CC BY
37
УДК 621.311
МЕТОДЫ ИНТЕРПРЕТАЦИИ РЕЗУЛЬТАТОВ ХРОМАТОГРАФИЧЕСКОГО АНАЛИЗА МАСЛА ТРАНСФОРМАТОРНОГО ОБОРУДОВАНИЯ
1,2А.И. Хальясмаа, 3К.В. Овчинников
'Уральский федеральный университет имени первого Президента России Б.Н. Ельцина», г. Екатеринбург, Россия 2Новосибирский государственный технический университет, г. Новосибирск, Россия 3ООО "Энерго-Диагностика и Аналитика", г. Екатеринбург, Россия
ОЯСЮ*: https://orcid.org/0000-0001-5327-6076 1Ша1уа^чтаа@таП. ги
Резюме: ЦЕЛЬ: Данная статья посвящена анализу методов интерпретации результатов хроматографического анализа растворенных в масле газов (ХАРГ) в трансформаторном оборудовании. Сегодня, в связи с появлением большого числа различных информационно -аналитических систем для оценки технического состояния оборудования вопросы интерпретации результатов ХАРГ стоят достаточно остро, так как при автоматизированном распознавании образов состояния достаточно велик риск ошибочного диагноза. МЕТОДЫ: В данной работе применяются шесть методов для анализа газов: метод Роджерса, метод Дорненбурга, стандарт, принятый МЭК, метод номограмм, метод ETRA и треугольник Дюваля, а также метод экспертных оценок. Эти методы различаются используемыми для анализа газами, выявляемыми неисправностями, необходимостью применения критерия граничных концентраций, наглядностью представления результатов анализа, в том числе, возможностью представления наглядной динамики изменения показателей. В качестве расчетного примера анализируются проблемы идентификации дефектов реальных силовых трансформаторов 110 кВ на основе представленных методов интерпретации результатов хроматографического анализа растворенных в масле газов и рассматриваются пути решения описанных проблем. РЕЗУЛЬТАТЫ: Для имеющихся измерений концентрации газов и их пар были проведены расчёты по выявлению выбросов каждым из описанных методов. При применении статистического метода выбросы обнаружены во всех случаях, где были выявлены дефекты хотя бы одним издругих рассматриваемых методов. Также обнаружен выброс в одном случае, которому не соответствует какой-либо дефект. При применении блочной диаграммы также обнаружены выбросы в тех случаях, которым соответствуют выявленные дефекты. Однако данном методом обнаружены выбросы и в «нормальных» пробах. Таким образом, блочная диаграмма, несмотря на свою простоту, имеет излишнюю чувствительность при выявлении выбросов, что может привести к отбраковке не ошибочных данных. Статистический метод, напротив, выдаёт результат, максимально согласующийся с ожиданиями экспертов. По этой причине на данном этапе исследований отдаётся предпочтение этому методу отбраковки измерений. ЗАКЛЮЧЕНИЕ: Полученные в данной статье результаты интерпретации ХАРГ, говорят о том, что достаточно часто встречаются ситуации, которые тяжело идентифицировать даже эксперту или группе экспертов. Этот факт, в свою очередь, свидетельствует о том, что при анализе данных в информационно-аналитических системах не просто требуется учитывать дополнительные данные, но и создавать обучающие выборки по диагнозам в системе на основе прецедентной информации.
Ключевые слова: хроматографический анализ; трансформаторное масло; трансформаторное оборудование; дефекты.
INTERPRETATION METHODS OF DISSOLVED GAS CHROMATOGRAPHY OF POWER TRANSFORMER EQUIPMENT
12AI. Khalyasmaa, 3KV.Ovchinnikov
'Ural Federal University named after the first President of Russia B. N. Yeltsin
Ekaterinburg, Russia 2Novosibirsk State Technical University, Novosibirsk, Russia 3LLC «Energy diagnostics and analytics»
ORCID*: https://orcid.org/0000-0001-5327-6076, lkhalyasmaa@mail. ru
Abstract: THE PURPOSE: This paper is devoted to the interpretation methods of dissolved gases chromatography results of power transformer equipment. Today, due to the emergence of a large number of various data analytics systems for power equipment technical state assessment, the issues associated with interpretation of dissolved gases chromatography results are quite acute, since the risk of incorrect diagnosis is quite high with automated recognition of technical state patterns. METHODS: This paper addressed six methods for analyzing the gases: Rogers method, Dornenburg method, IEC standard, nomogram method, ETRA method and Duval triangle, as well as expert judgment approach. These methods differ in the composition of gases used for the corresponding analysis, detected faults, the need to use the boundary concentration criterion, the visual representation of the results, including the ability to visualize dynamics of the indicators changing. As a case study, the problem of defect identification in 110 kV operated power transformers is analyzed on the basis of the presented methods for giving interpretation of the results of dissolved gases chromatography and ways to solve the stated problems. RESULTS: For the available measurements of the gases' concentration, calculations were made to identify outliers provided by each of the methods described above. When using statistical approach, outliers were detected in all cases where defects were detected by at least one of the methods. An outlier was also detected in one case, which does not correspond to any defect. When applying the block diagram, outliers are also detected in the cases which correspond to a certain defect. However, the method also revealed outliers in "normal" samples. Thus, the block diagram, despite its simplicity, is too sensitive to outliers detection, which can lead to wrong elimination of non-erroneous data. The statistical method, on the other hand, produces a result that is most consistent with the expectations of experts. For this reason, at this stage of research, this method of rejecting measurements is considered. CONCLUSION: The results of the dissolved gases chromatography obtained in this paper indicate that the situations that are difficult to identify even for an expert or a group of experts occur quite often. This fact, in turn, indicates that when applying data analytics systems, it is not only necessary to take into account additional data, but also to create training samples for diagnoses based on precedent information.
Key words: chromatographic analysis; transformer oil; transformer equipment; defects.
Введение
Задача обеспечения надежного электроснабжения потребителей всегда сопряжена с контролем состояния оборудования энергосистем. Несмотря на развитие новых технологий, маслонаполненное оборудование составляет значительную долю парка коммутирующего и трансформаторного оборудования, так, в частности, доля маслонаполненных трансформаторов в энергосистеме РФ на сегодняшний день превышает 70 % [1], что в меньшей степени, но по-прежнему справедливо и для масляных выключателей [2]. С другой стороны, повсеместно наблюдается проблема старения высоковольтного, прежде всего масляного, оборудования: в США более 65% парка трансформаторов находятся в работе более 25 лет, схожая ситуация наблюдается в Японии (30% парка отработали боле 30 лет), а в РФ около половины основных фондов исчерпали свой нормативный ресурс и эксплуатируются уже больше 25 лет [3, 4].
