, zbog varijacija u kapacitetu transformatora, nivoima napona i radnim okruženjima, ista greška može se manifestovati na različite načine na različitim transformatorima. Ekspertni sistemi poseduju snažnu toleranciju na greške i adaptabilnost, omogućavajući im da modifikuju svoju bazu znanja na osnovu stečenog dijagnostičkog znanja kako bi osigurali kompletnost. Stoga, mogu efikasno dijagnosticirati različite vrste transformatora. Ekspertni sistemi za dijagnozu grešaka transformatora mogu odrediti karakteristike grešaka sintezirajući znanje o uzrocima i tipovima grešaka, uključujući znanje o detekciji grešaka uključujući analizu rastvorenih gasova u ulju. Oni mogu efikasno rešavati neizrazite probleme u dijagnostici grešaka koristeći neizrazitu logiku, rešavajući botuljak teškoće u sticanju kompletnog znanja korišćenjem metoda grubih skupova i stvaraju strukture prikladne za saradnju više stručnjaka koristeći arhitekturu crne table.

4. Dijagnostička metoda umetnih neuronskih mreža

Umetne neuronske mreže matematički modeliraju aktivnost neurona i predstavljaju sistem obrade informacija baziran na mimikiranju strukture i funkcije neuronskih mreža mozga. ANNs poseduju sposobnosti samoodređivanja, adaptacije, samoučenja, tolerancije na greške i snažne ne linearno aproksimacione sposobnosti. One mogu implementirati funkcije predviđanja, simulacije i neizrazite kontrolne funkcije, što ih čini moćnim alatom za obradu ne linearnih sistema. Korišćenje umetnih neuronskih mreža za dijagnozu grešaka transformatora na osnovu komponenti i koncentracije rastvorenih gasova u ulju bilo je fokus istraživanja u poslednjih godina. To je dovelo do razvoja različitih metoda dijagnostike grešaka baziranih na ANNs, kao što su dvokoračna metoda ANN, umetne neuronske mreže sa propagacijom unazad, modeli neuronskih mreža stabla odluke, kombinovane neuronske mreže hijerarhijske strukture i radialne bazne funkcije neuronskih mreža. Ove metode neprestano unapređuju brzinu konvergencije, performanse klasifikacije i tačnost neuronskih mrežnih algoritama.

5. Ostale dijagnostičke metode

Pored gore navedenih četiri metode, koriste se i nekoliko drugih pristupa za dijagnozu grešaka transformatora. Organizovanim kombinovanjem neuronskih mreža i teorije dokaza, koristeći njihove komplementarne prednosti, može se razviti kompletan metod dijagnostike grešaka transformatora integrisan sa više neuronskih mreža i teorijom dokaza. Inspirisan efikasnim mehanizmima prepoznavanja i memorije antitela protiv antigena u biološkim imunološkim sistemima, samoorganizovane antitelne mreže i algoritmi generisanja antitela mogu se primeniti za rešavanje problema dijagnostike grešaka transformatora. Takođe, druge metode dijagnostike grešaka transformatora uključuju one bazirane na fuziji informacija, teoriji grubih skupova, kombinovanim stablima odluke, Bayesovim mrežama, umetnim imunološkim sistemima, novim radialnim baznim funkcijama mreža i mašinama za podršku vektora.