دانلود رایگان مقاله سیستم شناسایی برای تشخیص خطا در ترانسفورماتورهای قدرت
چکیده
ترانسفورماتور قدرت یکی از مهم ترین و گران قیمت ترین تجهیزات در سیستم های قدرت الکتریکی است. به طور غیرمعمول، صدمه به شبکه و ادوات بهره برداری الکتریکی بسیار مهم است. در دهه های گذشته، بسیاری از ابزارهای محاسباتی برای نظارت بر سلامت چنین تجهیزات مهمی توسعه یافته اند. طبقه بندی خطاهای اولیه در ترانسفورماتورهای قدرت از طریق تجزیه و تحلیل گاز حل شده (DGA) به عنوان مثال، یک تکنیک بسیار شناخته شده برای این منظور است. در این مقاله یک سیستم هوشمند مبتنی بر سیستم های شناسایی برای تشخیص خطا در ترانسفورماتورهای قدرت ارائه می کنیم. سیستم پیشنهادی هر دو مکانیسم تکاملی و ارتباطی را در یک مدل ترکیبی استفاده می کند که یک ابزار ضروری در توسعه فن آوری نگهداری است تا برای زمانی که خطایی اتفاق بیفتد، برنامه ریزی شود و باعث جلوگیری یا کاهش نگهداری واکنشی گردد. روش پیشنهادی در پایگاه داده های واقعی منتج از آزمایش های کروماتوگرافی ترانسفورماتورهای قدرت موجود در متون علمی به کار گرفته شده است. نتایج به دست آمده کاملا تشریح می شود که نشان دهنده قابلیت پیاده سازی و اعتبار روش جدید است. سیستم پیشنهادی می تواند با ارایه یک راهکار ارزان قیمت و بسیار انعطاف پذیر برای شناسایی خطا به برنامه ریزی تعمیر و نگهداری ترانسفورماتور کمک کند.
1. مقدمه
ترانسفورماتور قدرت، از عناصر کلیدی برای سیستم های الکتریکی می باشد. هنگامی که این تجهیزات از کار بیفتند، مشترکین خانگی، صنایع و بیمارستان ها، به عنوان چند نمونه به نوعی دچار مشکل می شوند. علاوه بر این، یک وقفه ناخواسته در تامین برق می تواند جریمه سنگینی به شبکه قدرت وارد کند. از این رو، ابزارها برای تشخیص، ردیابی و شناسایی خطا مورد نیاز است. در زمینه ترانسفورماتورهای قدرت، مطالعات متعدد در زمینه های حفاظت، نظارت و تشخیص قابل توجه است، به عنوان مثال[1-5] را ببینید.
برای سال ها برنامه های نگهداری پیشگیرانه در ترانسفورماتورهای قدرت شامل بازرسی، آزمایش ها و اقدامات در فواصل زمانی دوره ای بود که معمولا توسط سازندگان پیشنهاد می شد یا از طریق تجربه عملی تعیین می شد. همچنین با استفاده از آزمون های روتین و روش های معمول مانند: اندازه گیری تلفات دی الکتریک، مقاومت عایق و مقاومت سیم پیچ؛ تجزیه و تحلیل شیمیایی فیزیکی و کروماتوگرافی نفت؛ کنترل دستی یا اتوماتیک دما [6]. چنین تحلیلی به اپراتورها اجازه می دهد تا تایید کنند که آیا یک ترانسفورماتور داده شده به طور معمول عمل می-کند یا اینکه شواهدی مبنی بر خطای حرارتی و یا الکتریکی (به عنوان مثال) وجود دارد. این نوع خطاها به علل عوامل طبیعی، اعمال زیست محیطی و اضافه بار بوجود می آیند. نمونه کار مرجع در این زمینه در [6-8] یافت می شود.
در میان چند روش تشخیص خطا، بسیاری از خطاهایی که در ترانسفورماتورهای قدرت بوجود می آیند اگر یک غلظت گاز در روغن عایق آنها اندازه گیری شود، قابل تشخیص است. این روش به عنوان شناسایی خطا با استفاده از تجزیه و تحلیل گاز حل شده (DGA)شناخته می شود [6]. معمولا، DGA را می توان در دو حالت انجام داد: حالت خارج از خط و در خط . در حالت خارج از خط، ترانسفورماتور قدرت باید از سیستم قدرت قطع شود و یک نمونه روغن به آزمایشگاه منتقل می شود که از طریق یک روش کروماتوگرافی گاز آنالیز می شود. با این حال، در حالت آنلاین، انتقال توان به سیستم قدرت حفظ می شود و DGA با فاصله زمانی مشخص (به عنوان مثال هر 2 ساعت) با استفاده از یک واحد کروماتوگرافی گاز فشرده انجام می شود که بر روی ترانسفورماتور یا نزدیک آن نصب می شود. در DGA همچنین می توان از تکنیک هایی مانند نورشناسی و کروماتوگرافی [9-11]، سیستم های الکتریکی شیمیایی [12،13] و طیف سنجی جذب نزدیک [14] استفاده کرد.
