CC BY
0
Вестник аграрной науки Дона. 2022. Т. 15. № 4 (60). С. 95-104. Don agrarian science bulletin. 2022. 15-4(60): 95-104.
Научная статья УДК 621.314.212
doi: 10.55618/20756704_2022_15_4_95-104 EDN: KTBAEI
О ПЕРСПЕКТИВАХ РАЗВИТИЯ АВТОМАТИЗИРОВАННЫХ КОМПЛЕКСНЫХ СИСТЕМ НЕПРЕРЫВНОГО КОНТРОЛЯ СОСТОЯНИЯ СИЛОВЫХ ТРАНСФОРМАТОРОВ
Анатолий Григорьевич Сошинов1, Ольга Сергеевна Атрашенко1, Татьяна Васильевна Копейкина1
1Камышинский технологический институт - филиал Волгоградского государственного технического университета, Волгоградская область, г. Камышин, Россия, kti@kti.ru
Аннотация. Силовой трансформатор и его состояние являются одной из составных частей обеспечения надежности электросетевого комплекса. По мере перехода энергокомпаний на техническое обслуживание и ремонт оборудования по фактическому состоянию, различные методики диагностики, в особенности под рабочим напряжением, получили широкое применение. Востребованность контроля также обусловлена большим процентом эксплуатирующегося электрооборудования сверх нормативного срока. Для оценки силового трансформатора применяют методику интегрального показателя технического состояния, который заключает в себе совокупность диагностических параметров на разных узлах трансформатора. Сведения о состоянии электрооборудования традиционно получают в ходе испытания узлов в ходе ремонтных работ, что требует отключения линии. В настоящее время развитие получили автоматизированный мониторинг и техническое диагностирование электрооборудования, что подтверждается рядом регламентирующих и нормативных документов электросетевых компаний. Предлагаемые производителями системы мониторинга отличаются значительным набором измеряемых параметров, многие из которых являются дополнительными, не входящими в перечень НТД. В России такие системы применены в качестве пилотных проектов в ходе реконструкции и строительства объектов в ПАО «Россети Московский регион». Для усовершенствования методов прогнозирования и оптимизации работы электроэнергетической системы логично использование методов искусственного интеллекта, которые имеют решающее значение для расширения когнитивных способностей человека в этих задачах. В мире метод опорных векторов (SVM), машины экстремального обучения (ELM), нечеткая логика и некоторые другие были объединены с методами интерпретации АРГ для анализа зарождающихся неисправностей в трансформаторах. Модели сверточной нейронной сети активно используются для классификации неисправностей электрооборудования в ходе тепловизионной съемки трансформаторных подстанций. Использование сети YOLOv4 позволяет выполнить идентификацию четырех типов силового оборудования на подстанции с предварительной обработкой изображения (выявление фона, помех, вызванных экстремальными погодными условиями, шумом и другими факторами). Недостаточный обмен данными между эксплуатирующими компаниями России ведет к медленному внедрению методов искусственного интеллекта.
Ключевые слова: автоматизированная система мониторинга и диагностики, силовые трансформаторы, надёжность, электротехническое оборудование, машинный интеллект
Для цитирования: Сошинов А.Г., Атрашенко О.С., Копейкина Т.В. О перспективах развития автоматизированных комплексных систем непрерывного контроля состояния силовых трансформаторов // Вестник аграрной науки Дона. 2022. Т. 15. № 4 (60). С. 95-104.
