CC BY
49НЕЙРОННАЯ СЕТЬ КАК ИНСТРУМЕНТ ДИАГНОСТИКИ СИЛОВЫХ МАСЛЯНЫХ ТРАНСФОРМАТОРОВ
Денисова Наталья Вячеславовна,
к.ф.-м.н., доцент, Казанский Государственный Энергетический, 420066, г. Казань, ул. Красносельская, 51, КГЭУ.
Сахапов Айрат Асхатович бакалавр, магистрант, Казанский Государственный Энергетический Университет, 420066, г. Казань, ул. Красносельская, 51, КГЭУ.
Аннотация
Работа посвящена исследованию трансформаторного масла и вероятности существования дефекта. Особое внимание было уделено графическому представлению результатов хроматографического анализа растворенных газов в трансформаторном масле (ХАРГ). Основной задачей было в одной диаграмме представить все возможные дефекты и пути их развития, при этом не нарушить наглядность и доступность диаграммы. После предварительного определения дефекта трансформатора, авторами была предложен анализ оценка вероятности дефекта посредством , предварительно обученной нейронной сети.
Ключевые слова
Диагностика по ХАРГ, оценка вероятности дефекта, диагностика масляных трансформаторов, нейронная сеть.
Annotation
Work is devoted to research of transformer oil and the probability of the existence of the defect. Particular attention was paid to the graphical representation of the results of chromato-graphic analysis of dissolved gases in transformer oil (CADG). The main objective was to present a single chart all possible defects and ways of their development, it does not disturb the visibility and availability chart. After a preliminary determination of the transformer fault, the authors have proposed the analysis of assessment of the probability of the defect by previously trained neural network.
Keywords
Diagnosis for CADG, assessment of the probability of the defect, diagnostics of oil transformers, the neural network.
В масле нормально работающего трансформатора растворены те газы, которые выделяются из целлюлозной изоляции и масла при их естественном старении. Как показали опыты на моделях, основное газовыделение происходит из электротехнического картона и бумаги в результате воздействия повышенной температуры, кислорода и влаги.
При возникновении повреждения внутри трансформатора состав газа, растворенного в масле, будет изменяться весьма интенсивно как качественно, так и количественно. Электроизоляционные материалы - органические вещества, состоящие из водорода, углерода и его соединений. Поэтому при пиролизе (перегреве) твердых и жидких изоляционных материалов, обусловленных нагревом металлических поверхностей или искрением (дугой) между проводящими элементами, должны выделяться газы, состоящие из углеводородов, водорода, окиси и двуокиси углерода. При этом наименьшие перегревы требуются для образования водорода и метана (около 150 °С), а наибольшие -для выделения ацетилена (порядка 500- 700 °С). Кипение масла в месте значительного перегрева происходит в локальной зоне. Поскольку масло в трансформаторе перемещается и охлаждается в охладителях, то температура его в месте перегрева будет намного выше температуры основного объема масла. Кипение масла в этом случае называется
33
кипением с недогревом при вынужденном движении жидкости[ 1 ]. Исследованием газов возникших в результате какого-либо дефекта занимается целый раздел диагностики -хроматографический анализ растворенных газов(ХАРГ).
Существует масса методов основанных на исследовании концентраций газов в трансформаторном масле, уже давно определены граничные концентрации характерных газов. И на основе этих ,в большинстве своем, эмпирических данных создано множество методик графического представления результатов ХАРГ, такие как треугольник Дюваля, методики IEEE, ETRA, Роджерса и т.д.. Опираясь на знания и опыт предшественников, видя недостатки этих методов, была разработана иная форма представления результатов ХАРГ, а именно лепестковая диаграмма ХАРГ, рис.1. В данной диаграмме главным было не нарушить наглядность и доступность получаемого графического образа состояния трансформатора.