К основным и наиболее вероятным на основании статистики повреждениям масляного оборудования относятся, согласно [5-7], повреждения вводов и обмоток. При этом 15% всех повреждений сопровождается пожарами и взрывами маслонаполненного поврежденного оборудования, что относится к одной из его негативных особенностей. Последствием
178
отказов маслонаполненного оборудования становится прекращение электроснабжения потребителей, с одной стороны, и необходимость ремонта оборудования с другой стороны, стоимость которого для трансформаторов может достигать 50-70% от затрат на ввод оборудования в работу [3].
Следствием существующей угрозы внеплановых затрат на ремонт маслонаполненного оборудования, а также риска нарушения электроснабжения, становится повышенный интерес сетевых организаций и потребителей к методам диагностики высоковольтного оборудования. Таким образом, для эффективного внедрения новых технологий, безопасной и экономичной эксплуатации оборудования, как для сетевых организаций, так и для самих потребителей, требуется развивать и совершенствовать методы диагностики оборудования, а также с особым вниманием относиться к возможностям внедрения on-line систем мониторинга и сбора данных о состоянии элементов сетей [8].
Литературный обзор
Задача диагностики состояния маслонаполненного оборудования в открытых распределительных устройствах электрических станций и подстанций сводится в общем случае к диагностике следующих объектов:
1.силовых масляных трансформаторов;
2.силовых масляных выключателей;
3. измерительных масляных трансформаторов тока и напряжениях.
Если масляные выключатели на сегодняшний день признаны морально и технически устаревшим оборудованием, которое последовательно заменяется на элегазовые и вакуумные аналоги, то измерительные и силовые трансформаторы с масляной изоляцией по-прежнему достаточно широко используются.
Спектр методов анализа состояния маслонаполненного оборудования включает в
себя:
■ Анализ состояния масла. Основной методикой диагностики трансформаторов на основании состояния масла, является анализ растворенных газов (dissolved gas analysis), которые формируются в ходе деградации масла при работе трансформатора. Анализ концентрации и соотношения отдельных газов позволяют указать на тип и локацию повреждения оборудования [9];
■ Анализ коэффициента мощности. Измерение коэффициента мощности и емкости трансформатора, основанное на ретроспективе изменения данных величин для элемента [10];
■ Оценка сопротивления обмотки и коэффициента трансформации позволяют выявлять межвитковые замыкания, повреждения изоляции и проводников трансформаторов [11];
■ Оценка потерь холостого хода трансформатора, изменения которых указывает на вероятное повреждение магнитопровода трансформатора [12];
■ Термографическое обследование трансформатора, которое в режиме реального времени позволяет выявить точки перегрева корпуса, указывающие на отклонения в работе системы охлаждения и точки коротких замыканий [13];
■ Выявление частичных разрядов в изоляции. Частичные разряды ухудшают изолирующие свойства изоляции трансформаторов и могут приводить к их серьезным повреждениям. К основным методам определения частичных разрядов на сегодняшний день относятся методы акустического и электромагнитного анализа, которые выявляют место разряда на основании анализа звуковых и электромагнитных волн [14], методы оптического анализа, улавливающие свет от разрядов [15], методы анализа переходного напряжения [16], методы выявления сверхвысоких частот [17] и др.;
■ Выявление смещения обмоток. Данный комплекс методов направлен на выявление вибрационных процессов и смещение обмоток трансформаторов. В данном случае авторы предлагают либо использовать внешний датчик вибраций, который собирает данные в ходе работы трансформатора и в ходе последующего анализа определяет существующие отклонения от нормы [18], либо более распространенный частотный анализ, который подразумевает получение зависимости полного сопротивления трансформатора от частоты [19].
Перечисленные методы диагностики трансформаторного оборудования могут быть в общем случае применены ко всему маслонаполненному оборудованию.
Материалы и методы
Одним из эффективных инструментов управления состоянием высоковольтного оборудования энергетических систем являются информационно-аналитические системы (ИАС), предназначенные для хранения, обработки и анализа данных. Такие системы направлены на сбор, накопление, актуализацию и аналитическую обработку информации,
повышая качество принимаемых решений [20, 21]. Большинство существующих систем ориентируются в основном на оценку состояния высоковольтного маслонаполненного оборудования, так как, согласно статистическим данным, оно составляет около 60-70 % от общего числа подстанционного оборудования [22]. Стоит заметить, что масло является наиболее информативным и доступным объектом для диагностики высоковольтного оборудования [23].
Трансформаторное масло характеризуется высоким уровнем чистоты и низким уровнем вязкости [24]. Применяется для изоляции находящихся под напряжением частей и узлов трансформатора, отвода тепла от нагревающихся при работе трансформатора частей, предохранения твёрдой изоляции от увлажнения [25], а также оно выполняет функции дугогасящей среды1.
Одним из наиболее эффективных методов ранней диагностики высоковольтного маслонаполненного электрооборудования является хроматографический анализ растворенных в масле газообразных продуктов разложения изоляции (ХАРГ)2, который позволяет выявить до 60-70% развивающихся дефектов [26]. По результатам ХАРГ можно идентифицировать два возможных характера дефектов: термический и электрический. Большинство этих дефектов приводит к повышенному выделению одного или нескольких газов, растворенных в масле.
Главной сложностью при анализе ХАРГ является именно интерпретация его результатов [6]. Среди множества разнообразных методов анализа растворенных газов, наиболее известными являются метод Роджерса [27, 28], треугольник Дюваля [29, 30] и метод Дорненбурга [31]. На территории РФ в методических указаниях по диагностике развивающихся дефектов трансформаторного оборудования используется метод номограмм [32]. За рубежом в качестве стандарта принят МЭК 60599.