© Сошинов А.Г., Атрашенко О.С., Копейкина Т.В., 2022
Original article
ON PROSPECTS OF DEVELOPMENT OF AUTOMATED COMPLEX SYSTEMS
OF CONTINUOUS CONDITION MONITORING OF POWER TRANSFORMERS
Anatoly Grigorievich Soshinov1, Olga Sergeevna Atrashenko1, Tatyana Vasilievna Kopeikina1
1Kamyshin Institute of Technology - branch of Volgograd State Technical University, Volgograd region, Kamyshin, Russia, kti@kti.ru
Abstract. The power transformer and its condition are one of the components of ensuring the reliability of the power grid complex. As power companies transition to actual maintenance and repair of equipment, various diagnostic techniques, especially under operating voltage, have become widely used. The demand for control is also due to the large percentage of operating electrical equipment over the standard period. To assess a power transformer, a technique of an integral indicator of technical condition is used, which includes a set of diagnostic parameters at different units of the transformer. Information on the condition of electrical equipment is traditionally obtained during testing of units during repair work, which requires disconnection of the line. Currently, the development has received automated monitoring and technical diagnostics of electrical equipment, which is confirmed by a number of regulatory and regulatory documents of electric grid companies. The monitoring systems proposed by the manufacturers are distinguished by a significant set of measured parameters, many of which are additional, not included in the list of NTDs. In Russia, such systems were used as pilot projects during the reconstruction and construction of facilities in PJSC «Rosseti Moscow Region». To improve methods for predicting and optimizing the operation of the electric power system, it is logical to use artificial intelligence methods that are critical for expanding a person's cognitive abilities in these tasks. In the world, the Support Vector Method (SVM), Extreme Learning Machines (ELM), fuzzy logic, and several others have been combined with methods of interpreting ARG to analyze nascent faults in transformers. Convolutional neural network models are actively used to classify electrical equipment faults during thermal imaging of transformer substations. The use of the YOLOv4 network allows identification of 4 types of power equipment at the substation with preliminary image processing (detection of background, interference caused by extreme weather conditions, noise and other factors). Insufficient data exchange between operating companies in Russia leads to the slow introduction of artificial intelligence methods.
Keywords: automated monitoring and diagnostics system, power transformers, reliability, electrical equipment, machine intelligence, big data
For citation: Soshinov A.G., Atrashenko O.S., Kopeikina T.V. On prospects of development of automated complex systems of continuous condition monitoring of power transformers. Vestnik agrarnoy nauki Dona = Don agrarian science bulletin. 2022; 15-4(60): 95-104. (In Russ.)
Введение. Силовые трансформаторы являются основными элементами электрических сетей, надежная работа которых обеспечивает эксплуатационную надежность и бесперебойность всей электроэнергетической системы. В настоящее время в России, в связи с сокращением ввода новых мощностей и одновременным расширением электрических сетей, всё более актуальной становится проблема продления жизненного цикла силовых трансформаторов, совершенствования системы технического обслуживания и ремонта силовых трансформато-
ров [1]. Для решения этих задач проводят контроль состояния и анализ работы силовых трансформаторов. Более востребованной и развивающейся является предиктив-ная диагностика, способная выявить дефекты электрооборудования на ранних стадиях развития, принять необходимые действия по увеличению срока службы трансформаторов.
Методика исследования. Из отчета об исследовании CIGRE [2] следует, что более 80% отказов трансформаторов 110 кВ и выше происходит из-за выхода из строя та-
ких узлов, как обмотки, вводы и переключатели ответвлений устройств регулирования напряжения под нагрузкой.
Большой процент отказов силового трансформатора приходится на 20-30-й год его функционирования. В условиях эксплуатации и аварийных режимов перегрузок система части трансформатора подвергается тепловым и электрическим воздействиям, следствием которых является изнашивание изоляции уже через 8 лет эксплуатации [3].
В сетях 6-10 кВ количество эксплуатируемых подстанций 6(10)/0,4 кВ значительно превышает 35-110/6-10 кВ, в которых установлено устаревшее аналоговое оборудование, не подлежащее модернизации. Анализ технического состояния электрических сетей в сельской местности показывает, что из эксплуатируемых ТП 6-35/0,38 кВ в хорошем, удовлетворительном состоянии находятся 87,1%, неудовлетворительном - 10%, непригодном - 2,9%. Доля потерь электроэнергии в ТП 10/0,4 кВ составляет 25% от общего количества элементов электрической сети [4].
