CC BY
83
Оригинальная статья I Original article УДК 621.311
DOI: http:IIdx.doi.orgI10.21285I1814-3520-2020-5-1093-1104
Машинное обучение как инструмент повышения эффективности управления жизненным циклом высоковольтного электрооборудования
© А.И. Хальясмаа
Новосибирский государственный технический университет, г. Новосибирск, Россия
Резюме: Цель - опытный анализ практической реализации подсистемы оценки технического состояния высоковольтного электрооборудования в рамках решения задачи управления его жизненным циклом на основе методов машинного обучения с учетом анализа влияния режимов работы внешней электроэнергетической системы. Для решения задачи анализа технического состояния оборудования - распознавания образов состояния оборудования - использовался градиентный бустинг ХСВос^ (ХСВ) на основе решающих деревьев, основными преимуществами которого являются способность обработки данных с пропусками и эффективность работы с табличными данными для решения задач классификации и регрессии. Предложено описание формирования корректной и достаточной структуры исходной базы данных для распознавания образа состояния высоковольтного оборудования на основе данных его технического диагностирования и алгоритма формирования обучающих и тестовых выборок для повышения точности идентификации фактического состояния оборудования, а также описание и обоснование применения метода машинного обучения и соответствующих метрик ошибок классификации состояний. На основе анализа фактического состояния силовых трансформаторов и выключателей сформированы перечни параметров технического диагностирования, оказывающие наибольшее влияние на точность идентификации состояний, а также доказана эффективность применения режимных параметров в качестве дополнительных признаков. Установлено, что учет режимных параметров, полученных расчетных путем, в составе обучающей выборки для идентификации состояния высоковольтного оборудования дает возможность повысить точность настройки. Разработанные структура и подходы к анализу технического состояния оборудования с использованием схемно-режимной информации наряду с диагностическими данными обеспечивают информационную связь задач технологического и оперативно-диспетчерского управления, что позволяет рассматривать задачу ведения электрических режимов энергосистем с позиции технического состояния электросетевого оборудования и выявлять наиболее приоритетные задачи эксплуатационного обслуживания для снятия сетевых и системных ограничений.
Ключевые слова: жизненный цикл, высоковольтное оборудование, оценка технического состояния, машинное обучение, режимные параметры
Информация о статье: поступила в редакцию 21 июля 2020 г.; поступила после рецензирования и доработки 03 сентября 2020 г.; принята к публикации 30 октября 2020 г.
Для цитирования: Хальясмаа А.И. Машинное обучение как инструмент повышения эффективности управления жизненным циклом высоковольтного электрооборудования. Вестник Иркутского государственного технического университета. 2020. Т. 24. № 5. С. 1093-1104. https://doi.org/10.21285/1814-3520-2020-5-1093-1104
Abstract: The purpose of the study is to analyze the practical implementation of high-voltage electrical equipment technical state estimation subsystems as a part of solving the lifecycle management problem based on machine learning methods and taking into account the effect of the adjacent power system operation modes. To deal with the problem of power equipment technical state analysis, i.e. power equipment state pattern recognition, XGBoost based on gradient boosting decision tree algorithm is used. Its main advantages are the ability to process gapped data and efficient operation with tabular data for solving classification and regression problems. The author suggests the formation procedure of correct and sufficient initial database for high-voltage equipment state pattern recognition based on its technical diagnos-
Machine learning as a tool of high-voltage electrical equipment lifecycle control enhancement
Alexandra I. Khalyasmaa
Novosibirsk State Technical University, Novosibirsk, Russia
ISSN 1814-3520
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(5):1093-1104
1093
tic data and the algorithm for training and testing sets creation in order to improve the identification accuracy of power equipment actual state. The description and justification of the machine learning method and corresponding error metrics are also provided. Based on the actual states of power transformers and circuit breakers the sets of technical diagnostic parameters that have the greatest impact on the accuracy of state identification are formed. The effectiveness of using power systems operation parameters as additional features is also confirmed. It is determined that the consideration of operation parameters obtained by calculation as a part of the training set for high-voltage equipment technical state identification makes it possible to improve the tuning accuracy. The developed structure and approaches to power equipment technical state analysis supplemented by power system operation mode data and diagnostic results provide an information link between the tasks of technological and dispatch control. This allows us to consider the task of power system operation mode planning from the standpoint of power equipment technical state and identify the priorities in repair and maintenance to eliminate power network "bottlenecks".
Keywords: life cycle, high-voltage equipment, technical state estimation, machine learning, operation parameters
Information about the article: Received July 21, 2020; revised September 03, 2020; accepted for publication on October 30, 2020.
For citation: Khalyasmaa AI. Machine learning as a tool of high-voltage electrical equipment lifecycle control enhancement. Vestnik Irkutskogo gosudarstvennogo tehnicheskogo universiteta = Proceedings of Irkutsk State Technical University. 2020;24(5): 1093-1104. (In Russ.) https://doi.org/10.21285/1814-3520-2020-5-1093-1104
ВВЕДЕНИЕ
Современные российские и зарубежные системы управления жизненным циклом оборудования являются, по сути, автоматизированными экспертными или информационно-аналитическими системами, предназначенными либо для решения задач идентификации текущего технического состояния оборудования и продления срока его эксплуатации (определение дефектов, неисправностей и оптимизации управляющих воздействий) - на локальном уровне [1, 2], либо для эффективного управления производственными активами [3, 4] (в данном случае электросетевым оборудованием) и их оптимального интегрирования в общий бизнес-процесс энергетического предприятия - на уровне крупнейших энергообъединений.