При этом важно понимать, что режим эксплуатации, метеорологические условия и множество других факторов влияют на результаты ХАРГ. Например, к эксплуатационным факторам, которые приводят к повышению концентрации газов без возникновения дефектов можно отнести остаточные концентрации газов от устраненного дефекта во время ремонта трансформатора, увеличение нагрузки трансформатора, перемешивание нового масла с остатками старого масла, добавление масла, которые уже использовалось в эксплуатации и т.д. В свою очередь к эксплуатационным факторам, которые приводят к уменьшению концентрации газов можно отнести уменьшение нагрузки или длительное отключение трансформатора, замена, дегазация, доливка масла и замена силикагеля.
Также важно понимать, что иногда дефект, который один из методов обнаружить не может, можно обнаружить посредством другого метода, или даже только при совместном анализе несколькими методами. Это объясняет то, что не рекомендуется повсеместное использование одного метода для анализа растворенных газов. Сегодня, в связи с появлением большого числа различных ИАС для оценки технического состояния оборудования, таких как [20-23] вопросы интерпретации результатов ХАРГ стоят достаточно остро, так как при автоматизированном распознавании образов состояния достаточно велик риск ошибочного диагноза. Поэтому в настоящее время большое внимание уделяется ИАС, способных к самообучению и формализации экспертных знаний [24].
Методы интерпретации результатов ХАРГ
С целью выявления дефектов в масляных трансформаторах используется ряд специальных критериев. В данной работе используется наиболее перспективная группа методов, в основе которых лежат отношения различных пар газов, а также метод треугольника Дюваля. Некоторые методы применяются в сочетании с критерием граничных концентраций. В основе методов отношений концентраций лежит сопоставление соотношений характерных пар газов друг с другом или с граничными значениями. К характерным относятся следующие пары газов: R1 = СН4/Н2 (метан/водород), R2 = С2Н2/С2Н4 (ацетилен/этилен), R3 = С2Н2/СН4 (ацетилен/метан), ^ = С2Н6/С2Н2 (этан/ацетилен), R5 = С2Н6/СН4 (этан/метан), R6 = С2Н4/С2Н6 (этилен/этан).
В данной работе применяются шесть методов для анализа газов: метод Роджерса, метод Дорненбурга, стандарт, принятый МЭК, метод номограмм, метод ЕТЯА и треугольник Дюваля, а также метод экспертных оценок. Эти методы различаются используемыми для анализа газами, выявляемыми неисправностями, необходимостью приминения критерия граничных концентраций, наглядностью представления результатов
1 IEC 60599:2015. Mineral oil-filled electrical equipment in service - Guidance on the interpretation of dissolved and free gases analysis : дата введ. 2015-09-16. - 78 с.
2 IEC 60567:2011. Oil-filled electrical equipment - Sampling of gases and analysis of free and dissolved gases - Guidance : дата введ. 2011-10. - International Electrotechnical Commission, 2011. - 19 с.
анализа, в том числе возможностью представления наглядной динамики изменения показателей. Далее приведено их краткое описание.
Метод Роджерса
Диагностика по методу Роджерса основана на анализе соотношений четырех пар газов: R1 = СН4/Н2 (метан/водород), R2 = С2Н2/С2Н4 (ацетилен/этилен), R5 = С2Н6/СН4 (этан/метан), R6 = С2Н4/С2Н6 (этилен/этан). При этом не требуется превышение газами граничных концентраций, а значит можно использовать любые результаты ХАРГ, исключая их предварительный анализ. Вывод о том, какой тип дефекта развивается внутри трансформатора, делается на основании сочетания отношений пар и значений концентраций анализируемых газов. Определяется двенадцать типов дефектов.
Метод Дорненбурга
При использовании метода Дорненбурга анализируются следующие соотношения пар газов: R1=CH4/H2 (метан/водород), R2=C2H2/C2H4 (ацетилен/этилен), R3=C2H2/CH4 (ацетилен/метан), ^ =С2Н6/С2Н2 (этан/ацетилен). Как и в методе Роджерса определение типа дефекта производится на основании анализа сочетания отношений пар и значений концентраций растворенных в масле газов. При этом требуется применение критерия граничных концентраций и возможно выявление лишь одного из трёх основных типов дефектов (термические, частичные разряды, дуговые процессы).
Метод МЭК 60599
В основу стандарта положен метод Роджерса. В качестве анализируемых взяты следующие пары газов: R1=CH4/H2 (метан/водород), R2=C2H2/C2H4 (ацетилен/этилен), R6 =С2Н4/С2Н6 (этилен/этан). Диагностическое заключение производится аналогично методам Роджерса и Дорненбурга.
Метод номограмм
Данный метод принят в качестве основного в методических указаниях по хроматографическому анализу растворенных в масле газов на территории РФ. В основе метода лежит построение номограмм пяти газов: водорода (Н2), метана (СН4), этана (С2Н6), этилена (С2Н4), и ацетилена (С2Н2). Далее полученные номограммы сравниваются с характерными для тех или иных типов.
Метод ETRA
Данная методика была разработана японскими исследователями. Для анализа дефектов используются три газа: ацетилен (С2Н2), этилен (С2Н4) и этан (С2Н6). Строится квадратная диаграмма, где в качестве оси Х принимается соотношение концентраций газов С2Н4/С2Н6, а в качестве оси Y - соотношение концентраций газов С2Н2/С2Н6. Полученная диаграмма делится на несколько областей. Каждая область соответствует определенному дефекту. Значения соотношений концентраций пар газов отмечаются на каждой стороне прямоугольника и вычисляется точка пересечения построенных отрезков внутри прямоугольника - она соответствует какому-либо дефекту в зависимости от области, в которую она попадает. Преимущество методики заключается в наглядности получаемых результатов и возможности наглядного отслеживания динамики их изменений.
Треугольник Дюваля
В данной методике используется треугольная диаграмма, каждая сторона которой соответствует концентрации одного из трёх газов: метана (СН4), этилена (С2Н4) и ацетилена (С2Н2). Внутри треугольник разделен на семь областей, каждая из которых соответствует определенному виду дефекта. Далее, аналогично методу БТЯА, вычисляется точка внутри треугольника, соответствующая определённому дефекту. Метод Дюваля обладает теми же преимуществами, что и метод БТЯА, а также позволяет выявлять большее количество дефектов, так как для него отсутствуют недиагностируемые состояния, и для любого анализа будет дано заключение.