Для сельского электроснабжения характерно однофазное подключение к сети и концентрация в узле нагрузки нелинейных электроприемников. Большая часть силовых трансформаторов напряжением 10/0,4 кВ в сельском электроснабжении имеют схему соединения обмоток «звезда/звезда с нулем». Такие трансформаторы для токов обладают большим сопротивлением нулевой последовательности, значение которых увеличивается из-за токов несимметрии и высших гармоник, особенно кратных трем [5].
Наибольшую опасность представляют внезапные отказы оборудования, которые чаще всего приводят к необратимым изменениям. Поэтому своевременное выявление и устранение дефектов на ранней стадии их развития способно увеличить физический ресурс силового трансформатора [6].
Для оценки и прогноза работы силового трансформатора, а также большинства электрооборудования ТП разработана и
утверждена методика интегрального показателя технического состояния - индекс технического состояния (Иге), который описывает состояние оборудования в условиях полного жизненного цикла оборудования, включающего в себя несколько межремонтных периодов.
Согласно Приказу Минэнерго России от 26 июля 2017 г. № 676 «Об утверждении методики оценки технического состояния основного технологического оборудования и линий электропередачи электрических станций и электрических сетей», для каждого электрооборудования классом напряжения 35 кВ и выше применяются единые логические и математические алгоритмы расчета Иге, учитывающие совокупность диагностических параметров:
- в функциональных или обобщенных узлах электрооборудования
Итсу = 100 • й
(кв^огпо
(1)
где КВI - значение весового коэффициента для 1-ой группы параметров технического состояния;
ОГП - балльная оценка 1-ой группы параметров технического состояния (для оборудования, кроме ВЛ);
- основного технологического оборудования
Итс = ЖКВУ ■ ИТСУ[), (2) где КВУ1 - значение весового коэффициента для 1-го функционального узла или обобщенного узла;
Игеу\ - индекс технического состояния 1-го функционального узла или обобщенного узла;
- группы оборудования и сооружений объектов электроэнергетики
(3)
Иэс = ■ Итса)
где Ига - индекс технического состояния 1-ой единицы основного технологического оборудования в оцениваемой группе;
4
РI - характерный для вида основного технологического оборудования показатель приведения (для силовых трансформаторов (автотрансформаторов) - номинальная полная электрическая мощность).
Индекс технического состояния принимает значения в диапазоне от 0 (наихудшее значение) до 100 (наилучшее значение) с округлением и делением на 100.
При мониторинге силовых трансформаторов может быть использован единый коэффициент текущего технического состояния трансформатора (Ктс), который отличается от применяемого и нормированного индекса технического состояния Итс (рисунок 1) [7].
Итс 100%
75%
50%
25%
Кттс - 1.0" 0.75-- 0.5-- 0.25-
\ \
Кттс
____ __ _ _______ Итс
MPLli МРЦ 2 МРЦз Т
МРЦ - межремонтный цикл; Кттс - коэффициент текущего технического состояния; Итс - нормированный индекс технического состояния Рисунок 1 - Коэффициенты оценки состояния трансформатора
OHC - overhaul cycle; Cctc - coefficient for current technical condition; Intc - normalized technical condition index Figure 1 - Coefficients to assess the condition of a transformer
Еще одним показателем для контроля состояния трансформаторов является так называемый К-фактор (К^айог). Представляет собой коэффициент влияния искажений тока (напряжения), вносимых нелинейными нагрузками в электрической сети, которые влияют на увеличение потерь в силовом трансформаторе за счет нелинейности нагрузки.
Если К-фактор равен единице, то это означает, что нагрузка линейная и в цепи протекает синусоидальный ток. Значения К-фактора выше единицы указывают на дополнительные тепловые потери при нели-
нейных нагрузках, которые трансформатор способен безопасно рассеять [8].
Согласно [1], оценка технического состояния основного технологического оборудования должна производиться при формировании и актуализации перспективных (многолетних) графиков ремонта, годовой ремонтной программы, комплекса мероприятий по техническому перевооружению и реконструкции, а также после технического воздействия, которое привело к изменению технического состояния, но не реже одного раза в год.
