CC BY
22
УДК 621.314.222.6.008.6
МОДЕЛИРОВАНИЕ ГАЗОСОДЕРЖАНИЯ ТРАНСФОРМАТОРНОГО МАСЛА ПРИ ПОМОЩИ НЕЙРОННЫХ СЕТЕЙ
© 2010 г. А.В. Бережной , Е.Г. Дашееский
Южно-Российский государственный технический университет (Новочеркасский политехнический институт)
ОАО «Электроцентроналадка», г. Москва
South-Russian State Technical University (Novocherkassk Polytechnic Institute)
*JSC «Electrotsentronaladka», Moscow
Анализ данных, поступающих в системы мониторинга от устройств контроля газосодержания трансформаторного масла, часто ведётся на основе требований, изложенных в РД 153-34.0-46.302-00, либо же с учётом этих требований. Однако при интерпретации данных, полученных системой мониторинга, возникает ряд трудностей. В статье предпринята попытка преодоления этих трудностей при помощи нейронных сетей.
Ключевые слова: мониторинг; силовой трансформатор; автотрансформатор; масло; газосодержание; нейронные сети.
Analysis of the data coming to monitoring system from the control devices of gas content of transformer oil is often made on the basis of requirements listed in PD 153-34.0-46.302-00 or taking into account these demands. Howewer, a number of difficulties has appeared while interpreting data, obtained by the monitoring system. In this paper we tried to overcome these difficulties by means of neuron networks.
Keywords: monitoring; power transformers; autotransformers; oil; gas content neuron networks.
Большинство представленных на отечественном рынке систем мониторинга трансформаторного оборудования (СУМ ТО, SAFE-Т, TDM и T-Monitor и другие) либо имеют в своём составе устройство контроля газо- влагосодержания трансформаторного масла, либо же предусматривают возможность доукомплектования их этим устройством.
Анализ данных, поступающих в системы мониторинга от этих устройств, часто ведётся на основе требований, изложенных в РД 153-34.0-46.302-00, либо же с учётом этих требований. Однако при интерпретации данных, полученных системой мониторинга, возникает ряд трудностей.
Во-первых, не устанавливается зависимость между нагрузкой (K), температурой верхних слоёв масла (ТВСМ), сроком службы трансформатора (SST) и количеством выделяемых в это время газов (F). Большинство модулей контроля газо- влагосодержа-ния трансформаторного масла в обязательном порядке контролирует наличие в масле водорода, который выделяется при протекании практически любого процесса в трансформаторе. Резкий рост водорода может объясняться как возникновением и развитием дефекта, так и повышенной нагрузкой; во втором случае это приведёт к ложной тревожной сигнализации. С другой стороны, принятие уставок срабатывания тревоги выше уровня концентрации водорода, обусловленной нагрузкой, может привести к нераспознаванию возникшего дефекта.
Во-вторых, из-за отсутствия зависимости между параметрами работы трансформаторного оборудования и количеством выделяемого в масле газа невозможно установить вклад конкретного режима нагрузки в развитие каждого конкретного дефекта.
В-третьих, с ростом срока эксплуатации возрастают и концентрации газов, растворённых в масле, которые являются нормальными для трансформатора, что усложняет выбор уставок срабатывания тревог.
В этой связи целесообразно создать модель, позволяющую установить зависимость между нагрузкой, ТВСМ (^), ТНСМ (^), сроком службы трансформатора и количеством выделяемого в масло газа. В формализованном виде решение этой задачи запишется в виде функции:
F f '^всм'^нсм-
SST)
При создании модели газосодержания трансформаторного масла методами традиционного моделирования, возникает трудность определения параметров модели на трансформаторном оборудовании, уже находящемся в эксплуатации, которая может оказаться непреодолимой для конкретно взятого случая. Использование же упрощённой модели газосодержания трансформаторного масла может не привести к желаемому результату.
В статье сделана попытка использования нейронной сети для создания модели газосодержания трансформаторного масла.
Нейронные сети являются исключительно мощным методом имитации процессов и явлений, позволяющим воспроизводить чрезвычайно сложные зависимости. Нейронные сети по своей природе являются нелинейными, в то время как на протяжении многих лет для построения моделей использовался линейный подход [1].
Наиболее часто для решения аналогичных задач применяют RBF-сети [2].
RBF-сеть, используемая для создания модели, имеет один выход. В этом случае зависимость между входными и выходными сигналами примет вид:
Фп Ф12 '•• Ф^ Ф21 Ф22 Ф2 p
4p1 Ф p2
Ф p
w1 d1
w2 = d2
dp
_ p _ _ p _
где ф - радиальная функция, зависящая от значений входного вектора; wp - весовой коэффициент p-го нейрона; dp - выходное значение p-го нейрона; p -
размерность входного вектора [3].