Метод экспертных оценок
Корректность диагноза, полученного каждым из указанных методов, может гарантироваться лишь в идеальных условиях. Реально на отбор масла, его транспортировку, проведение ХАРГ, фиксацию его показателей может влиять множество факторов, искажающих результат ХАРГ. Как следствие, может быть получен некорректный диагностический вывод. Для предотвращения этого используется метод экспертных оценок, при котором эксперты, имеющие большой опыт в диагностике электрооборудования, оценивают по неформальным критериям правильность полученного диагноза [33].
Описание экспериментальных данных и их анализ
С целью проверки корректности применения описанных методов для анализа результатов ХАРГ эксплуатируемого оборудования проведены расчёты с реальными данными. В качестве исследуемых объектов использовались два трансформатора марки
ТРДН-25000/110/10 (далее обозначаются как Т1 и Т2), находящихся на подстанции 110 кВ в ЕЭС России. В качестве исходных данных использовались результаты ХАРГ этих трансформаторов за период 2005-2015 гг., известны значения концентраций следующих газов: метана (СН4), ацетилена (С2Н2), этилена (С2Н4), этана (С2Н6), водорода (Н2), оксида углерода (СО), и диоксида углерода (С02). Анализ имеющихся данных производился посредством программного комплекса МайаЬ и разработанного в нем модели анализа концентраций газов для трансформаторного оборудования.
Большая часть используемых методов определения дефекта использует результаты анализа тех проб, в которых имеется превышение граничных концентраций растворённых газов. Поэтому первым шагом был выполнен анализ по критерию превышения граничных концентраций. При этом метод Роджерса не требует применения этого критерия, метод ЕТЯА требует проверки превышения граничной концентрации лишь ацетилена (при отсутствии превышения он используется для определения только термических эффектов), остальные методы используют граничные значения, определённые в стандарте МЭК.
Из всего набора данных превышение граничных значений наблюдается только два раза: при отборе масла из трансформатора Т1 24.11.2005 г. и при отборе масла из трансформатора Т2 24.07.2006 г. В остальных случаях все концентрации газов, растворенных в масле, находятся в пределах граничных значений. В таблице 1 приведены значения концентраций газов. При этом во всех случаях превышения граничных концентраций достаточно существенны (в 2 раза и более).
Таблица 1
Значения концентраций газов, растворенных в масле__
№ Газ Т1 / 24.11. 05 Т1 / 15.07. 14 Т2 / 24.07. 06 Т2 / 04.08. 07 Т2 / 29.11. 07
1 Метан (СН4) 0.00090 0.00010 0.00063 0.00064 0.00070
2 Ацетилен (С2Н2 0.00005 0.00005 0.00260 0.00005 0.00005
3 Этилен (С2Н4) 0.02260 0.00029 0.00504 0.00190 0.00177
4 Этан (С2Н6) 0.00050 0.00060 0.00020 0.00039 0.00020
5 Водород (Н2) 0.00050 0.00068 0.00645 0.00050 0.00050
6 Оксид углерода(СО) 0.04690 0.00797 0.03170 0.01910 0.01260
7 Диоксид углерода(СО2) 0.46900 0.17243 0.17200 0.08470 0.13200
Результаты анализа данных ХАРГ различными методами представлены в Табл. 2-3. Результаты ХАРГ на основе метода Роджерса установили возможные дефекты трансформаторов не только в одном из замеров 24.11.2005 (Т1), но и в трех других (15.07.2014 (Т1), 04.08.2007 (Т2), 29.11.2007 (Т2)), где согласно РД не было превышений ни по одной из концентраций газов, при этом одно из измерений, с превышением (24.07.2006) идентифицировано как недиагностируемое состояние. По методу Дорненбурга дефект был выявлен только в одном замере 24.11.2005 (Т1). Дефект был идентифицирован как термическое воздействие. При анализе значений ХАРГ по стандарту МЭК было выявлено, что в трансформаторе Т1 24.11.2005 наблюдается термический дефект при температуре выше 700 0С. Согласно методу номограмм, в трансформаторе Т1 24.11.2005 г. наблюдался дефект термического характера в диапазоне высоких температур, а 24.07.2006 в трансформаторе Т2 наблюдался дефект, вызванный дугой (Рис. 1-2).
Рис. 1. Номограмма по замеру 24.11.2005 (Т1)
Fig. 1. Nomogram for measurement 24.11.2005 (T1)
Рис. 2. Номограмма по замеру 24.07.2006 (T2)
Fig. 2. Nomogram for measurement 24.07.2006 (T2)
При анализе газов, растворенных в масле трансформатора Т1 от 24.11.2005 г. методом БТЯА, дефект характеризуется как электрические разряды большой мощности. По методу анализа треугольников Дюваля термический дефект при температуре более 700 0С выявлен у трансформатора Т1 24.11.2005 г., а у трансформатора Т2 24.07.2006 -электрические разряды большой мощности.
Таблица 2
Результаты анализа растворенных в масле газов (Т1)_
№ Метод Т1/24.10.2005 Т1/15.07.2014
1 Метод Роджерса Высокотемпературный дефект Незначительный перегрев (200-300° С)
2 Метод Дорненбурга Термическое воздействие -
3 Метод МЭК 60599 Перегрев при t > 700 0С -
4 Метод номограмм Дефект термического характера в диапазоне высоких температур -
5 БТЯА - -
6 Треугольник Дюваля Термический эффект при t > 700 0С -
7 Метод экспертных оценок - -
Таблица 3
Результаты анализа растворенных в масле газов (Т2)_
№ Метод Т2/24.07.2006 Т2/04.08.2007 Т2/29.01.2007
1 Метод Роджерса - - -
2 Метод Дорненбурга - - -
3 Метод МЭК 60599 - - -
4 Метод номограмм Дефекты, вызванные дугой - -
5 БТЯА Электрические разряды большой мощности - -
6 Треугольник Дюваля Электрические разряды большой мощности - -
7 Метод экспертных оценок - - -
В результате анализа данных ХАРГ трансформаторов различными методами было выявлено следующее: что замер 24.11.2005 идентифицируется практическими всеми
методами как дефект термического характера. Методы МЭК 60599, номограмм и треугольника Дюваля сходятся в диагнозе - это дефект термического характера в диапазоне высоких температур. Метод ЕТЯЛ не распознает состояние трансформатора как дефектное.