Условия эксплуатации оборудования Operating conditions for the equipment
■
Приводит к изменению Leads to changes
Диагностические параметры оборудования Х1 Diagnostic parameters for the equipment Х1
Интегральная оценка по индексу технического состояния Integral assessment on technical condition index
Безотказность. Вероятность отказа Q Reliability. Failure probability Q
Долговечность.
Технический ресурс R
Durability.
Technical resource R
Индекс состояния Condition index
Предельный срок эксплуатации Maximum service lifetime
Рисунок 2 - Алгоритм определения индекса технического состояния электрооборудования Figure 2 - Algorithm for determining the technical condition index of electrical equipment
Для получения данных параметров применяют методы, которые разделяются на неразрушающие и испытательные. Первые работают «онлайн» без необходимости отключения исследуемого трансформатора (анализ растворенных газов (АРГ), измерение параметров вибрации, обнаружение локальных перегревов тепловизионным методом, измерение частичных разрядов). Вторые основаны на испытании отдельных узлов трансформатора, который необходимо предварительно вывести в ремонт (определение частичных разрядов, спектроскопия в частотной области, испытания изоляции).
Из неразрушающих методов АРГ является одним из наиболее широко используемых диагностических инструментов для оценки состояния трансформатора, поскольку опыт доказал его эффективность. Однако пробы могут быть неправильно собраны, идентифицированы, обработаны. Для более целостного и комплексного подхода к мониторингу силовых трансформаторов необходимо дополнительно использовать результаты комплексного обследования [2].
Результаты исследований и их обсуждение. Автоматизированные системы непрерывного контроля состояния электрооборудования в последние годы получили
широкое распространение, обусловленное цифровизацией энергетической отрасли.
Одной из задач Положения ПАО «Рос-сети» «О единой технической политике в электросетевом комплексе» является внедрение и развитие современных систем контроля технического состояния, диагностики и мониторинга технологического оборудования, систем защиты и автоматики, противо-аварийной автоматики, систем связи, инженерных систем, коммерческого и технического учета электроэнергии, создание и развитие цифровых подстанций и «умных» электрических сетей. Согласно СТО 56947007-29.200.10.011-2008. Стандарт организации. Трансформаторы силовые, автотрансформаторы и реакторы. Автоматизированная система мониторинга и технического диагностирования, данной функциональностью обладают автоматизированные системы мониторинга и технического диагностирования (АСМД), в которых используется комплекс датчиков, реагирующих на максимально возможное число видов развивающихся дефектов и проблем при работе силовых трансформаторов. Расчетно-аналитические модели в составе системы должны устанавливать логическую связь технического состояния с измеряемыми параметрами отдельных устройств и узлов, а
также содержать зависимости и методику расчета опасного уровня дефектов.
В России в рамках стратегии внедрения АСМД были проанализированы технические решения мировых энергетических компаний GE Energy, АВВ, Areva, Serveron, а также отечественных производителей АСУ ВЭИ, DimRus [9, 10]. Авторами отмечено, что предлагаемые производителями системы мониторинга отличаются значительным набором измеряемых параметров, многие из которых являются дополнительными, не входящими в перечень НТД, такие как СТО 56947007-29.200.10.011-2008.
В ходе реализации программы при реконструкции и строительстве объектов в ПАО «Россети Московский регион» произведена установка оборудования, оснащенного встроенными датчиками для мониторинга состояния силового трансформатора 110/10 кВ. Для трансформаторов с низким индексом технического состояния до замены или капитального ремонта установлены мобильные АСМД, состоящие из набора быстромонтируемых датчиков и блоков контроля [9].
Для контроля над состоянием электрооборудования подстанций 10/0,4 кВ целесообразно сначала оснастить объекты аналого-цифровыми преобразователями (АЦП) для преобразования путем оцифровки аналоговых сигналов с дискретизацией по времени и обработки полученной информации по соответствующему алгоритму. Далее будет возможна передача полученной информация об объекте по телекоммуникационным каналам в центр управления сетями (ЦУС) сетевой организации и в диспетчерскую службу распределительной сети. Такая структура устройства мониторинга обеспечивает непрерывный контроль состояния оборудования ТП 6(10) кВ и переводит её в класс цифровых подстанций [11].