В первом случае речь идет именно об отдельных системах мониторинга (функционирующих под напряжением) и/или технического диагностирования состояния оборудования, зачастую разработанных и предназначенных для отдельного вида оборудования. Такое решение для каждого конкретного вида оборудования является относительно точным инструментом для оценки текущего технического состояния, но накладывает ограничения на возможности эффективного и экономически обоснованного применения для других видов оборудования и не позволяет учитывать взаимного влияния оборудования в составе энергообъекта.
Во втором случае под управлением производственными активами понимается систематическая, регулярная и координируемая деятельность по нахождению оптимального баланса между затратами, соблюдением нормативных требований к активам, перспективам развития сети, с одной стороны, и рисками обеспечения надежного электроснабжения потребителей, требований регулирующих органов, с другой стороны, для достижения стратегических целей энергетических компаний.
Нормативная документация в России для управления жизненным циклом оборудования регламентирует только отдельные области и аспекты данного процесса:
- диагностирование состояния оборудования;
- техническое обслуживание и ремонт оборудования;
- создание и функционирование систем мониторинга.
Несмотря на то, что за рубежом управление жизненным циклом оборудования, с точки зрения нормативно-технической документации, более комплексное, достаточно большие отличия, в том числе и в нормативной документации по обслуживанию, диагностике, испытаниям, составу оборудования и его эксплуатации, не позволяют одновременно технически и экономически использовать зарубежные подходы к управлению жизненным циклом оборудования для российских энер-
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(5):1093-1104
госистем в их первоначальном виде, требуются существенные изменения [5-8].
Существующие математические методы и подходы к управлению жизненным циклом оборудования можно условно разделить на три группы на базе:
- классических методов (корреляционного, регрессионного, факторного анализа и т.д.) с использованием статистических данных [9, 10];
- вероятностных подходов (теория вероятности, теория надежности технических систем и т.д.) на основе статистических данных [11, 12];
- методов искусственного интеллекта [13-15].
С позиции практической реализации последние на данный момент ограничены узким кругом методов и в основном реализуются на уровне исследовательских разработок.
Каждый из представленных классов методов обладает как достоинствами, так и недостатками. Однако использование многих из них в реальных эксплуатационных условиях затруднительно, так как при комплексной оценке состояния всех видов оборудования на энергообъекте требуется решать, по сути, многокритериальную задачу принятия решений о дальнейшей эксплуатации оборудования на основе разнородной и неполной информации.
Вышеописанные проблемы вызывают необходимость искать новые подходы к решаемым проблемам в рамках управления жизненным циклом электрооборудования. Использование методов искусственного интеллекта в качестве математической базы задачи управления жизненным циклом позволяет решить большую часть описанных выше проблем, в частности проблем корректной интерпретации исходных данных, распознавания образов состояний, предик-тивного анализа.
ОСНОВНАЯ ГИПОТЕЗА ИССЛЕДОВАНИЯ
В ходе авторских исследований было выявлено, что во всех системах оценки технического состояния и управления производ-
ственными активами базой для расчета и прогнозирования показателей надежности и состояния основного оборудования (генераторов, линий электропередач, трансформаторов и др.) является процесс сбора и обработки данных об эксплуатации и отказах основного оборудования, результаты которого используются для принятия решения о времени вывода его в ремонт. Поэтому в качестве базовой гипотезы представленной работы сформулирована следующая: единство режима энергосистемы оказывает влияние на техническое состояние всех ее элементов, включая состояние высоковольтного оборудования.
Режимные параметры системы дают возможность не только повысить точность оценки текущего состояния оборудования, но и прогнозировать его в долгосрочной перспективе. Например, в России, в рамках разработки Схем и программ развития электроэнергетики, выполняются анализ и планирование развития электроэнергетических систем, учитываются «узкие места» энергосистемы, перспективные нагрузки и вводы новых генерирующих мощностей. В обязательном порядке выполняется анализ схемно-режимной ситуации для перспективных состояний электроэнергетической системы на перспективу до 10 лет. При условии наличия неявных закономерностей и связей режимных параметров с технологическими, эти данные могут послужить базой для решения задачи прогнозирования жизненного цикла электросетевого оборудования. Необходимость поиска неявных зависимостей и закономерностей в данных при условии их большого объема, в свою очередь, подтверждает необходимость применения методов искусственного интеллекта.
Другими словами, основная цель использования режимных параметров в данном исследовании - это приведение частично ненаблюдаемой системы к максимально возможной наблюдаемости, что дает возможность расширить традиционный подход к оценке технического состояния путем получения, обработки и анализа дополнительных данных в виде режимной информации.