Рис. 1. Лепестковая диаграмма ХАРГ
Каждый определенный газ образуется при определенной температуре перегрева, следовательно, и причины вызывающие этот перегрев могут быть разные. На основе этого, диаграмма разбита на области, каждая из этих областей несет определенную информацию о виде дефекта, состоянии изоляции или дает рекомендацию к учащенному контролю. Оси Н2 и С2Н2 ответственны за дефекты электрического характера, оба являются характерными при искровых и дуговых разрядах. Оси С2Ш, СН4, С2Ш говорят о термических дефектах, являются характерным в различных диапазонах температур и расположены в порядке возрастания температуры перегрева масла, если смотреть по часовой стрелке. С2Ш является характерным при нагреве масла и бумажной изоляции в диапазоне 300-400 °С, СН в диапазоне 400-600 °С, С2Ш выше 600 °С. ТО/Ш2 говорят о состоянии изоляции. Ось TDCG (сумма растворенных горючих газов) нужна для общей оценки загрязненности масла и совместно с осью ppm/day (скорость нарастания в день) можно делать выводы о интенсивности протекания дефекта и рекомендовать к учащенному контролю[2].
Данными для построения диаграммы являются нормированные величины газов, т.е. абсолютную концентрацию газа нужно поделить на его предельно допустимое значение.
Представленный метод интерпретации ХАРГ и вообще все методы диагностики по ХАРГ, хороши в первичной обработке результатов анализа и в визуализации полученных результатов, однако все как один имеют существенный недостаток - это достаточно большая погрешность и необъективность самого метода диагностики. Эту проблему можно решить имея базу данных исследованных трансформаторов с описанными физическими характеристиками, возможно дефектом. Важным является не только
наличие базы данных, но и способ ее обработки, выдаваемый результат, способность к обучению и автономность.
Поиск способа решения поставленной задачи привел к самообучающимся нейронным сетям, которые, в наше время, получили широкое распространение, структура нейронной сети рис. 2. У нейронных сетей много важных свойств, но ключевое из них - это способность к обучению. Обучение нейронной сети в первую очередь заключается в изменении «силы» или «веса» синаптических связей между нейронами[3]. Вес синаптической связи, применительно к нашей задаче - это вклад каждого характерного газа в состояние трансформатора. Входы - это нормированные концентрации газов, а выход - это состояние трансформатора.
¡=1
Рис. 2. Структура нейронной сети
Нейронную сеть нужно обучить, для этого был выбран метод обучения с учителем, алгоритм обучения нейронной сети, рис. 3. Учителем будет являться образец из базы данных, в котором будут корректироваться «веса» характерных газов в зависимости от дефекта (для дефекта электрического характера это водород(Ш), ацителен(С2Ш), для дефекта термического характера это метан(СЩ), этилен(С2Ш) и этан(С2Ш)) с целью чтобы нейрон дал выход^) равный 1. Таким образом, сеть «идеализировала» имеющийся образец, подчитала «веса» отталкиваясь от того, что дефект присутствует на 100%, результат обучения на двух реальных образцах трансформаторов типа ТМ-2500-35/6кВ с термическими дефектами выше 600 °С, рис, 4.
Рис. 3. Алгоритм обучения нейронной сети
Образец! СШ-35/6кВ)
Газ Относительная концентрация газа Вес газа Состояние нейрона Итоговый весовой коэффициент Максимальная ошибка сети
Водород (Н2) 0,02В 0,045328494
Ацителен (С2Н2) 0,007895 0,012781016
Эгилен(С2Н4) 0,47069 0,761988173 0,999955283 2,066279555 | 9,99783Е-ю|
Метан (СН4) 0,05 0,080943733 0,219494737
Этан(С2Н6) 0,061128 0,098958578 0,268345486
I 0,617713
Кол-во итераций 41943
Образец 2 (ТЫ-35/10кВ) |
Газ Относительная концентрация газа Вес газа Состояние нейрона Итоговый весовой коэффициент Максимальная ошибка сети
Водород (Н2) 0,0511 0,004562052
Ацителен (С2Н2) 0,65 0,058030015
Эгилен(С2Н4) 3,5 0,312469311 н 0,095238095 | 9,99783Е-1о|
Метан (СН4) 3,5 0,312469311 0,035238095
Этан(С2Н6) 3,5 0,312469311 0,035238095
I 11,2011
Кол-во итераций 41943
Рис. 4. Результат обучения нейронной сети
Следующим шагом после обучения сети является идентификация исследуемого трансформатора, для этого нужно посчитать выход нейрона используя вычисленные «веса» эталонных образцов, рис.5. Как видим выход нейрона дал результат относительно первого 2,47, что на 147% отличается от образцового выхода 1, а выход относительно второго 0,114, что на 98,6% отличается от образцового выхода. По результатам этого анализа можно сделать вывод, что в исследуемом трансформаторе не выявлено дефекта.