Замер 15.07.2014 только метод Роджерса идентифицировал как дефект -незначительный перегрев (200-300 0С). Такой результат может объясняться тем, что метод Роджерса позволяет идентифицировать дефекты даже без увеличения концентрации газов, что, в свою очередь, при слишком низких концентрациях и при незначительном их изменении (часто из-за погрешностей при отборе, транспортировке, анализе) может привести к ошибочной идентификации дефектов.
Замер 24.07.2006 три из семи методов идентифицировали как дефект электрического характера: номограмм, ЕТЯЛ и треугольник Дюваля. Замеры 04.08.2007 и 29.11.2007 только метод Роджерса идентифицировал как высокотемпературные дефекты. Методом экспертных оценок среди всех замеров по трансформаторам дефектов не выявил, а значения с превышением концентраций газов были идентифицированы экспертами как выбросы, которые могут оказать существенное влияние на оценку состояния оборудования.
Непригодные для анализа значения концентраций газов, резко отличающиеся от значений, полученных при предыдущих или следующих анализах, являются выбросами. Их использование для выявления неисправности трансформатора может привести к ошибочному выводу. Поэтому необходимо отбраковывать такие измерения [34, 35].
Выбросы могут появиться вследствие различных причин, связанных как с погрешностями измерений при проведении ХАРГ [36], так и с влиянием внешних факторов на газосодержание масла.
100 А 0 101А С
Рис. 3. Треугольник Дюваля для данных ХАРГ по Т1
Fig. 3. Duval triangle for HARG data on T1
Рис. 4. Треугольник Дюваля для данных ХАРГ по Т2
Fig. 4. Duval triangle for HARG data on T2
Примерами таких внешних факторов служат: остаточные концентрации газов от устранённых дефектов; доливка бывшего в эксплуатации масла [37] или перемешивание масла со старым из расширителя или бака РПН; влияние внешних воздействий среды, облучение масла светом или как результат проведения сварочных работ; старение изоляции [38, 39], коррозия металла [40]; воздействие токов короткого замыкания при повреждениях во внешней сети [41] и т.д.
В данном случае основной особенностью задачи выделения выбросов является малое количество имеющихся измерений. Например, для анализируемых в данной работе трансформаторов было проведено 25 измерений (Т1) и 31 измерение (Т2) ХАРГ за десятилетний период. Также не все выбросы имеют ярко выраженный характер. С учётом этих факторов было выбрано два метода для выделения выбросов: путём вычисления наибольшего нормированного отклонения и с помощью построения блочной диаграммы данных.
Статистический метод
Статистический метод позволяет определить выбросы при сравнении
Г
нормированного отклонения
которое является функцией, зависящей от
среднеарифметического значения Л и стандартного отклонения £ , с табличным значением, зависящим от количества данных в выборке. Нормированное отклонение определяется следующим образом (1). Если данное значение выше, чем табличное, то оно является выбросом.
П j -п
Блочная диаграмма
Блочная диаграмма является простым методом для анализа статистических свойств рядов данных. В частности, она позволяет легко и наглядно выделять выбросы. Для этого
вычисляются нижний Qi и верхний Q3 квартиль данных, а также межквартильный
интервал IQ , тогда нижняя L и верхняя U доверительные границы данных равны (2) и (3) соответственно. Данные, лежащие за этими границами, считаются выбросами.
U = Q3 + 3IQ , (2)
L = Qi - 3IQ . (3)
Результаты (Results)
Для имеющихся измерений концентрации газов и их пар были проведены расчёты по выявлению выбросов каждым из описанных методов. Результаты выявления выбросов показаны в таблицах 3-4. Как видно из результатов, при применении статистического метода, выбросы обнаружены во всех случаях, где были выявлены дефекты хотя бы одним из методов. Также обнаружен выброс в одном случае, которому не соответствует какой-либо дефект.
Таблица 4
Анализ выбросов для трансформатора Т
s
Дата Газы
CH4 C2H4 H2 CO CO2
27.09.2005 - - Выброс - -
24.11.2005 Выброс Выброс - Выброс Выброс
Таблица 5
Анализ выбросов для трансформатора Т2_
Даты Газы
C2H2 C2H4 C2H6 H2 CO
24.07.2006 Выброс Выброс - Выброс Выброс
04.08.2007 - - Выброс - -
При применении блочной диаграммы также обнаружены выбросы в тех случаях, которым соответствуют выявленные дефекты. Однако данным методом обнаружены выбросы и в «нормальных» пробах: в 5 пробах для Т1 (75% от числа найденных выбросов) ив 10 пробах для Т2 (77% от числа найденных выбросов). Таким образом, блочная диаграмма, несмотря на свою простоту, имеет излишнюю чувствительность при выявлении выбросов, что может привести к отбраковке не ошибочных данных. Статистический метод, напротив, выдаёт результат, максимально согласующийся с ожиданиями экспертов. По этой причине на данном этапе исследований отдаётся предпочтение этому методу отбраковки измерений. Тем не менее, требуются исследования на большем количестве реальных данных с целью проверки адекватности такого подхода.
Заключение
Как для трансформатора Т1, так и для Т2 без получения дополнительных данных от эксплуатирующей организации невозможно однозначно сказать, что послужило причиной резкого роста, а затем снижения концентраций газов в масле и, следовательно, определить, являются ли выбросами данные результаты. Для трансформатора Т1, например, рост газов мог быть следствием проведения сварочных работ на баке. Данную версию косвенно подтверждает тот факт, что трансформатор новый и монтажные работы могли быть незакончены к моменту его ввода в работу. Однако, нельзя исключать ошибку при отборе пробы, проведении анализа или занесении данных в протокол. Для Т2 в один день были отобраны три пробы. В одной из проб концентрации газов были существенно выше, чем в двух других. В результате проверки данных эксплуатации оказалось, что эта проба взята из бака РПН (до проверки существовали и другие концентрации версии роста газов). Можно
считать, что данный анализ попал в список анализов масла из бака трансформатора по ошибке.
Полученные в данной статье результаты интерпретации ХАРГ, говорят о том, что достаточно часто встречаются ситуации, которые тяжело идентифицировать даже эксперту или группе экспертов. Этот факт, в свою очередь, свидетельствует о том, что при анализе данных в ИАС не просто требуется учитывать дополнительные данные, но и создавать обучающие выборки по диагнозам в системе на основе прецедентной информации. Другими словами, для различных случаев - для одного и того же типа трансформаторов, но, например, эксплуатирующихся в разных климатических условиях, одни и те же концентрации газов могут свидетельствовать в одном случае о зарождающемся дефекте, в другом случае - о выбросе. Поэтому требуется уделить отдельное внимание формировать обучающие выборки в ИАС для повышения точности результатов оценки технического оборудования состояния и решений о его дальнейшей эксплуатации.