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(Б):1093-1104
РАСПОЗНАВАНИЕ СОСТОЯНИЯ ОБОРУДОВАНИЯ НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ
Исходный набор диагностических данных для распознавания образа состояния высоковольтного оборудования включает в себя большое количество параметров. Например, для трансформаторов он может составлять до 65 параметров: результаты физико-химического анализа масла, хроматографи-ческого анализа, тепловизионной диагностики, параметров состояния магнитной системы, параметров состояния обмоток, параметров общего состояния трансформатора и устройства регулирования напряжения под нагрузкой (РПН), а также внешних контактных соединений. Не все признаки являются информативными для идентификации состояния оборудования, из-за чего алгоритмы анализа данных могут переобучаться и идентифицировать неверно состояние оборудования. Поэтому для создания корректной базы данных, обучающей выборки и поиска эффективного алгоритма машинного обучения требуется придерживаться следующего алгоритма работы с исходными (сырыми) данными:
Формирование исходной базы данных.
На основе данных о состоянии оборудования формируется база данных, как описано автором в [16], требующих предварительной обработки и анализа. Часть данных о состоянии оборудования может быть представлена не в числовом виде, а в текстовом (вид ремонта, объемы ремонтов), графическом (термограммы), в формате даты и времени, временного ряда и др.
Анализ распределения по классам состояния. При формировании обучающей выборки очень важно соблюсти необходимое распределение размеченных данных по классам. При малом объеме выборки, описывающей отдельный класс, обученный алгоритм не будет обладать достаточной обобщающей способностью.
Восстановление данных. Не все алгоритмы могут работать с пропущенными значениями в базах данных. По этой причине необходимо восстанавливать (заполнять)
пропуски в данных либо удалять строки с такими значениями.
Восстановление пропусков для данных технического диагностирования можно считать некорректным, так как, несмотря на наличие большого числа возможных методов восстановления данных, оно приводит, по сути, к моделированию данных, а при больших объемах может привести к перевесу смоделированных данных над реальными (эксплуатационными), что в корне может поменять результат - как отдельный дефект оборудования, так и его состояние в целом.
Удаление строк из общего числа для одного признака в случае большого числа пропусков может также негативно сказаться на его использовании и привести к обесцениванию этого признака в общем множестве.
В данной работе автором предложен подход к отбору признаков, реализуемый по подсчету количества пропущенных значений, в соответствии со следующим правилом: удаляются признаки (полностью столбец), пороговое значение (доли незаполненных значений) каждого параметра которых меньше 60%. Корректный выбор признаков повышает точность идентификации и сокращает время обучения [17].
Анализ коллинеарности признаков. Анализ коллинеарности (корреляции) признаков между собой также позволяет исключить избыточные признаки. В данной работе опытным путем было определено, что анализ коллинеарности для решения данной задачи эффективнее реализовывать на основе анализа коэффициентов корреляции Спирмена, на основе которых составляется матрица корреляций. Коэффициент корреляции Спир-мена рассчитывается как
Р =
б[ d2
l----,
n (n2-l)'
(1)
где d - разница в рангах для пары (Х,У) двух рядов чисел; п - длина рядов X и У. Корреляция Спирмена может быть применена как к численным данным, так и к выраженным численно категориям [18].
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020'24(5):1093-1104
Описание модели идентификации состояния. В рамках авторских исследований было выявлено, что для решения задачи анализа технического состояния оборудования - распознавания образов состояния оборудования, одним из наиболее эффективных методов является градиентный бустинг XGBoost (XGB) на основе решающих деревьев [17, 19], основными преимуществами которого являются способность обработки данных с пропусками и эффективность работы с табличными данными для решения задач классификации и регрессии. В ходе бустинга создается аддитивная композиция, в которой каждый последующий классификатор обучается уменьшать текущую ошибку модели. При контролируемом обучении для набора данных, где D = {(x,, y): х,- еRn, y еR}, композиция на основе решающих деревьев использует K аддитивных функций для предсказания ответа:
к
У = F (X ) = Е fj (x), (2)
j=i
где f(x) = wq(X). В данном случае q: Rm ^ T описывает структуру каждого образуемого дерева, которое определяет элемент данных в соответствующий лист дерева c весовым коэффициентом w е T [20].
Обучение алгоритма идентификации состояния. В данной работе с целью повышения точности алгоритма XGB выполняется настройка параметров с помощью функции GridSearch, проводящей перебор комбинаций значений параметров модели в поиске дающей наибольшую метрику качества модели, такую как точность (presicion), чувствительность (recall) и т.д. Определяются значения параметров для комбинации параметров, дающей наилучшую точность по метрикам. Дополнительно определяется важность признаков для алгоритма, в результате чего получается статистика улучшения точности классификации от применения признаков.
МЕТОДИКА РАСПОЗНАВАНИЯ СОСТОЯНИЯ ОБОРУДОВАНИЯ
В соответствии с разработанной методи-
кой, оценка технического состояния оборудования (составного объекта или объекта-композита) выполняется по совокупности оценок состояния его простых объектов (конструктивных частей). Составной объект имеет собственную структуру и внутренние связи. Для каждого простого объекта выполняется оценка состояния по совокупности оценок состояния его элементов и режимных параметров для анализа влияния режимов работы энергосистемы на состояние оборудования.
