CC BY
68
УДК 004.8.032.26:620.9
МЕТОДЫ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ФУНКЦИОНИРОВАНИЯ ЭЛЕКТРОТЕХНИЧЕСКИХ УСТРОЙСТВ СИЛОВЫХ ПОДСТАНЦИЙ
А. С. Судавный
Большой износ электротехнических устройств, эксплуатируемых на силовых подстанциях, и возникающие вследствие этого проблемы требуют решения вопроса повышения эффективности функционирования этих электротехнических устройств. В данной статье рассмотрены возможности и примеры диагностики электротехнического оборудования силовых подстанций.
Ключевые слова: Электротехническое оборудование, силовые подстанции, искусственные нейронные сети, силовые трансформаторы, диагностика.
Большой износ электротехнических устройств, эксплуатируемых на силовых подстанциях ПАО «РОССЕТИ», и возникающие вследствие этого проблемы, требуют решения вопроса повышения эффективности функционирования этих электротехнических устройств, то есть продления их срока службы и безаварийной работы.
Такими электротехническими устройствами на силовых подстанциях являются: силовые трансформаторы, шунтирующие реакторы, измерительные трансформаторы тока и напряжения, выключатели, разъединители, а также кабельные линии и ограничители перенапряжения.
Для обеспечения эффективной роботы данного электрооборудования, обеспечения его эксплуатационной надёжности, требуется своевременная диагностика и устранение неисправностей, возникающих в результате старения материалов и эксплуатации.
В настоящее время для контроля состояния высоковольтного электрооборудования проводятся регламентные испытания, осуществляемые в соответствии с РД 34.45-51.300-97 «Объём и нормы испытаний электрооборудования». Данные испытания, на мой взгляд, имеют некоторые недостатки, не позволяющие своевременно реагировать на изменения в электрооборудовании приводящие к аварийным ситуациям. Например, регламентные испытания имеют довольно большие промежутки, во время которых и происходят аварийные ситуации. Так даже если испытания показывают нормальные данные по оборудованию, это не позволяет прогнозировать безотказную работу оборудования на весь срок межрегламентного периода. Еще одним недостатком является невозможность провести испытания в рабочем режиме, так как для проведения испытаний в соответствии с РД необходимо выводить оборудование из работы. Это не дает точных характеристик оборудования в рабочем режиме. Также регламентные ис-
пытания требуют наличия специально обученного персонала или привлечения специализированных организаций, что влечет за собой дополнительные затраты.
Устранить данные недостатки позволяет применение методов диагностики, позволяющих вести мониторинг оборудования в реальном времени и под нагрузкой. Такие методы позволяют получать параметры реально описывающие состояние оборудования, выявить дефекты на ранних этапах и как следствие продление срока службы электротехнических устройств, сокращение персонала необходимого для обслуживания, а также сокращение затрат на необоснованную замену оборудования.
При диагностике оборудования используются следующие параметры для трансформаторного оборудования: значения напряжения и тока для каждой фазы обмоток ВН, характеристики частичных разрядов в изоляции трансформаторов, количество пусков электродвигателей маслонасосов и вентиляторов, температура верхних и нижних слоёв масла в баке трансформатора, содержание влаги в масле трансформатора, давление масла в маслонаполненных вводах ВН, а так же температура окружающей среды и пусковые и рабочие токи двигателей маслонасосов и вентиляторов [1].
При диагностике элегазовых выключателей измеряют следующие параметры: число коммутаций, значения tgd и ёмкости основной изоляции вводов, температура контактов, разновременность работы полюсов, давление элегаза в баке или колонне ЭВ, время бесконтактной паузы АПВ, плотность элегаза в баке или колонне ЭВ, характеристики частичных разрядов, давление в приводном механизме и температура окружающей среды [1].
Для остальных электротехнических устройств, производят замеры аналогичных параметров соответственно их конструкции.
Для обработки большого массива данных, получаемых с датчиков диагностических систем целесообразно использовать различные конфигурации нейронных сетей. Рассмотрим применение нейронных сетей на примере анализа растворённых газов в трансформаторном масле. Для анализа данных о содержании газов используют различные методы интерпретации, смоделируем некоторые из них при помощи нейронных сетей.
Рассмотрим моделирование метода Доненбурга. Три различных неисправности: перегрев, образование электрической дуги и электрической короны могут быть обнаружены при помощи этого метода.
Многослойный персептрон искусственной нейронной сети построен для моделирования интерпретации Доненбурга. Конструкция этой сети показана на рис. 1. Эта конфигурация содержит 10 нейронов в первом слое и три нейрона в последующем. Входные сигналы это отношения С2Н2/С2Н4 и СН4/Н2 и три выхода представлены тремя типами неисправностей, следовательно, нейрон который выше - выход, указывающий на то, какая неисправность произошла.
Рис. 1. Многослойный персептрон искусственной нейронной сети
Передаточная функция для всех нейронов двух слоёв это ступенчатая функция. Когда входной сигнал ступенчатой функции отрицательный, выход становится нулём и соответственно выход становится единицей, когда вход равен нулю. Первый слой разработан что бы принимать пороговое решение, а второй накладывает правило «ИЛИ» для создания трёх классов трёх неисправностей. Каждый вход использует все нейроны первого слоя по весовому коэффициенту. Все нейроны содержат систематические отклонения.