Базовым алгоритмом обучения RBF-сети, как и большинства многослойных нейросетей, является метод обратного распространения ошибки.
Для определения векторов весов нейросети по методу обратного распространения ошибки необходимо сформировать обучающие выборки, состоящие из входного и выходного векторов.
Входной вектор представляет собой матрицу-столбец, сформированную из значений нагрузки, ТВСМ, ТНСМ и срока службы трансформатора.
Выходной вектор - значение концентрации контролируемого газа, вычисляемое нейросетью; на этапе обучения этот вектор формируется на основании данных, поступающих от модуля контроля газо- влагосо-держания масла (например, Calisto или Hydran).
Обучение нейросети происходит с помощью данных, получаемых системой мониторинга от трансформатора, не имеющего повреждений, что позволяет создать модель, учитывающую особенности конкретного трансформаторного оборудования. Также возможно обучение нейросети на основе данных, полученных иными путями.
Ввиду отсутствия статистических данных по интересующим нас параметрам трансформатора, с целью проверки работоспособности предложенного метода было произведено моделирование произвольной функциональной зависимости с помощью RBF-сети, имеющей вышеуказанную структуру.
Моделирование произведено при помощи пакета программ «MatLab».
Особенностью данного моделирования является то, что обучение нейросети будет происходить не на основе специально сформированной обучающей выборки, а выборками, отобранными случайным образом. По сути своей, эта ситуация соответствует той, что возникнет при первом подключении нейросети к системе мониторинга, установленной на трансформаторе уже находящемся в эксплуатации, когда известны лишь теоретические критерии формирования обучающих выборок, которые не всегда могут быть верно определены.
С целью уменьшения количества выборок, необходимых для обучения нейросети, значения входных перемененных были ограничены диапазоном от нуля до пяти.
Полученные результаты приведены в таблице
Очевидно, что с ростом количества обучающих выборок растёт и точность моделирования нейросе-тью функции.
Таким образом, можно сделать вывод о том, что в общем случае задача обучения RBF-сети сводится к получению как можно большего количества обучающих выборок с целью минимизации погрешности моделирования.
После обучения сеть представляет собой модель изменения концентрации конкретного газа при изменении нагрузки, ТВСМ, ТНСМ и срока службы трансформатора.
Таблица
Зависимость между количеством обучающих выборок и погрешностью работы нейросети, а
Количество выборок для обучения нейросети Погрешность при работе с обучающей выборкой, % Погрешность при работе с данными, имеющими отклонение от обучающей выборки
2 % 5 % 10 %
20 0 3 12 100
30 0 2 10 100
40 0 2 9 80
50 0 1 5 50
Значения концентрации газа в масле, вычисляемые нейросетью на основе данных реального времени, а также концентрации того же газа, измеренные модулем контроля газо- и влагосодержания трансформаторного масла, позволят избежать ложной сигнализации тревог из-за кратковременного возрастания концентрации газа, обусловленного повышенной нагрузкой или общим старением изоляции.
Анализ и систематизация данных длительной работы нейросети даст возможность определить вклад составляющих входного вектора в развитие конкретного дефекта трансформаторного оборудования. Полученные выводы могут быть применены для улучшения существующих алгоритмов управления системой охлаждения.
Апробация предложенного метода предполагается на базе системы мониторинга, разработанной с уча-
Поступила в редакцию
стием авторов ООО НПФ «Квазар» под руководством профессора С. Л. Кужекова.
Литература
1. Нейронные сети. МАГЬАВ 6 / под общ. ред. Потёмкина. М., 2002. 496 с. (Пакеты прикладных программ; Кн.4).
2. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления: учеб. пособие для вузов. М., 2002.
3. Клюкин В.И., Николаенков Ю.К. Нейронные структуры и технологии. Ч. 1. Электрические и математические модели нейронов. НС прямого распространения: Учеб. пособие для вузов. Воронеж, 2008. 63 с.
29 апреля 2010 г.
Бережной Александр Васильевич - инженер, Южно-Российский государственный технический университет (Новочеркасский политехнический институт). Тел. 8904-348-16-46. E-mail: nomer_41@bk.ru
Дашевский Евгений Григорьевич - начальник отдела, ОАО «Электроцентроналадка», г. Москва. Тел. 8916612-83-02. E-mail: dae-1997@yandex.ru
Berezhnoy Alexander Vasilievich - engineer, South-Russia State Technical University (Novocherkassk Polytechnic Institute). Ph. 8904-348-16-46. E-mail: nomer_41@bk.ru
Dashevsky Evgeney Grigorievich - head of the department, «Electrotsentronaladka», Moskow. Ph. 8916-612-83-02. E-mail: dae-1997@yandex.ru