Литература
1. Святых А. Б. Развитие акустических способов контроля технического состояния жидкой изоляции маслонаполненных трансформаторов // Электротехнические системы и комплексы. 2015. № 1 (26). С. 22-25.
2. Елтышев. Интеллектуальные модели комплексной оценки технического состояния высоковольтных выключателей // Информационно-управляющие системы. 2016. № 5 (84). С. 45-53.
3. Грунтович Н.В. , Петров И.В. , Колесников П.М. Компьютерные системы технического диагностирования маслонаполненных трансформаторов // Вестник Гомельского государственного технического университета им. П.О. Сухого. 2013. № 4 (55). С. 94-99.
4. Hribernik W., Kubicek B., Pascoli G, et al.. Verification of a model-based diagnosis system for on-line detection of the moisture content of power transformer insulations using finite element calculations // Proceedings of 2008 International Conference on Condition Monitoring and Diagnosis. 2008. P. 475-478.
5. Shengtao L., Jianying L. Condition monitoring and diagnosis of power equipment: review and prospective // High Voltage IET. 2017. № 2. P. 82-91.
6.. Ванин Б.В, Львов Ю.Н., Львов М.О. повреждениях силовых трансформаторов напряжением 110-500 кВ в эксплуатации // 2015. URL: https://transform.ru/articles/html/06exploitation/a000050.article (дата обращения 18.11.2020).
7. Tenbohlen S., Coenen S., Djamali M., et al. Diagnostic measurements for power transformers // Energies. 2016. № 9(5): 347.
8. Wang H, Zhou B., Zhang X. Research on the remote maintenance system architecture for the rapid development of smart substation in China // IEEE Transactions on Power Delivery. 2017. P. 1-8.
9. Duval M. Dissolved gas analysis: it can save your transformer // IEEE Elect. Insul. Mag. 1989. V. 5. Iss. 6. P. 22-27.
10. Belanger M. Transformer diagnosis: Part 3: detection techniques and frequency of transformer testing // Electricity Today. 1999. V. 11(8). P. 19-26.
11. Farzin N., Vakilian M and Hajipour E. Transformer Practical Turn-to-Turn Fault Detection Performance using Negative Sequence and Space Vector-Based Methods // 2019 International Conference on Protection and Automation of Power System (IPAPS). 2019. P. 1-6. doi: 10.1109/IPAPS.2019.8641951.
12. Cardoso A. J. M., Oliveira L. M. R. Condition monitoring and diagnostics of power transformers // International Journal of COMADEM. 1999. V. 2(3). P. 5-11.
13. Duke G. Predictive maintenance a case study in infrared thermography // Elect. Maintenance. 1998. P. 11-12.
14. Markalous S., Tenbohlen S., Feser K. Detection and location of partial discharges in power transformers using acoustic and electromagnetic signals // IEEE Transactions on Dielectrics and Elect. Insul. 2008. V. 15 (6). P. 1576-1583.
15. Zargari A., Blackburn T.R. Application of optical fiber sensor for partial discharge detection in high-voltage power equipment // 1996 IEEE Annual report-conf. on Elect. Insul. and Dielectric Phenomena (San Francisco, 20-23 Oct. 1996).
16. Itose A., Kozako M., Hikita M. Partial discharge detection and induced surface current analysis using transient earth voltage method for high voltage equipment // 2016 Inter. Conf. on Condition Monitoring and Diagnosis (Xi'an, China). 2016. P. 455-459.
17. Judd M.D., Yang L., Hunter I.B B..Partial discharge monitoring for power transformer using UHF sensors. Part 2 // Elect. Insul. Mag. 2005. V. 21, Iss. 3. P. 5-13.
18. Mizokami M., Yabumoto M., Okazaki Y. Vibration analysis of a 3-phase model transformer core // El. Eng. in Japan. 1997. V. 119, Iss. 1. 1-8.
19. Wang Z., Liu Y., Griffin P. J. Neural network and expert system diagnose transformer faults // IEEE Computer Applications in Power. 2000. V. 13, Iss. 1. P. 50-55.
20. Davidenko I.V., HalikovaE.D. An algorithm for prioritizing the maintenance of power transformers // WIT Transactions on Ecology and the Environment. 2014. V. 1. P. 335-344.
21. Попов Г.В., Рогожников Ю.Ю. Алгоритм комплексной диагностики масляных трансформаторов // Электрические станции. 2003. №8. С. 54-59.
22. . Алексеев Б.А, Мамиконянц Л.Г., Савваитов Д.С. Основное электрооборудование электрических станций и сетей // Электрические станции. 2005. №2. С. 48-57.
23. Соколов В.В.. Меры по повышению эффективности диагностики состояния трансформаторного оборудования // 9 симпозиум «Электротехника 2030. Перспективные технологии электроэнергетики». Москва, «ТРАВЭК», 2007.
24. Гарифуллин М.Ш., Гиниатуллин Р.А., Козлов В.К.,и др. Определение технологии производства и марки минеральных трансформаторных масел по их оптическим спектрам // Известия высших учебных заведений. Проблемы энергетики. 2017; 19 (9-10). С. 59-64. doi: 10.30724/1998-9903-2017-19-9-10-59-64.
25. Козлов В.К. Модифицированный метод определения влагосодержания трансформаторного масла // Известия высших учебных заведений. Проблемы энергетики. 2016; 7-8. С. 87-90. doi: 10.30724/1998-9903-2016-0-7-8-87-90.
26. Darian L.A., Sung J.S.. Influence of the gas tight samplers of insulating oil on the accuracy of GC analysis // 13 International Symposium on High Voltage Engineering Proceedings, 2003. P. 86- 91.
27. Валиуллина Д.М., Загустина И.Д., Козлов В.К. Определение качественного состава примесей в отработанном трансформаторном масле // Вестник казанского государственного энергетического университета. 2018; 4(40):25-32.