Например, для силового выключателя составными элементами являются: контактная система, дугогасительная камера, привод, корпус, вводы, внутренняя изоляция и т.д., а также ток короткого замыкания, как показано на рис. 1. Аналогичный пример представлен для силового трансформатора на рис. 2. Каждый элемент характеризуется своими возможными видами дефектов и/или неисправностей и принадлежностью к какому-либо состоянию, которое определяется на основе агрегированных параметров, полученных в ходе эксплуатации, диагностирования состояния оборудования, данных с систем мониторинга и режимных параметров.
Учет режимных параметров при определении состояния трансформатора. Ухудшение технического состояния трансформатора оценивается на основе численных характеристик основных диагностических параметров, таких как результаты анализа трансформаторного масла, магнито-провода, твердой изоляции и др. В качестве одной из причин ухудшения состояния автор рассматривает режим его работы, его нагрузочные характеристики, температурные условия внешней среды.
Известно, что отклонения нагрузки и температуры, превышающие номинальные значения, приводят к ускоренному износу изоляции. Перегрузка трансформатора оказывает значительное воздействие на состояние высоковольтных вводов, РПН, встроенные трансформаторы тока. В данной работе оценка темпов старения изоляции выполняется по результатам расчета теплового режима трансформатора в соответствии с ме-
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(Б):1093-1104
тодикой 1ЕС 60076-7(2018)1 и основывается на определении температуры наиболее нагретой точки. При этом относительная скорость износа изоляции трансформатора определятся согласно уравнению Монтсин-гера:
V
ehP -9
V = ■
V,
= 2
(3)
где ^ - скорость износа изоляции при значении температуры наиболее нагретой точки равной 0, ; Г98„с - скорость износа изоляции при температуре наиболее нагретой точки равной 98оС.
Относительный износ изоляции является интегральной величиной и определяется в течение определенного периода времени Т:
l fT 1 _ N
L = -l Vdt = —У , t Jo
V
-1 n
= - Z2
J1 ¿—in=1
9hp-98°C
(4)
T
Ц,
выбирается в зависимости от времени усреднения данных о загрузке силового трансформатора; N - общее число доступных параметров в исходной выборке; 0А -
средняя за выбранный расчетный период температура наиболее нагретой точки трансформатора.
Учет режимных параметров при определении состояния выключателя. Техническое состояние силового выключателя напрямую зависит от схемно-режимных условий работы энергосистемы, в которой он эксплуатируется. Отключение тока короткого замыкания является самым тяжелым режимом для силового выключателя, при котором почти все его элементы подвергаются механическому, термическому и химическому воздействию: вводы, дугогасительная камера, изолирующая среда и т.д. При этом уровень тока короткого замыкания полностью характеризует схемно-режимную ситуацию энергосистемы: топологию сети и включенное генерирующее оборудование. На рис. 3 представлен типовой график зависимости количества коммутаций масляного выключателя от величины отключаемого тока.
где i - номер временного интервала, который
Рис. 1. Модель оценки состояния масляного выключателя 110 кВ Fig. 1. State estimation model of a 110kV oil circuit breaker
Рис. 2. Модель оценки состояния силового трансформатора 110 кВ Fig. 2. State estimation model of a 110kV transformer
с
1
1ЕС 60076-7(2018). Трансформаторы силовые. Ч. 7. Руководство по нагрузке масляных силовых трансформаторов. Введ. 12.01.2018. М.: Стандартинформ, 2020. 94 с.
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020'24(5):1093-1104
о
ел
150
CD О
13
о
(Л CD
d О
03
CD Œ О
О) d
100
50
0
5
10 15 20 25 Short-circuit current, kA
30
35
0
Рис. 3. Зависимость коммутационного ресурса от числа срабатываний силового выключателя Fig. 3. Switching operation resource vs number of power switch actuations
ПРАКТИЧЕСКИЙ ПРИМЕР И РЕЗУЛЬТАТЫ ИДЕНТИФИКАЦИИ СОСТОЯНИЯ
В рамках исследования был рассмотрен один из энергорайонов Свердловской энергосистемы. Рассматриваемый энерго-район содержит более 350 ПС класса напряжения 110 кВ и выше. Для учета влияния электроэнергетической системы на техническое состояние оборудования силовых трансформаторов и силовых выключателей в данном исследовании было принято решение дополнить обучающие выборки коэффициентами загрузки трансформаторов и значениями токов короткого замыкания через выключатель при замыкании на его выводах.
Для учета режимных параметров в разработанной системе была произведена модель расчета установившихся режимов и токов короткого замыкания энергосистемы в ПК КаБ^МпЗ. Расчет теплового режима силового трансформатора и относительного износа изоляции был реализован с исполь-
л
зованием рекомендаций IEC 60076-7(2018)'. Алгоритм машинного обучения для распознавания образов технического состояния оборудования был реализован в среде Python Jupyter на языке Python3.
Пример расчета графика температур силового трансформатора мощностью 15 МВА 15000/110/35/10 узловой подстанции 110 кВ представлен на рис. 4. В режиме аварийного отключения одного трансформатора загрузка второго превышает номинальную мощность трансформатора более чем на 50%, при этом относительный износ изоляции составляет 1,58. В таком режиме каждое увеличение нагрузки на 2% от номинальной мощности трансформатора приводит к увеличению относительного износа изоляции на 20%. С целью учета влияния режимных параметров на техническое состояние силовых трансформаторов аналогичные расчеты проведены для всей выборки, которая включает в себя 1186 единиц оборудования.