یک روش برای طبقه بندی خطا در ترانسفورماتورهای قدرت با نام روش مثلث دووال (DTM) در [6] معرفی شده است و در IEEE C57.104 و در IEC 60599 [8] شرح داده شده است (شکل 1 را ببینید). DTM بر اساس سطوح سه گاز حل شده موجود در روغن ترانسفورماتور قدرت است: اتیلن (C2H4)، متان (CH4) و استیلن(C2H2) . DGA با متد DTM شامل درصد نسبت گازهای مذکور است، تساوی های (1) - (3) را ببینید. سه ضلع مثلث در مختصات دکارتی x، y و z نشان دهنده نسبت CH4، C2H4 و C2H2، از 0 تا 100٪ برای هر گاز است. تقسیمات نسبت هر سه گاز نوع خطای ارائه شده توسط ترانسفورماتور را نشان می دهد. تمام انواع خطاها در مثلث Duval در جدول 1 آمده است.
در این زمینه ما یک سیستم محاسباتی جدید را ارائه می دهیم که قادر به پیش بینی خطا در ترانسفورماتورهای قدرت است. رویکرد جدید مبتنی بر یک سیستم ترکیبی شکل گرفته توسط مکانیسم های اتصالی و تکاملی است که در پایگاه داده های واقعی حاصل از آزمایش های کروماتوگرافی ترانسفورماتورهای قدرت انجام شده در [37] استفاده شده است. به جای اطلاع از وضعیت فعلی ترانسفورماتور، به عنوان مثال شرایط نرمال (NC)، خطای الکتریکی (EF)، خطای حرارتی (TF)، ابزار شناسایی خطا تخمین می زند - از یک وضعیت ترانسفورماتور در کار داده شده - اگر ترانسفورماتور تحت آنالیز مشابه وضعیت فعلی باشد، به عنوان مثال، یک شکست حرارتی در شش ماه و این که چگونه این خطا در طول زمان آشکار می شود. این ابزار از امتیاز بهره برداری الکتریکی برخوردار است زیرا می تواند ابزار ضروری برای تعمیر و نگهداری پیش بینی کننده ترانسفورماتور TPM باشد. TPM را می توان به عنوان یک استراتژی برای نگهداری مشاهده کرد که تشخیص زود هنگام خطای ترانسفورماتور را فراهم می کند و قادر به تشخیص شرایطی است که منجر به نقص می شود. در حالت ایده آل، TPM باید تناوب تعمیر و نگهداری را تا حد ممکن پایین نگه دارد تا مانع از تعمیر و نگهداری واکنشدار و کاهش تعمیرات پیشگیرانه غیر ضروری شود. سیستم شناسایی پیشنهادی یک سیستم هوشمند است که با یک فن معماری برای مدل سازی سیستم های شناسایی پیاده سازی می شود.
مزایای اصلی این کار عبارتند از: (1) پیشنهاد یک سیستم شناسایی خطای هوشمند آنلاین برای ترانسفورماتورهای قدرت که قادر است پیش بینی کند که کدام نوع از خطاها ممکن است رخ دهد. سیستم پیشنهادی می تواند به برنامه های TPM برای ارائه راهکار ارزان قیمت و بسیار انعطاف پذیر برای شناسایی خطا کمک کند؛ علاوه بر این سیستم شناسایی، غلظت گازها را همزمان با ورودی های چندگانه به سیستم کنترل می کند. (2) پیشنهاد یک معماری کلی برای سیستم های شناسایی و مبتنی بر دانش، که در آن سیستم شناسایی خطا اجرا می شود.
