CC BY
0УДК 621.3
Левчук К.И.
студент-магистрант филиал «НИУ МЭИ» в г. Волжском Национальный исследовательский университет «МЭИ» (г. Волжский, Россия)
ФАКТОРНОЕ МОДЕЛИРОВАНИЕ СТАРЕНИЯ ИЗОЛЯЦИИ МАСЛЯНЫХ ТРАНСФОРМАТОРОВ 35-220 КВ
Аннотация: в данной работе предложена комплексная методика факторного моделирования старения изоляции масляных трансформаторов с применением совокупности расчетных методов и алгоритма машинного обучения.
Ключевые слова: старение изоляции, машинное обучение, факторное моделирование, трансформаторное оборудование, износ изоляции.
В контексте цифровой трансформации энергетической отрасли модернизация методов диагностики состояния трансформаторного оборудования приобретает первостепенную значимость. На большинстве функционирующих энергопредприятий остро стоит проблема определения очередности и временной последовательности технического обслуживания и/или полного переоснащения элементов энергосистемы, в частности -многочисленных масляных трансформаторов среднего и высокого классов напряжения: 35-220 кВ. Поэтому в научных публикациях последних лет широко освещаются разнообразные подходы к улучшению существующих методик расчета остаточного ресурса силовых машин, построению математических моделей старения изоляции. С одной стороны, это подтверждает актуальность выбранного направления исследований, с другой-прослеживаются одни и те же проблемы, с которыми сопряжено внедрение большинства методологий.
Так, математическая модель, приведенная в [1], не учитывает конструктивные особенности исследуемой единицы оборудования, а также не может предсказать влияние профилактических и плановых технических работ. В ней учтены климатические факторы, однако в урезанном виде. Таким образом, большинство математических моделей, применяемых в настоящее время, не достигают той степени точности, которая уже возможна с применением новых цифровых технологий. Для повышения точности их работы полагается применение как можно большего числа датчиков, при чем отдельных для каждой силовой машины. В данном исследовании рассмотрен комплексный, усредненный подход к факторному моделированию износа изоляции, позволяющий, с одной стороны, добиться высокой точности прогнозов, и с другой стороны, обойтись минимальным аппаратным комплексом, обсуживающим мониторинговую систему.
Общеизвестно, что процесс износа изоляции силовых машин носит нелинейный характер, многое зависит от конструкции аппарата, от эксплуатационных условий, а также от ряда внешних факторов, носящих порой стохастический характер. На старение изоляции влияют электрическое поле, механические напряжения, температура и все процессы, изменяющие эти три фактора. Весомое влияние оказывает влага, кислород и ионы железа в трансформаторном масле.
Согласно стандарту ОАО «ФСК ЕЭС» [2], с первичных датчиков и измерительных систем трансформаторного оборудования обеспечивается прямое измерение и контроль следующих диагностических параметров:
• Температура верхних слоев масла,
• Температура наиболее нагретой обмотки (по максимально загруженной стороне)
• Кратность и длительность допустимых перегрузок,
• Газосодержание, влагосодержание масла,
• Ток утечки, емкость С1 и tg5 изоляции вводов на сторонах ВН и СН для вводов 220 кВ и выше,
• Давление масла (для маслонаполненных вводов).
Дополнение вышеуказанных параметров производителем, годом изготовления, габаритными размерами, паспортными данными, результатами измерения потерь холостого хода и короткого замыкания, токами и напряжениями номинального режима, холостого хода, короткого замыкания (желательно их осциллограммами), данными о протекании режима намагничивания и прочими доступными параметрами режима работы моделируемого силового трансформатора позволит сформировать блок исходных данных для разработки моделей физических процессов, происходящих в трансформаторе, с применением алгоритмов машинного обучения.
Также понадобятся статистические данные определенной заранее глубины, позволяющие собрать обучающую выборку взаимосвязанных данных о режимах работы и отказах оборудования. Глубина статистики должна быть сбалансированной, так как с одной стороны, её объем напрямую влияет на качество обучения нейронной сети, но с другой стороны - нелинейность процессов старения в силовой машине может привести к тому, что чрезмерно ранние данные могут вовсе выходить за пределы обучающего диапазона, что приведет к некорректному прогнозу в будущем. Также будут полезны результаты плановых анализов трансформаторного масла, привязанные к предыдущей выборке по временному признаку. Дополнить массив данных можно историей погодных условий. После формирования описанного массива, необходимо прибегнуть к инструментам структуризации и кластеризации, для упорядочивания данных. В конечном датасет-наборе данных необходимо выделить параметры, при которых трансформатор работал штатно, в рамках заданного производителем графика старения изоляции, и параметры, при которых происходили аварийные ситуации, срабатывали датчики превышения температуры ННТ и т.п. (рис.1)
Рис. 1. Формирование обучающего датасета.
Факторность получаемой модели будет достигаться не разработкой формулы, взаимосвязывающей многочисленные влияющие факторы, а применением отдельных методов (с проверенной эффективностью, а также перспективных [3]) и последующим определением их взаимосвязи с помощью искусственного интеллекта (рис.2).
Датасет
Рис. 2. Формирование факторной модели старения изоляции.
В данном случае хорошо подойдет методика обучения ИНС частично с учителем, частично без учителя, по аналогии с применением машинного интеллекта для медицинских целей: передаются рентгеновские снимки, на малом
числе которых однозначно указана патология, а на других нейросеть распознает ее самостоятельно.
Таким образом, комплексное применение проверенных методов математического моделирования на основе данных о температуре ННТ, хроматографии масла и т.п., в совокупности с ИНС позволит повысить точность моделирования старения изоляции трансформаторного оборудования, без отказа от испытанных ранее методик расчета.
СПИСОК ЛИТЕРАТУРЫ:
1. Гутов И. А. МАТЕМАТИЧЕСКИЕ МОДЕЛИ ДЛЯ ПРОГНОЗИРОВАНИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ИЗОЛЯЦИИ ЭЛЕКТРООБОРУДОВАНИЯ // Ползуновский вестник. 2009. №4;
2. СТО 56947007-29.200.10.011-2008 СИСТЕМЫ МОНИТОРИНГА СИЛОВЫХ ТРАНСФОРМАТОРОВ И АВТОТРАНСФОРМАТОРОВ. ОБЩИЕ ТЕХНИЧЕСКИЕ ТРЕБОВАНИЯ;
3. Монин, А. Д. Комплексная модель оценки остаточного ресурса изоляции силового трансформатора / Сборник конференции, посвященной 60-летию кафедры "Системы электроснабжения" и 100-летию плана ГОЭЛРО, Хабаровск, 19-20 ноября 2020 года - С. 23-27
Levchuk K.I.
National Research University «MEI» (Volzhsky, Russia)
FACTOR MODELING OF AGING INSULATION OF 35-220 KV OIL TRANSFORMERS
Abstract: in this paper, a comprehensive method for factor modeling the aging of oil transformer insulation using a combination of computational methods and a machine learning algorithm is proposed.
Keywords: insulation aging, machine learning, factor modeling, transformer equipment, insulation wear.