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(Б):1093-1104
Рис. 4. Результаты расчета теплового режима трансформатора Fig. 4. Calculation results of transformer thermal mode
Для целей повышения точности идентификации технического состояния силовых выключателей был произведен расчет трехфазных и однофазных токов короткого замыкания в соответствии со стандартом ^ 60909-0(2016)2. Расчет проводился для различных схемно-режимных ситуаций электроэнергетической системы: для нормальной схемы с учетом существующих точек деления сети, а также для ремонтных режимов N-1. Графически расчет токов коротких замыканий для выбранных подстанций и коммутационных аппаратов представлен на рис. 5. В правой части карты коротких замыканий представлены значения токов короткого замыкания в максимальном и минимальном режимах с учетом отключения одного элемента в прилегающей электрической сети.
В табл. 1 представлен пример данных для распознавания образа состояния силового трансформатора 110 кВ на примере анализа состояния трансформатора ТДН-16000/110-66У1, которые были получены в результате работы настроенного алгоритма XGBoost и методики, представленной выше. Состояние данного трансформатора с помощью настроенного алгоритма XGBoost идентифицировано верно - как «неудовлетворительное», что совпадает с заключением диагностической лаборатории.
В табл. 2 представлены результаты работы настроенного алгоритма XGBoost для случаев учета и неучета режимных параметров прилегающей энергосистемы для силовых трансформаторов и масляных выключателей 110 кВ.
У 4,4
Substation No 220 kV
200 MVA
±L3 4,4
M км
3,7 3,7
Ю0 MVA
AT3
AT4
У 4,8 У 4,8
А 00 А 0,0 0,0 0,0
3 phase 1 jhase
Г 27,8 -I P 29,5
» 23,6 ' » 25,9
■19,3 ■ . 9'| 9
110 kV 23,6/25,
Рис. 5. Графическое представление расчетов токов короткого замыкания Fig. 5. Graphical representation of short-circuit current calculations
2
^ 60909-0(2016). Токи короткого замыкания в системах трехфазного переменного тока. Ч. 0. Расчет токов. 28.01.2016. М.: Стандартинформ, 2016. 154 с.
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(5):1093-1104
Таблица 1. Пример данных для распознавания образа состояния трансформатора 110 кВ Table 1. Example of data for 110 kV transformer state pattern recognition_
Состояние трансформаторного масла Состояние контрольно-измерительной аппаратуры Состояние регулирования напряжения под нагрузкой
Год выпуска масла Пробивное напряжение масла, кВ Влагосодер жание, г/т Кислотное число, мгКОН/г Тангенс масла при 90С, % Температура вспышки в закрытом тигле, С Неисправ ность воздухоосу шительного фильтра Пробивное напряжение масла из бака регулирования напряжения под нагрузкой, кВ
1973 43 8 0,02 0,8 - исправны 32,3
Хроматографический анализ масла
H2 CH4 C2H4 C2H6 C2H2 CO2 CO
0,07 0,001 0,00015 0,0002 0,000028 0,1475 0,007
Состояние магнитной системы
Потери ХХ, измеренные при последних эксплуатационных испытаниях при закороченной фазе «а», Вт Потери ХХ, измеренные при последних эксплуатационных испытаниях при закороченной фазе «Ь», Вт Потери ХХ, измеренные при последних эксплуатационных испытаниях при закороченной фазе «с», Вт
31,5 45 32,4
Состояние обмоток
Состояние обмотки высшего напряжения Состояние обмотки среднего напряжения
Сопротивление изоляции R60 обмотки высшего напряжения, измеренное при пуско-наладочных испытаниях, МОм Тангенс изоляции обмотки высшего напряжения, измеренный при последних испытаниях, % Тангенс изоляции обмотки среднего напряжения (НН1), измеренный при последних испытаниях, % Максимальное различие Rпост. току разных фаз обмотки среднего напряжения (НН1), %
7000 0,29 н/д н/д
Примечание: НН1 - низшее напряжение.
Таблица 2. Результаты работы алгоритма XGBoost Table 2. XGBoost algorithm operation results_
Выборка, шт. Исходное число параметров, шт. Число параметров после обработки, шт. Число параметров по важности признаков для модели на основе ХСВоов^ шт. Precision без режимного параметра, % Recall без режимного параметра, %, Precision с режимным параметром, % Recall с режимным параметром, %
Силовой трансформатор 110 кВ
1186 65 | 31 | 22 | 81,0 | 75,1 86,2 78,8
Выключатель 110 кВ
1093 34 | 22 | 19 | 76,2 | 71,7 79,8 73,4
Точность алгоритма была оценена на основе точности (precision) и полноты (recall) для каждого класса отдельно. Результирующие метрики точности и полноты определены как среднее между данными метриками для каждого из классов, это сделано для учета несбалансированности классов. Точность (precision) и полнота (recall) определяются следующими формулами:
TP TP
precision =-; recall =-, (5)
TP + FP TP + FN
где TP - истинно-положительный результат; FP - ложно-положительный результат; FN -ложно-отрицательный результат.