Весовые коэффициенты и систематические ошибки вычисляются матрицей [2]:
W1 =
1
-10 10
-10 10
0
0 0 10 -10 11 -1 -1
(1)
b =[0 2 -1 - 2 0.07 5.83 0 - 5.84 1 - 0.07J
(2)
W2
1 1 1 0 0 0 0 0 0 0
0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1
(3)
T
b2 =[- 2.5 - 3.5 - 2.5f (4)
Эта нейронная сеть была воспроизведена в программном обеспечении Mathlab и проблема классификации была решена. Также рассмотрим метод, разработанный Роджерсом, IEEE метод (Duval, 2006), в котором четыре передаточных отношения аварийных газов рассчитываются для выработки четырёхзначного кода, указанного в табл. 1. Табл. 1 иллюстрирует обстоятельства разработки кодов.
Таблица 1
Обстоятельства разработки кодов
Соотношение Диапазон значений Код
<0,1 5
СН4/Н2 >0,1, но <1 0
>1, но <3 1
>3 2
С2Н6/СН4 <1 0
>1 1
<1 0
СН4/ С2Н6 >1, но <3 1
>3 2
<0,5 0
С2Н2/ С2Н4 >0,5, но <3 1
>3 2
Конкурирующая нейронная сеть была разработана и предложена в операционной системе МЛТНЬЛВ для воспроизведения метода Роджерса. Эта нейронная сеть изображена на рис. 2.
Рис. 2. Конкурирующая нейронная сеть для метода Роджерса
Тип этой нейронной сети - нейронная сеть Хэмминга с двумя слоями. Веса в первом слое требуют прототипов. Все входы, четыре соотношения плюс С02/С0, веса сравниваются в первом слое, затем вычисляется расстояние Хэмминга. Меньший это расстояние Хэмминга, а больший -это выходной сигнал нейрона который имеет линейную функцию преобразования [2]. Табл. 2 описывает выявление неисправностей приписываемых каждому коду.
Выходные сигналы первого слоя затем становятся входными второго слоя, слоя сравнения. Второй слой содержит рекуррентные нейроны в которых выходов на один меньше чем входов. Каждый выход второго слоя
использует алгоритм обратного распространения к этим выходам для весов равных единице, однако все остальные выходы подаются входы этого ней-взвешенного цикла. 1
рона от "-е! быть меньше чем
5-1
е " много меньше чем единица и должна где 8 число нейронов в первом слое. Важно отме-
тить, что второй слой имеет такое количество нейронов, как и первый.
Таблица 2
Код Проблема
0 0 0 0 Нормальное состояние
5 0 0 0 Частичный разряд
1,2 0 0 0 Незначительный перегрев < 150 °С
1,2 1 0 0 Незначительный перегрев 150...200 °С
0 1 0 0 Незначительный перегрев 200...300 °С
0 0 1 0 Общий перегрев
1 0 1 0 Блуждающие токи в обмотках
1 0 2 0 Блуждающие токи в сердечнике и в баке, перегрев соединений
0 0 1,2 1,2 Дуга, с энергией пробоя
5 0 0 1,2 Частичный разряд с пробоем
СО2/СО > 1 Температура изоляции выше нормы
После перехода выхода первого слоя во второй слой и прохождения нескольких итераций, нейрон, который имел наибольшее первоначальное значение, выигрывает конкуренцию, становится глобальным нейроном. Победивший нейрон становится единицей на выходе, в то время как все остальные нейроны это нули на их выходах. Как результат на вход, который ближе всего к одному из весов первого слоя, будет брать все другие входы, как говорят: победитель получает всё. «Б» блок представляет время задержки.
Предупреждая построение комплексной схемы, которая была бы неудобочитаема, сократим описание этой нейронной сети только представленными обозначениями. Для упрощения второй слой может быть заменён слоем конкуренции и поскольку все смещения равны нулю, то выходы линейной передаточной функции равны входам (рис. 2).
Эта нейронная сеть была смоделирована в МаШ1аЬ. Симулятор работает с сетью пока С02/С0<11. Когда это отношение превосходит 11, нейронная сеть прерывает вычисления и выход устанавливает значение указывающее, что температура изоляции превышает нормальное значение.
Таким образом, применяя нейронные сети для анализа и моделирования различных параметров электротехнических устройств, можно автоматизировать и значительно ускорить процесс диагностики оборудования силовых подстанций и производить его в режиме реального времени, тем самым повышая надёжность функционирования системы.
Список литературы
1. Вдовико В.П. Методология диагностирования высоковольтного оборудования. Новосибирск, «Наука», 2011.
2. Golkhan M. Journal of Electrical and Electronics Engineering Research. Vol. 3(1), 2011. P. 1-10.
3. РД 34.45-51.300-97 «Объём и нормы испытаний электрооборудования».
4. Nauck D., Klawonn F., Kruse R. Foundations of Neuro -Fuzzy Systems. John Wiley & Sons. 1997. 305 p.
Судавный Андрей Сергеевич, асп., [email protected], Россия, Тула, Тульский государственный университет
METHODS OF IMPROVING THE FUNCTIONING OF THE ELECTRICAL DEVICE
POWER SUBSTATION
A.S. Sudavny
Large wear of electrical equipment operated at power substations and arising out of the problem to solve the issue of increasing the efficiency of these electrical devices. This article describes the features and examples of diagnostics of the electrotechnical equipment of power substations.
Key words: Electrical equipment, power substations, artificial neural networks, power transformers, Diagnostics
Sudavny Andrew Sergeevich, postgraduate, sudavny_a@mail. ru, Russia, Tula, Tula state University