Рис. 5. Сравнение образцов нейронной сети с исследуемым трансформатором
Конечно, имея один-два образца для каждого типа дефекта объективность получаемой оценки состояния трансформатора весьма сомнительна, но имея множество образцов совместно со способность сети к самообучению, дает хорошую возможность улучшить качество диагностики маслонаполненных трансформаторов. Также необходимо усложнить нейронную сеть, введя такие параметры, как возраст трансформатора, количество влаги, коэффициент загрузки. Вводя новые образцы и переменные для сети, можно существенно уменьшить погрешность оценки состояния трансформатора и увеличить объективность выдаваемого результата
В заключении можно сделать следующие выводы:
1. Показана принципиальная возможность применения анализа нейросетями для диагностики силовых масляных трансформаторов.
2. Составлена программа обучения нейронной по образцам дефектных трансформаторов.
3. Поскольку мало данных по отказам трансформаторов в следствии каких-либо дефектов, предлагаем обучать сеть по образцам с нормальным состоянием.
4. Для повышения точности в дальнейшем применять нейрость глубокого обучения.
Библиографический список
1. Львов Ю.Н., Касаткина Т.Е. Методические указания по диагностике развивающихся дефектов тр-ого оборудования по ХАРГ: Москва,2001
2. Гибадуллин Р.Р., Денисова Н.В. К вопросу о диагностике силовых маслона-полненных трансформаторов. Сборник материалов докладов Национального конгресса по энергетике. Казань. 8-12 сентября 2014г. КГЭУ
3. Короткий С. Нейронные сети: алгоритм обратного распространения С. Короткий, 1996
ИССЛЕДОВАНИЕ МИКРОНЕОДНОРОДНОСТИ ОДНОКОМПОНЕНТНЫХ
МЕТАЛЛИЧЕСКИХ РАСПЛАВОВ В ОБЛАСТИ НАДЛИКВИДУСНЫХ ТЕМПЕРАТУР НА ОСНОВЕ ПАРАМЕТРОВ МЕЖАТОМНОГО
ВЗАИМОДЕЙСТВИЯ
Тогобицкая Дарья Николаевна
Заведующая отделом физико-химических проблем, Института черной металлургии национальной академии наук Украины имени З.И. Некрасова, доктор технических наук, профессор,
Украина, г. Днепропетровск Головко Людмила Андреевна Кандидат химических наук, научный сотрудник отдела физико-химических проблем, Института черной металлургии национальной академии наук Украины
имени З.И. Некрасова Украина, г. Днепропетровск Снигура Ирина Романовна Аспирант
Института черной металлургии национальной академии наук Украины
имени З.И. Некрасова Украина, г. Днепропетровск
Аннотация. Выполнен краткий анализ представлений о микронеоднородной структуре металлических расплавов. Исследована возможность использования параметров межатомного взаимодействия структуры металлических расплавов, расчет которых базируется на концепции направленной химической связи для прогнозирования их температур плавления и микронеоднородности в зоне надликвидусных температур.
Ключевые слова: металлический расплав, параметры межатомного взаимодействия, микронеоднородность, кластеры
Abstract. Was executed a brief analysis of concepts of microinhomogeneous structure of metallic melts. Was investigated the possibility of using the parameters of interatomic interaction of metallic melts structure, which are based on the conception of directed chemical bonding for the prediction of their melting temperature and microinhomogeneity in the area over the liquidus temperature.
Keywords: metallic melts, the parameters of interatomic interaction, microinhomoge-neity, clusters.
Состояние вопроса. Фактически все современные способы выплавки качественных металлов и сплавов базируются на повышении однородности расплава на конечных стадиях процесса, путем интенсификации перемешивания, дегазации расплава, ра-
37