Precision можно интерпретировать как долю объектов, названных классификатором положительными и при этом действительно являющимися положительными, а recall показывает, какую долю объектов положительного класса из всех объектов положительного класса нашел алгоритм.
Выбор в качестве метрики работы алгоритма precision и recall дает возможность не
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(Б):1093-1104
зависеть от соотношения классов, и потому метрики могут быть применимы в условиях несбалансированных выборок, что для высоковольтного оборудования особенно характерно в связи со значительно меньшей долей дефектного оборудования.
ЗАКЛЮЧЕНИЕ
В рамках данного исследования была разработана система распознавания образов состояния высоковольтного оборудования на основе алгоритмов машинного обучения, которая продемонстрировала хорошую точность идентификации для настроенных алгоритмов для трансформатора и выключателя, соответственно.
По средствам использования машинного обучения в рамках данного исследования были выявлены и обоснованы перечни показателей и параметров технического диагностирования, оказывающие наибольшее влияние на техническое состояние различного оборудования и сформированы диагностические модели оценки технического состояния оборудования для различных видов оборудования.
Учет режимных параметров, полученных расчетных путем, в составе обучающей выборки для идентификации состояния высоковольтного оборудования, как видно из полученных результатов, дает возможность повысить точность настройки алгоритма, а, значит, повысить точность распознавания состояния оборудования. Несмотря на, казалось бы, небольшое увеличение точности на 5-6%, результат является весомым, так как, во-первых, он достигается при вводе всего одного дополнительного параметра при об-
щем числе параметров 23 (с режимным параметром), во-вторых, при последующем постоянном доформировании исходной выборки режимными параметрами точность идентификации также будет повышаться еще на 3-5% в зависимости от вида оборудования.
При таких значениях точности идентификации состояния, на наш взгляд, в дальнейшем имеет смысл не просто идентифицировать состояние отдельных единиц оборудования, а искать и определять связи (закономерности, неявные зависимости, корреляции и т.д.) в рамках комплексного объекта - подстанции, с помощью методов машинного обучения. В результате чего можно будет сформировать диаграмму связей (коопераций) на всех уровнях разработанной системы, именно за счет построения такой диаграммы связей будет возможен переход от статической к динамической модели поведения объекта, на основе чего будет реализовано долгосрочное прогнозирование состояния оборудования и управление его жизненным циклом.
Разработанные структура и подходы к анализу технического состояния оборудования с использованием схемно-режимной информации наряду с диагностическими данными обеспечивают информационную связь задач технологического и оперативно-диспетчерского управления, что позволяет рассматривать задачу ведения электрических режимов энергосистем с позиции технического состояния электросетевого оборудования и, наоборот, выявлять наиболее приоритетные задачи эксплуатационного обслуживания для снятия сетевых и системных ограничений.
Библиографический список
1. Cai Zhongyi, Wang Zezhou, Chen Yunxiang, Guo Jiansheng, Xiang Huachun. Remaining useful lifetime prediction for equipment based on nonlinear implicit degradation modeling // Journal of Systems Engineering and Electronics. 2020. Vol. 31. Issue 1. P. 194-205. https://doi.org/10.21629/JSEE.2020.01.19
2. Cao Wen, He Baosheng, Shen Wei, Shi Xuetao, Wu Kai, Tatsuki Okamoto, et al. An approach for economic assessment on oil-paper insulation diagnosis through accelerated aging experiments // IEEE Transactions on Dielectrics and Electrical Insulation. 2014. Vol. 21. Issue 4. P.
1842-1850. https://doi.org/10.1109/TDEI.2014.004370
3. Ittiphong Yongyee, Cattareeya Suwanasri, Thanapong Suwanasri, Waraporn Luejai. Condition assessment in transmission line asset for maintenance management // International Electrical Engineering Congress. 2018. https://doi.org/10.1109/IEECON.2018.8712276
4. Li Shengtao, Li Jianying. Condition monitoring and diagnosis of power equipment: review and prospective // High Voltage. 2017. Vol. 2. Issue 2. P. 82-91. https://doi.org/10.1049/hve.2017.0026
5. Liu Yingyi, Xv Jiahuan, Yuan Haiwen, Lv Jianxun, Ma
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(5):1093-1104
Zhao. Health assessment and prediction of overhead line based on health index // IEEE Transactions on Industrial Electronics. 2019. Vol. 66. No. 7. P. 5546-5557. https://doi.org/10.1109/TIE.2018.2868028
6. Xu Gao Huan, Ye Jun Xiang. Engine fault diagnosis based on support vector machine and noise analysis // Advanced Materials Research. 2012. Vol. 546-547. P. 97-101.