28. Shutenko O., Kulyk O. Comparative Analysis of the Defect Type Recognition Reliability in High-Voltage Power Transformers Using Different Methods of DGA Results Interpretation // 2020 IEEE Problems of Automated Electrodrive. Theory and Practice (PAEP). Kremenchuk, Ukraine, 2020. P.1-6.
29. . Taha I. B. M,. Hoballah A, Ghoneim S.S. M. Optimal ratio limits of rogers' four-ratios and IEC 60599 code methods using particle swarm optimization fuzzy-logic approach // IEEE Transactions on Dielectrics and Electrical Insulation. 2020. V. 27, №1. P. 222-230.
30. Wanjare S.B., Swami P. S. DGA Interpretation for Increasing the Percent of Accuracy by Different Methods: A Review // 2018 International Conference on Computation of Power, Energy, Information and Communication (ICCPEIC). Chennai, 2018. P. 458-461.
31. M. Duval New Techniques for Dissolved Gas-in-Oil Analysis // IEEE Electrical Insulation Magazine. 2003. Vol. 19, № 2.
32. Dornenburg E., Strittmatter W. Monitoring oil-cooled transformers by gas analysis // Brown Boveri Review. 1974. P. 238-247.
33. Franzen A., Bertling L. State of the art - life time modeling and management of transformers // Stockholm, Sweden : Royal Institute of Technology, KTH School of Electrical Engineering RCAM, 2007. 34 pp.
34. Barnett V., Lewis T. Outliers in statistical data // 3rd edition. J. Wiley & Sons 1994, XVII. 582 pp.
35. Ben-Gal I. Outlier detection. Data Mining and Knowledge Discovery Handbook: A Complete Guide for Practitioners and Researchers // Kluwer Academic Publishers, 2005. 364 pp.
36. Atanasova-Hdhlein I., Schutt C. Gas-in-oil analysis and evaluation criteria for synthetic esters in offshore and traction transformers // IEEE Electrical Insulation Magazine. 2020. V. 36, no. 6, pp. 31-35.
37. Нгуен З. , Новиков В.Ф. Проблема определения антиокислительной присадки в трансформаторном масле хроматографическими методами // Известия высших учебных заведений. Проблемы энергетики. 2020. 22(5). С. 107-115. https://doi.org/10.30724/1998-9903-2020-22-5-107-115.
38. Zhou Y., Chen W., Yang D., et al. Raman spectrum characteristics and aging diagnosis of oil-paper insulation with different oil-paper ratios // IEEE Transactions on Dielectrics and Electrical Insulation. 2020. V. 27, № 5. P. 1587-1594.
39. Yang L., Lin Y., R. Liao., et al. Effects of temperature and aging on furfural partitioning in the oil-paper system of power transformers // IEEE Transactions on Dielectrics and Electrical Insulation. 2016. V. 23, № 3. P. 1393-1401.
40. Samarasinghe W. M. S. C., Martin D., Ma H., et al. A review on influencing factors of sulphur corrosion and metal passivation in power transformers // 2017 Australasian Universities Power Engineering Conference (AUPEC). Melbourne, VIC, 2017. P. 1-5.
41. Neagu B. C., Grigoras G., Scarlatache F. Influence of outliers on transformer power losses estimation using a statistical based data mining approach // 2018 10th International Conference on Electronics, Computers and Artificial Intelligence (ECAI). Iasi, Romania, 2018. P. 1-4.
Авторы публикации
Хальясмаа Александра Ильмаровна - канд. техн. наук, доцент, доцент кафедры Автоматизированные электрические системы Уральского энергетического института имени первого Президента России Б.Н. Ельцина'' доцент кафедры Электрических станций Новосибирский государственный технический университет.
Овчинников Валерьевич Константин - ведущий аналитик по исследованию данных, ООО «Энерго-Диагностика и Аналитика».
References
1 Svjatyh. AB. The acoustic methods of liquid insulation technical status control in oil-filled transformers developing. Electrical systems and complexes. 2015; 1 (26); 22-25.
2. Eltyshev DK. Intelligent models for complex assessment of technical condition of highvoltage circuit breakers. Information and Control Systems. 2016; 5 (84); 45-53.
3. Gruntovich NV, Petrov IV, Kolesnikov PM. Computer systems for technical diagnostics of oil-filled transformers. Vestnik of Sukhoi State Technical University of Gomel. 2013; 4 (55): 9499.
4. Hribernik W, Kubicek B, Pascoli G, et al.. Verification of a model-based diagnosis system for on-line detection of the moisture content of power transformer insulations using finite element calculations. Proceedings of2008 International Conference on Condition Monitoring and Diagnosis. 2008; 475-478.
5.L. Shengtao L. Jianying. Condition monitoring and diagnosis of power equipment: review and prospective. High Voltage IET. 2017. 2: 82-91.
6. Vanin BV, Lyvov UN, Lyvov VU. Failures of 110-500 kV power transformers in operation. Transform.ru: [website]. 2015; URL: https://transform.ru/articles/html/06exploitation/a000050.article (date of access 18.11.2020).
7.S. Tenbohlen S. Coenen M. Djamali, et al. Diagnostic measurements for power transformers. Energies. 2016; 9(5): 347.
8. Wang H, Zhou B, Zhang X. Research on the remote maintenance system architecture for the rapid development of smart substation in China. IEEE Transactions on Power Delivery. 2017; 1-8.
9. Duval M. Dissolved gas analysis: it can save your transformer. IEEE Elect. Insul. Mag. 1989; 5 (6): 22-27.
10. Belanger M. Transformer diagnosis: Part 3: Detection techniques and frequency of transformer testing. Electricity Today. 1999; 11(8): 19-26.
11. Farzin N, Vakilian M and Hajipour E. Transformer Practical Turn-to-Turn Fault Detection Performance using Negative Sequence and Space Vector-Based Methods. 2019 International Conference on Protection and Automation of Power System (IPAPS). 2019; 1-6. Doi: 10.1109/IPAPS.2019.8641951.
12. Cardoso AJM, Oliveira. Condition monitoring and diagnostics of power transformers. International Journal of COMADEM. 1999; 2(3): P. 5-11.
13. Duke G. Predictive maintenance a case study in infrared thermography. Elect. Maintenance. 1998; 11-12.
14. Markalous S, Tenbohlen S, Feser K. Detection and location of partial discharges in power transformers using acoustic and electromagnetic signals. IEEE Transactions on Dielectrics and Elect. Insul. 2008; 15 (6): 1576-1583.
