CC BY
69
УДК 004.896
СВ. НУСС
ИДЕНТИФИКАЦИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ СИЛОВЫХ ТРАНСФОРМАТОРОВ НА ОСНОВЕ НЕЙРОННОЙ МОДЕЛИ
Ключевые слова: идентификация технического состояния, силовой трансформатор, автоматизированная система контроля технического состояния, искусственная нейронная сеть.
Рассмотрена организация идентификации технического состояния силового трансформатора с применением методов искусственных нейронных сетей.
S.V. NOUSS
IDENTIFICATION OF A TECHNICAL CONDITION OF POWER TRANSFORMERS ON THE BASIS OF NEURAL MODEL Key words: identification of a technical condition, the power transformer, the automated monitoring system of a technical condition, artificial neural network.
The organisation of identification of a technical condition of the power transformer with application of methods of artificial neural networks is considered.
Силовые трансформаторы играют роль связующего звена между электростанцией и электрическими сетями предприятий, от надежности их работы зависит надежность снабжения потребителей электрической энергией. Аварийный выход из строя трансформатора всегда влечет за собой значительный материальный ущерб, так как в этом случае убытки определяются не только работами по его восстановлению, но и, прежде всего, последствиями от нарушения электроснабжения потребителей.
Современное развитие средств измерения позволяет извлекать достоверную и оперативную информацию о значении параметров силовых трансформаторов при эксплуатации их под нагрузкой. Перечень параметров, характеризующих техническое состояние трансформатора, регламентирован нормативно-технической документацией, действующей в энергетике [1, 3].
Применяемые методики идентификации технического состояния в большинстве случаев предполагают применение специализированных математических моделей, описывающих работу определенного типа трансформатора. Распространение таких моделей на других типы крайне затруднительно. В сложившейся ситуации целесообразным представляется применение теории нейронных сетей, поскольку полученные с применением этой теории модели можно обучать причинно-следственным связям между параметрами оборудования и его техническим состоянием на основе предыдущего опыта, обобщая предыдущие прецеденты на новые случаи и извлекая закономерности из имеющейся информации.
Идентификация технических состояний может быть выполнена с применение нейросетевых моделей топологии многослойный персептрон (далее MPL) и сети с радиально базисными функциями (далее RBF) [3,4]. Для оценки эффективности применения этих топологий к идентификации технического состояния оборудования в программном приложении ST Neural
Networks применительно к идентификации технического состояния маслонаполненного трансформатора по значениям отношения концентраций рас-
творенных в трансформаторном масле газов
( С2 И2 СИ4 С2 И4 ^
С2 И, И 2 С2 И б ,
построе-
ны нейросетевые модели различной конфигурации. Обучение моделей проведено на основе статистики результатов отбора проб масла из силового маслонаполненного трансформатора связи (станционный номер № 4 типа ТДЦ-200 000/110-72У1Пермской ТЭЦ-14), при этом кодирование технических состояний выполнено с применение метода кодирования «1 из К», например:
№ п/п Наименование Код
1 дефекты в активной части отсутствуют 1 0 0 0 0 0 0 0 0
2 разряды в заполненном газом полостях 0 1 0 0 0 0 0 0 0
9 перегрев меди из-за вихревых токов, плохих контактов 0 0 0 0 0 0 0 0 1
Полученные структуры и результаты обучения представлены в таблице.
Сравнительный анализ применения различных топологий нейросетевых моделей
№ Топология Кй е н оличество онов в слое: Алгоритм обучения* Время обучения, с. Доля правильно определенных состояний Время определения состояния, с
й о н ч о х в скрытый выходной
1 MPL 3 2 9 BP 1,1 0 ~0
2 MPL 3 1 9 BP 0,1 0.б2521 ~0
3 MPL 3 12 9 BP 5,8 0.99299 0.8
4 MPL 3 1б 9 BP б,1 0.99б49 0.8
5 MPL 3 3 9 BP 2,7 0.9бб80 0
б MPL 3 11 9 BP 4,9 0.99792 0.7
7 MPL 3 1б 9 BP б,2 1 0.8
15 RBF 3 5 9 KM 0,1 0.78283 0.5
1б RBF 3 11 9 KM 1,1 0.77232 0.8
17 RBF 3 193 9 KM 5,5 0.99377 10.1
18 RBF 3 203 9 KM б,б 0.99585 12.0
19 RBF 3 233 9 KM б,8 0.99792 12.5
20 RBF 3 239 9 KM б,8 0.99792 12.7
21 RBF 3 243 9 KM б,9 0.99792 12.9
22 RBF 3 254 9 KM 7,1 0.99585 13.1
* - алгоритм обучения: ВР - алгоритм обратного распространения ошибки; КМ - алгоритм ^-средних.
Анализ структуры нейросетевых моделей, времени обучения, времени классификации, доли правильно классифицированных технических состояний (таблица) установил:
1) количество нейронов RBF-сети при одинаковом количестве входных параметров больше числа нейронов многослойного персептрона (MPL), что приводить к значительному росту времени решения задачи идентификации технического состояния;
2) основным недостатком многослойного персептрона является более низкая скорость обучения, что обусловливается одновременным обучением нескольких слоев нейронов. Этот недостаток является незначительным по причине разовости процедуры обучения, и вкупе с модифицированными алгоритмами обучения его влияние сводится к минимуму.
Результаты исследования показали целесообразность применения нейро-сетевой модели топологии многослойный персептрон для идентификации технического состояния силового маслонаполненного трансформатора на основе отношения растворенных в трансформаторном масле газов. Однако применение этой модели в промышленных условиях требует решения достаточно сложных задач, связанных с разработкой методики определения эффективной архитектуры многослойного персептрона (количество слоев нейронов в слое), анализа и выбора методов предварительной обработки измеренных параметров (нормализация эталонного множества, введение системы кодирования для качественных значений входных параметров электротехнического оборудования и качественных значений диагнозов), определения эффективного алгоритма обучения многослойного персептрона решению задачи классификации.
Литература
1. Нусс С.В. Применение искусственных нейронных сетей при анализе состояния энергетического оборудования на основе записей регистратора аварийных ситуаций. Методы и средства оценки состояния энергетического оборудования. Вып. 30. СПб., 2006г.
2. РД 153-34.0-46.302-00. Методические указания по диагностике развивающихся дефектов трансформаторного оборудования по результатам хроматографического анализа газов, растворенных в масле.
3. РД 34.45-51.300-97. Объем и нормы испытания электрооборудования.
4. Уоссермен Ф. Нейрокомпьютерная техника / Ф. Уоссермен. М.: Мир, 1992.
НУСС СЕРГЕЙ ВИКТОРОВИЧ - аспирант кафедры электрификации и автоматизации горных предприятий, Пермский государственный технический университет, Россия, Пермь (s.nuss@tgc-9.ru).
NOUSS SERGEY VIKTOROVICH - post-graduate student of mountain enterprises electrification and automation chair, Perm State Technical University, Russia, Perm.