https://doi.org/10.4028/www.scientific.net/amr.546-547.97
7. Ben Ali J., Chebel-Morello B., Saidi L., Malinowski S., Fnaiech F. Accurate bearing remaining useful life prediction based on weibull distribution and artificial neural network // Mechanical Systems and Signal Processing. 2015. Vol. 56-57. P. 150-172. https://doi.org/10.1016/j.ymssp.2014.10.014
8. Ghasemi A., Yacout S., Ouali M.S. Evaluating the reliability function and the mean residual life for equipment with unobservable states // IEEE Transactions on Reliability. 2010. Vol. 59. Issue 1. P. 45-54. https://doi.org/10.1109/TR.2009.2034947
9. Li Shengtao, Li Jianying. Condition monitoring and diagnosis of power equipment: review and prospective // High Voltage. 2017. Vol. 2. No. 2. P. 82-91. 6 https://doi.org/10.1049/hve.2017.0026
10. Tanasescu G., Gorgan B., Busoi S., Badita A., Not-ingher P.V. Monitoring and diagnosis of electrical equipment using a web software. health index and remaining lifetime estimation // Conference on Diagnostics in Electrical Engineering (Diagnostika). 2016. https://doi.org/10.1109/DIAGN0STIKA.2016.7736495
11. Zhang Xiaoqing, Gockenbach E., Chen H.B., Liu Z.L., Yang L.H., Gao Kunlun, et al. Life management of 550kV SF6 circuit breakers // International Conference on High Voltage Engineering and Application. 2010. https://doi.org/10.1109/ICHVE.2010.5640763
12. Kai Huang, Shuqiang Zhao. Evaluation of residual service life of high voltage circuit breaker // International Conference on Electricity Distribution. 2012. https://doi.org/10.1109/CICED.2012.6508698
13. Asiri Ya., Vouk A., Renfort L., Clark D., Copper J. Neural network based classification of partial discharge in hv motors // Electrical Insulation Conference. 2011. https://doi.org/10.1109/EIC.2011.5996173
14. Khal'asmaa A.I., Dmitriev S.A., Kokin S.E. An automated system for taking decisions to assess the actual state of electrical equipment // Power Technology and Engineering. 2016. Vol. 49. P. 389-392. https://doi.org/10.1007/s10749-016-0634-6
15. Chen Minghua, Liu Qunying, Chen Shuheng, Liu Yicen, Zhang Chang-Hua, Liu Ruihua. XGBoost-based algorithm interpretation and application on post-fault transient stability status prediction of power system // IEEE Access. 2019. Vol. 7. P. 13149-13158. https://doi.org/10.1109/ACCESS.2019.2893448
16. Khalyasmaa A.I., Eroshenko S.A. Data analytics platform for power equipment intelligent lifecycle management // Cigre [Электронный ресурс]. URL: http://d2_rus.cigre.ru/reports/0509/D2_315%20Poster_% D0%A4%D0%B0%D0%B9%D0%BB%203.pdf (13.05.2020).
17. Khalyasmaa A.I., Senyuk M.D., Eroshenko S.A. Highvoltage circuit breakers technical state patterns recognition based on machine learning methods // IEEE Transactions on Power Delivery. 2019. Vol. 34. Issue 4 P. 17471756. https://doi.org/10.1109/TPWRD.2019.2921095
18. Liu Huan, Motoda Hiroshi. Computational methods of feature selection. chapman and Hall/CRC, 2007. 440 p.
19. Khalyasmaa A.I., Senyuk M.D., Eroshenko S.A. Analysis of the state of high-voltage current transformers based on gradient boosting on decision trees // IEEE Transactions on Power Delivery. 2020. Vol. 36. P. 17471756. https://doi.org/10.1109/TPWRD.2020.3021702
20. Salakhutdinova K.I., Lebedev I.S., Krivtsova I.E. Gradient boosting trees method in the task of software identification // Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 2018. Vol. 18. No. 8. P. 1016-1022.
https://doi.org/10.17586/2226-1494-2018-18-6-1016-1022
References
1. Cai Zhongyi, Wang Zezhou, Chen Yunxiang, Guo Jiansheng, Xiang Huachun. Remaining useful lifetime prediction for equipment based on nonlinear implicit degradation modeling. Journal of Systems Engineering and Electronics. 2020;31(1 ):194-205. https://doi.org/10.21629/JSEE.2020.01.19
2. Cao Wen, He Baosheng, Shen Wei, Shi Xuetao, Wu Kai, Tatsuki Okamoto, et al. An approach for economic assessment on oil-paper insulation diagnosis through accelerated aging experiments. IEEE Transactions on Dielectrics and Electrical Insulation. 2014;21(4):1842-1850. https://doi.org/10.1109/TDEI.2014.004370
3. Ittiphong Yongyee, Cattareeya Suwanasri, Thanapong Suwanasri, Waraporn Luejai. Condition assessment in transmission line asset for maintenance management. In: International Electrical Engineering Congress. 2018. https://doi.org/10.1109/IEEC0N.2018.8712276
4. Li Shengtao, Li Jianying. Condition monitoring and di-
agnosis of power equipment: review and prospective. High Voltage. 2017;2(2):82-91.
https://doi.org/10.1049/hve.2017.0026
5. Liu Yingyi, Xv Jiahuan, Yuan Haiwen, Lv Jianxun, Ma Zhao. Health assessment and prediction of overhead line based on health index. IEEE Transactions on Industrial Electronics. 2019;66(7):5546-5557. https://doi.org/10.1109/TIE.2018.2868028
6. Xu Gao Huan, Ye Jun Xiang. Engine fault diagnosis based on support vector machine and noise analysis. Advanced Materials Research. 2012;546-547:97-101. https://doi.org/10.4028/www.scientific.net/amr.546-547.97
7. Ben Ali J, Chebel-Morello B, Saidi L, Malinowski S, Fnaiech F. Accurate bearing remaining useful life prediction based on weibull distribution and artificial neural network. Mechanical Systems and Signal Processing. 2015;56-57:150-172.
