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.
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.
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 شناسایی پیشنهادی برای شناسایی خطا
سیستم های شناسایی و هوشمند
با در نظر گرفتن مدل ها و سیستم های محاسباتی مبتنی بر دانش، به عنوان سیستم تشخیص خطا و پیش بینی در این مقاله، اولین گام توصیف و مدل سازی دانش و در نتیجه این که چگونه این دانش در واقعیت نشان داده شده و ذخیره شود. جالب است که توجه داشته باشید که فرایند شناسایی یک حالت دینامیک دارد. این دینامیک مربوط به تعامل آن با محیط است: جمع آوری اطلاعات، برنامه نویسی، ذخیره سازی و پردازش این اطلاعات به گونه ای که برخی از اعمال را در محیط بتوان انجام داد (شکل 2).
نتایج
داده های تجربی
شبکه های عصبی در لایه ارتباطی با مجموعه داده های IEC TC 10 از کار Duval آموزش داده شده است که در [54] ذکر شده است. 73 مورد خطای الکتریکی وجود دارد، 34 مورد خطای حرارتی و 48 نمونه عملکرد عادی.
به دست آوردن داده ها برای آزمایش و اعتبارسنجی سیستم پیش بینی پیشنهادی کار ساده ای نیست، زیرا شرکت های بهره بردار معمولا اطلاعات اندازه گیری ترانسفورماتورهای قدرت را با تاریخ جمع آوری آنها برچسب گذاری نمی کنند. با این وجود، از اطلاعات موجود از [37] استفاده می کنیم، با داده های ارائه شده توسط یک شرکت که کار نظارت بر ترانسفورماتورها، ثبت غلظت گاز و تاریخ جمع آوری این داده ها را انجام می دهد. دو مورد آزمایش در جدول 2 خلاصه شده است. در مورد آزمون اول، با تجزیه و تحلیل داده ها، پس از 4 سال و 5 ماه (42.4 سال) خطای حرارتي وجود دارد. در مورد دوم، پس از 6 سال و 5 ماه (6.42 سال) خطای الکتریکی وجود دارد.
نتیجه گیری
در این مقاله، یک سیستم شناسایی خطای هوشمند دریافت داده ها مبتنی بر سیستم شناسایی برای نظارت روی عملکرد سالم ترانسفورماتورهای قدرت ارائه شده است. سیستم پیشنهادی بر اساس یک معماری کلی برای مدل-سازی سیستم های شناسایی خطا اجرا می شود. یک سیستم شناسایی خطا مزایای بسیاری را برای بهره برداری الکتریکی فراهم می کند، زیرا می تواند در نگهداری پیشگیرانه ترانسفورماتور قدرت کمک کند، در نتیجه، به مصرف کنندگان مانند خانوارها، صنایع و بیمارستان ها کمک می کند.
معماری کلی اجازه پیاده سازی سایر برنامه های دانش بنیان را می دهد و به اندازه کافی انعطاف پذیر است تا در صورت لزوم امکان تغییرات و بهبود در تکنیک های استفاده شده در لایه های نمادین و اتصال برای استفاده انجام شود. سیستم پیشنهادشده برای شناسایی خطا، مکانیسم های تکاملی و ارتباطی را در یک سیستم مرکب ترکیب می کند. لایه ارتباطی از یادگیری گروهی برای دستیابی به دقت و استحکام بیشتر استفاده می کند. یادگیری گروهی می تواند طبقه بندی های مختلف را بر اساس یادگیری ماشین ترکیب کند که در متون علمی و روش های آماری موجود است. لایه نمادین از یک روش تکاملی و یک مدل آماری برای دینامیک تغییرات غلظت گاز استفاده می کند.
نتایج گزارش شده نشان می دهد که سیستم قادر است به درستی نه تنها نوع خطا را پیش بینی کند بلکه زمانی را که انتظار می رود این خطارخ دهد را نیز پیش بینی می کند. این نوع پیش بینی برای مدیریت سلامت سیستم بسیار مفید است. این مورد یکی از فواید مهم کار ما است؛ زیرا یک قدم بالاتر از سایر تحقیقات در متون علمی مرتبط با طبقه بندی خطا در ترانسفورماتورهای قدرت است.
یکی از مزایای روش ما این است که اطلاعاتی درباره کهنگی ترانسفورماتور قدرت و نیز گذشته آن نیازی نیست. این روش بر روی متد DGA و شبکه های عصبی به منظور تشخیص وضعیت ترانسفورماتور متکی است.
با توجه به هزینه های استقرار سیستم پیشنهادی، می توان آنها را با پایین ترین برآورد محاسبه کرد، ازاین رو روش پیشنهادی می تواند به عنوان یک سامانه نهفته پیاده سازی شود. گران ترین قسمت مربوط به تجهیزات DGAاست.
از آنجا که معماری پیشنهادشده انعطاف پذیر است، می توان از آن برای کاربردهای مختلف استفاده کرد. با توجه به این ویژگی ها، کاربرد معماری برای دیگر برنامه های کاربردی شناسایی و پیش بینی گسترده است. علاوه بر این، سامانه شناسایی خطای پیشرفته، استفاده عمومی از سیستم های قدرت الکتریکی است.
به عنوان کار آتی، قصد داریم دقت لایه ارتباطی را با تست سایر روش های یادگیری ماشین در سیستم بهبود دهیم. یکی دیگر از دنباله های مهم این کار، پیاده سازی سخت افزاری آن است که منجر به ایجاد یک سیستم الکترونیکی تعبیه شده در ترانسفورماتورهای قدرت می شود، بنابراین منجر به ایجاد یک سیستم یکپارچه نظارت و مدیریت سلامت در تجهیزات سیستم قدرت می شود.
این مقاله ISI در سال 2015 در نشریه الزویر و در مجله تحقیق در مورد سیستم های قدرت الکتریکی، توسط گروه مهندسی برق منتشر شده و در سایت ای ترجمه جهت دانلود ارائه شده است. در صورت نیاز به دانلود رایگان اصل مقاله انگلیسی و ترجمه آن می توانید به پست دانلود ترجمه مقاله سیستم شناختی برای پیش آگهی خطا در ترانسفورماتور در سایت ای ترجمه مراجعه نمایید.