2. سیستم شناسایی خطا در ترانسفورماتورهای قدرت
شناسایی یک نظم مهندسی است که پیش بینی می کند یک سیستم یا یک قسمت مشابه قبل دیگر کار نمی کند و در صورت امکان طبقه بندی می کند که کدام نوع خطا رخ خواهد داد[38-41]. زمان پیش بینی شده "عمر مفید باقی مانده"(RUL) نامیده می شود که یک مفهوم مهم در موارد تصادفی و در سیستم مدیریت سلامت (SHM) است. سیستم های شناسایی را می توان به روش های مبتنی بر دریافت داده ها و روش های مبتنی بر مدل طبقه بندی کرد [43]. در هر صورت، این روش نیاز به برخی از اطلاعات اولیه در مورد یک مدل از سیستم یا یک قسمت دارد؛ یا اطلاعاتی در مورد وضعیت و شرایط خطای قبلی.
سیستم های شناسایی مبتنی بر دریافت داده ها معمولا از روش های تشخیص الگو و تکنیک های یادگیری ماشین برای تشخیص تغییرات در حالت های سیستم مورد نظر و یا تغییرات متغیرهای تحت نظارت استفاده می کنند. آن روشها زمانی که درک درستی از فیزیک پشت عملکرد سیستم یا اصول مربوط به عملکرد آن در شرایط خطا وجود ندارد، توصیه می شود.
کاربردهای صنعتی سیستم شناسایی متنوع است، شامل صنایع تولیدی، خودرویی و هوافضا و همچنین تولید و توزیع برق. در صنعت تولید برق، برنامه های تجاری SHM عبارتند از: ماشین آلات چرخشی [43] و توربین های بادی [44]. در کاربرد انرژی های تجدید پذیر، مانند توربین های بادی، استفاده از تکنولوژی SHM بر اساس سیستم های شناسایی می تواند مفید باشد. روش های مبتنی بر روش های آماری و یادگیری ماشین را می توان در [45،46] یافت.
Abstract
The power transformer is one of the most critical and expensive equipments in an electric power system. If it is out of service in an unexpected way, the damage for both society and electric utilities is very significant. Over the last decades, many computational tools have been developed to monitor the ‘health’ of such an important equipment. The classification of incipientfaults in power transformers via Dissolved Gas Analysis (DGA)is, for instance, a very well known technique for this purpose. In this paper we present an intelligent system based on cognitive systems for fault prognosis in power transformers. The proposed system combines both evolutionary and connectionist mechanisms into a hybrid model that can be an essential tool in the development of a predictive maintenance technology, to anticipate when any equipment fault might occur and to prevent or reduce unplanned reactive maintenance. The proposed procedure has been applied to real databases derived from chromatographic tests of power transformers found in the literature. The obtained results are fully described showing the feasibility and validity of the new methodology. The proposed system can help Transformer Predictive Maintenance programmes offering a low cost and highly flexible solution for fault prognosis.
1. Introduction
Power transformers are considered key-elements for the Electric Utilities (EU). When those equipments fail, households, industries, and hospitals, to name a few, are prone to suffer somehow. Besides, an unplanned interruption in the power supply can be translated into heavy fines for the EU. Hence, tools for diagnosis, fault detection and fault prognosis are required. In the context of power transformers, several studies are noteworthy regarding the aspects of protection, monitoring and diagnostics, see for instance [1–5].
For many years, preventive maintenance programmes in power transformers consisted of inspections, tests and actions in periodic time intervals usually suggested by the manufacturers or determined through practical experience. It was also common the application of routine tests and procedures such as: measurement of dielectric losses, insulation resistance and winding resistance; physical–chemical analysis andchromatographic oil analysis;manual or automatic monitoring of temperature [6]. Such analyses allowed the operators to verify if a given transformer was operating normally or if there were evidences of thermal and/or electrical failures, for instance. These kind of failures stem from natural wear, environmental actions and overloads, among other causes. Reference work in this area can be found in [6–8].
Among several fault detection methods, many faults that occur in power transformers can be detected if one measures the gases concentrations in their insulating oil. This procedure is known as fault detection via Dissolved Gas Analysis (DGA) [6]. Usually, DGA can be carried out in two modes: off-line and on-line modes. In the off-line mode, the power transformer has to be disconnected from the power system and an oil sample is collected and taken to a laboratory where it will be analysed via a gas chromatography technique. Yet in the on-line mode, the power transform is kept connected to the power system and the DGA is performed in loco with a determined time interval (e.g. every 2 h) using, e.g., a compact closed-loop gas chromatograph unit, which is mounted on or near the monitored transformer. Techniques such as optical and chromatography [9–11], electrical–chemical systems [12,13] and near-IR absorption spectroscopy [14] can be employed in the DGA as well.