15. Zargari A, Blackburn TR. Application of optical fiber sensor for partial discharge detection in high-voltage power equipment. 1996 IEEE Annual report-conf on Elect. Insul. and Dielectric Phenomena (San Francisco, 20-23 Oct. 1996).
16. Itose A, Kozako M, Hikita M. Partial discharge detection and induced surface current analysis using transient earth voltage method for high voltage equipment. 2016 Inter. Conf. on Condition Monitoring and Diagnosis (Xi'an, China). 2016; 455-459.
17. Judd MD, L. Yang I, Hunter BB. Partial discharge monitoring for power transformer using UHF sensors. Pt 2. Elect. Insul. Mag. 2005; 21(3): 5-13.
17. Mizokami M, Yabumoto M, Okazaki Y. Vibration analysis of a 3-phase model transformer core. El. Eng. in Japan. 1997; 119 (1): 1-8.
18. Wang Z, Liu Y, Griffin PJ. Neural net and expert system diagnose transformer faults. IEEE Computer Applications in Power. 2000; 13 (1): 50-55.
19. Davidenko IV, Halikova ED. An algorithm for prioritizing the maintenance of power transformers. WIT Transactions on Ecology and the Environment. 2014; 1: 335-344.
20. Popov GV, Rogozhnikov YY. The algorithm of diagnostics of oil-felled transformers. Electrical stations. 2003; 8: 54-59.
21. Alekseev BA, Mamikonyants LG, Savvaitov DS. The main electrical equipment of power plants and networks. Electric stations. 2005; 2: 48-57.
22. Sokolov VV. Measures to improve the efficiency of diagnosing of transformers state. Advanced electric power technology: the 9 Symposium Electrical engineering 2030. Moscow, TRAVEK, 2007; 48-57.
23. Garifullin MS, Giniatullin RA, Kozlov VK, et al. Determination of technology of manufacture and mark of mineral transformer oils by their optical spectra. Power engineering: research, equipment, technology. 2017;19 (9-10):59-64. doi: 10.30724/1998-9903-2017-19-9-1059-64.
24. Kozlov VK, Zagustina ID. Modified method for determining the moisture content of transformer oil. Power engineering: research, equipment, technology. 2016; 7-8: 87-90. 10.30724/1998-9903-2016-0-7-8-87-90.
25. Darian LA, Sung JS. Influence of the gas tight samplers of insulating oil on the accuracy of GC analysis. 13 International Symposium on High Voltage Engineering -Proceedings, 2003: 87-90.
26. Valiullina DM, Zagustina ID, Kozlov VK. Determination of qualitative composition of impurities in processed transformer oil. Kazan State Power Engineering University Bulletin. 2018; 4(40): 25-32.
27. Shutenko O, Kulyk O. Comparative Analysis of the Defect Type Recognition Reliability in High-Voltage Power Transformers Using Different Methods of DGA Results Interpretation. 2020 IEEE Problems of Automated Electrodrive. Theory and Practice (PAEP). Kremenchuk, Ukraine, 2020: 1-6.
28. Taha IBM., Hoballah A, Ghoneim SSM. Optimal ratio limits of rogers' four-ratios and IEC 60599 code methods using particle swarm optimization fuzzy-logic approach. IEEE Transactions on Dielectrics and Electrical Insulation. 2020; 27(1): 222-230.
29. Wanjare SB, Swami PS. DGA Interpretation for Increasing the Percent of Accuracy by Different Methods: A Review. 2018 International Conference on Computation of Power, Energy, Information and Communication (ICCPEIC). 2018: 458-461.
30. Duval M. New Techniques for Dissolved Gas-in-Oil Analysis. IEEE Electrical Insulation Magazine. 2003; 19: 2.
31. Dornenburg E, Strittmatter W Monitoring oil-cooled transformers by gas analysis. Brown Boveri Review. 1974: 238-247.
32. FranzYn A, Bertling L. State of the art - life time modeling and management of transformers. Stockholm, Sweden: Royal Institute of Technology, KTH School of Electrical Engineering RCAM, 2007.
33. Barnett V, Lewis T. Outliers in statistical data. 3rd edition. J. Wiley & Sons. 1994; XVII: 582.
34. Ben-Gal I. Outlier detection. Data Mining and Knowledge Discovery Handbook: A Complete Guide for Practitioners and Researchers. Kluwer Academic Publishers. 2005: 364.
35. Atanasova-Hdhlein I., Schutt C. Gas-in-oil analysis and evaluation criteria for synthetic esters in offshore and traction transformers. IEEE Electrical Insulation Magazine. 2020; 36(6): 3135.
36. Nguyen D, Novikov VF. The problem of determining the antioxidant additive in transformer oil by chromatographic methods. Power engineering: research, equipment, technology. 2020;22(5):107-115. doi.org/10.30724/1998-9903-2020-22-5-107-115.
37. Zhou Y, Chen W, Yang D, et al. Raman spectrum characteristics and aging diagnosis of oil-paper insulation with different oil-paper ratios. IEEE Transactions on Dielectrics and Electrical Insulation. 2020; 27(5): 1587-1594.
38. Yang L, Lin Y, Liao R, et al.. Effects of temperature and aging on furfural partitioning in the oil-paper system of power transformers. IEEE Transactions on Dielectrics and Electrical Insulation. 2016; 23(3): 1393-1401.
39. Samarasinghe WMSC, Martin D, Ma H. et al. A review on influencing factors of sulphur corrosion and metal passivation in power transformers. 2017 Australasian Universities Power Engineering Conference (AUPEC). Melbourne, VIC. 2017: 1-5.
40. Neagu BC, Grigoras G, Scarlatache F. Influence of outliers on transformer power losses estimation using a statistical based data mining approach. 2018 10th International Conference on Electronics, Computers and Artificial Intelligence (ECAI). Iasi, Romania. 2018: 1-4.
Authors of the publication
Alexandra. I. Khalyasmaa - Department in Ural Power Engineering Institute of UrFU; Associate Professor at the Department of Power Stations in Novosibirsk State Technical University.
Konstantin. V. Ovchinnikov - LLC «№Energy diagnostics and analytics».
Получено
Отредактировано
Принято
16 марта 2021г. 23 марта 2021г. 01 апреля 2021г.