https://doi.org/10.1016/j.ymssp.2014.10.014
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(Б):1093-1104
8. Ghasemi A, Yacout S, Ouali MS. Evaluating the reliability function and the mean residual life for equipment with unobservable states. IEEE Transactions on Reliability. 2010;59(1 ):45—54.
https://doi.org/10.1109/TR.2009.2034947
9. Li Shengtao, Li Jianying. Condition monitoring and diagnosis of power equipment: review and prospective. High Voltage. 2017;2(2):82-91. https://doi.org/10.1049/hve.2017.0026
10. Tanasescu G, Gorgan B, Busoi S, Badita A, Notingher PV. Monitoring and diagnosis of electrical equipment using a web software. Health Index and Remaining Lifetime Estimation. In: Conference on Diagnostics in Electrical Engineering (Diagnostika). 2016. https://doi.org/10.1109/DIAGNOSTIKA.2016.7736495
11. Zhang Xiaoqing, Gockenbach E, Chen HB, Liu ZL, Yang LH, Gao Kunlun, et al. Life management of 550kV SF6 circuit breakers. In: International Conference on High Voltage Engineering and Application. 2010. https://doi.org/10.1109/ICHVE.2010.5640763
12. Kai Huang, Shuqiang Zhao. Evaluation of residual service life of high voltage circuit breaker. In: International Conference on Electricity Distribution. 2012. https://doi.org/10.1109/CICED.2012.6508698
13. Asiri Ya, Vouk A, Renfort L, Clark D, Copper J. Neural network based classification of partial discharge in hv motors. In: Electrical Insulation Conference. 2011. https://doi.org/10.1109/EIC.2011.5996173
14. Khal'asmaa AI, Dmitriev SA, Kokin SE. An automated system for taking decisions to assess the actual state of electrical equipment. Power Technology and Engineering.
Критерии авторства
Хальясмаа А.И. выполнила исследовательскую работу, на основании полученных результатов провела обобщение, подготовила рукопись к печати, имеет на статью авторские права и несет полную ответственность за ее оригинальность.
Конфликт интересов
Автор заявляет об отсутствии конфликта интересов.
Автор прочитала и одобрила окончательный вариант рукописи.
СВЕДЕНИЯ ОБ АВТОРЕ
Хальясмаа Александра Ильмаровна,
кандидат технических наук, доцент, доцент кафедры «Электрические станции», Новосибирский государственный технический университет,
630073, г. Новосибирск, пр. Карла Маркса, 20, Россия; !"■■■".! e-mail: [email protected]
2016;49:389-392. https://doi.org/10.1007/s10749-016-0634-6
15. Chen Minghua, Liu Qunying, Chen Shuheng, Liu Yicen, Zhang Chang-Hua, Liu Ruihua. XGBoost-based algorithm interpretation and application on post-fault transient stability status prediction of power system. IEEE Access. 2019;7:13149-13158. https://doi.org/10.1109/ACCESS.2019.2893448
16. Khalyasmaa AI, Eroshenko SA. Data analytics platform for power equipment intelligent lifecycle management. Cigre. Available from: http://d2_rus.cigre.ru/reports/0509/D2_315%20Poster_% D0%A4%D0%B0%D0%B9%D0%BB%203.pdf [Accessed 13th May 2020].
17. Khalyasmaa AI, Senyuk MD, Eroshenko SA. Highvoltage circuit breakers technical state patterns recognition based on machine learning methods. IEEE Transactions on Power Delivery. 2019;34(4): 1747-1756. https://doi.org/10.1109/TPWRD.2019.2921095
18. Liu Huan, Motoda Hiroshi. Computational Methods of Feature Selection. Chapman and Hall/CRC; 2007, 440 p.
19. Khalyasmaa AI, Senyuk MD, Eroshenko SA. Analysis of the state of high-voltage current transformers based on gradient boosting on decision trees. IEEE Transactions on Power Delivery. 2020;36:1747-1756. https://doi.org/10.1109/TPWRD.2020.3021702
20. Salakhutdinova KI, Lebedev IS, Krivtsova IE. Gradient boosting trees method in the task of software identification. Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 2018;18(8): 1016-1022. https://doi.org/10.17586/2226-1494-2018-18-6-1016-1022
Authorship criteria
Khalyasmaa A.I. performed the research work, made a generalization on the basis of the results obtained, prepared the manuscript for publication. She is a copyright holder and bears full responsibility for article originality.
Conflict of interests
The author declares that there is no conflict of interests regarding the publication of this article.
The final manuscript has been read and approved by the author.
INFORMATION ABOUT THE AUTHOR
Alexandra I. Khalyasmaa,
Cand. Sci. (Eng.),
Associate Professor of the Department of Electric Power Stations,
Novosibirsk State Technical University,
20, Karl Marx Ave., Novosibirsk 630073, Russia;
[><] e-mail: [email protected]
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(5):1093-1104