A method for fault classification in power transformers named Duval’s Triangle Method (DTM) is introduced in [6] and described in IEEE C57.104 [7] and in IEC 60599 [8] (see Fig. 1). DTM is based on the levels of the three dissolved gases found in the power transformer oil: ethylene (C2H4), methane (CH4) and acetylene (C2H2). The DGA by DTM involves the percentages of the aforementioned gases ratios, see Eqs. (1)–(3), presented in a graphical form. The three sides of the triangle in cartesian coordinates x, y and z represent the relative proportion of CH4, C2H4 and C2H2, from 0 to 100% for each gas. The intersections of all three gases ratios indicate the kind of fault presented by the transformer. All types of faults in the Duval triangle can be found in Table 1.
It is in this context that we present a new computational system capable of carrying out fault prognosis in power transformers. The new approach is based on a hybrid system formed by connectionist and evolutionary mechanisms, which was applied to real databases derived from chromatograph tests of power transformers found in the literature [37]. Instead of informing the current state of the transformer only, e.g. Normal Condition (NC), Electrical Fault (EF), Thermal Fault (TF), the fault prognosis tool will estimate – from a given current transformer state – if the transformer under analysis is likely to present, for instance, a thermal failure in six months and how the failure will evolve through time. Such tool is of interest of the EU because it can become an essential tool for the Transformer Predictive Maintenance (TPM). TPM can be seen as a maintenance strategy that provides transformer failure early detection and is able to recognize conditions that lead to defects. Ideally, TPM should allow the maintenance frequency to be as low as possible preventing unplanned reactive maintenance and reducing unnecessary preventive maintenance. The proposed prognosis system is an intelligent system that was implemented with an architecture for modelling cognitive systems.
The main contributions ofthis work are:(i) proposition of an online intelligent fault prognosis system for power transformers that is capable of predicting when and which type of fault is expected to occur. The proposed system can help TPM programmes offering a low cost and highly flexible solution for fault prognosis; additionally the prognosis system manipulates the gases concentrations at the same time as multiple inputs to the system. (ii) Proposition of a general architecture for cognitive and knowledge based systems, on which the fault prognosis system is implemented.
2. Fault prognosis system in power transformers
Prognosis (also Prognostics) is an engineering discipline involving the prediction of when a system or component will no longer perform as intended and, if possible, classify which kind of fault will occur [38–41]. The predicted time is termed Remaining Useful Life (RUL), which is an important concept in contingency and in System Health Management (SHM). Prognosis systems can be categorized into data-driven methods and model-based methods [43]. In any case, the method requires some initial knowledge about a model of the system or component; or knowledge in the form of information about previous fault cases and conditions.
Data-driven prognosis systems usually employ pattern recognition and machine learning techniques to detect changes in the states of the system of interest or changes in the monitored variables. They are recommended when there is no appropriate understanding of the physics behind the operation of the system, or the principles relating its operation to fault conditions.
Industrial applications of Prognosis are diverse, ranging from manufacturing, automotive and aerospace industries and also power generation and distribution. In the power generation industry, commercial applications of SHM include rotating machinery [43] and wind turbines [44]. Renewable energy applications, such as wind turbines, can also benefit from SHM technology based on prognosis systems. Approaches based on statistical methods and machine learning can be found in [45,46].
چکیده
1. مقدمه
2. سیستم شناسایی خطا در ترانسفورماتورهای قدرت
3. سیستم شناسایی پیشنهادی برای شناسایی خطا
3.1. سیستم های شناسایی و هوشمند
3.2. ساختار پیشنهاد شده
3.3. سیستم حسگر
3.4. سیستم ذخیره سازی، برنامه نویسی و پردازش
3.4.1. لایه ارتباطی
3.4.2. لایه نمادین
3.5. هسته شناسی
3.6. هسته عامل
3.7. سیستم راه اندازی
3.8. سیستم ارتباطات
3.9. سیستم تشخیص خطا بر روی ساختار پیشنهادی
4. نتایج
4.1. داده های تجربی
4.2. پیکربندی آزمایش ها
4.3. نتایج
5. نتیجه گیری
منابع
ABSTRACT
1. Introduction
2. Fault prognosis system in power transformers
3. Proposed cognitive system for fault prognosis
3.1. Cognitive and intelligent systems
3.2. Proposed architecture
3.3. Sensory system
3.4. Storage, coding and processing system
3.4.1. Connectionist layer
3.4.2. Symbolic Layer
3.5. Ontology Core
3.6. Agent Core
3.7. Actuation System
3.8. Communication System
3.9. Fault diagnosis system on the proposed architecture
4. Results
4.1. Experimental data
4.2. Configuration of experiments
4.3. Results
5. Conclusions
References