При увеличении автоматизации в области технического диагностирования силового электрооборудования отмечается проблема недостаточной интерпретации полученных данных, зависящих от множества
факторов. Для усовершенствования методов прогнозирования и оптимизации работы электроэнергетической системы приходится обрабатывать большие объемы разнородных данных, и логично использование методов искусственного интеллекта, которые имеют решающее значение для расширения когнитивных способностей человека в этих задачах [12].
Например, чтобы преодолеть ограничения метода растворенных концентраций газов в трансформаторном масле традиционного треугольника Дюваля, использованы различные методы вычислений и машинного обучения, такие как метод опорных векторов (SVM), нейронные сети (NN), машины экстремального обучения (ELM). Нечеткая логика и некоторые другие были объединены с методами интерпретации АРГ для анализа зарождающихся неисправностей в трансформаторах. Эти новые методы повысили точность диагностики неисправностей и решили проблему интерференции между классами неисправностей. Метод k-ближай-ших соседей (KNN), дополняющий треугольник Дюваля, позволяет в 93% случаев правильно провести расшифровку данных, по сравнению с методом соотношений Роджерса. Недостатком данного метода является относительная применимость при выявлении локальных перегревов тепловым методом и диэлектрических потерь [13].
Тепловой метод контроля трансформаторной подстанции предполагает определение мест локального повышения температуры отдельных узлов оборудования вследствие проблем окисления металла, проблем электрохимической коррозии, ослабления болтовых соединений, превышения номинальных токов. По термограмме, получаемой в ходе диагностики тепловизором, можно определить исправность электрооборудования. Но для правильной интерпретации результатов контроля необходим определенный объем базы данных, полученных от аналогичного оборудования. Вывод о состоянии оборудования выполняется в ходе сравнения: с предыдущими тер-
мограммами, с нормативными значениями температур отдельных узлов оборудования, разницы температур между фазами и т.д.
[14].
Исследования увеличения потерь в силовом трансформаторе за счет нелинейности нагрузки в соответствии со стандартами Underwriters Laboratories также применимы для контроля силовых трансформаторов. Полностью нагруженный сухой трансформатор при К-факторе, равном 4, выделяет на 10% больше тепла, чем при линейной нагрузке (K = 1), а при K = 13 он выделяет уже на 25% больше тепла, которое должно куда-то отводиться, если трансформатор полностью нагружен, или на такую же величину должна быть уменьшена нагрузка трансформатора [15].
Модели сверточной нейронной сети активно используются для классификации неисправностей электрооборудования, например для вводов трансформатора [16]. Более точные характеристики электрооборудования, учитывая сложный фон подстанций, могут быть получены с помощью многомасштабного сверточного ядра и алгоритма обнаружения объектов сегментацией [17].
Использование сети YOLOv4 позволяет выполнить идентификацию 4 типов силового оборудования на подстанции: изоляторы, кабели, грозозащитные разрядники и трансформаторы, которые являются наиболее ответственными узлами. Такая система может выполнить обработку информации для характеристик инфракрасного изображения по нескольким тепловым параметрам с предварительной обработкой изображения (выявление фона, помех, вызванных экстремальными погодными условиями, шумом и другими факторами) [18].
Одним из основных барьеров развития автоматизированной системы диагностики электрооборудования с помощью нейронной сети является недостаточность использования технологии больших данных на всех этапах электроэнергетического цикла: от генерации до конечного потребителя.
Выводы. Таким образом, решение сложной задачи диагностирования состояния силовых трансформаторов нуждается в контроле многих эксплуатационных параметров с учетом особенностей работы объекта, а также режимов работы и описания процесса его эксплуатации. Необходимый объем обрабатываемых данных невозможен без автоматизации этого процесса.
Наиболее перспективным средством обнаружения, регистрации и прогнозирования технического состояния являются автоматизированные системы мониторинга и диагностики силовых трансформаторов [9], которые охватывают узлы системы, благодаря большому количеству датчиков, и позволяют на ранней стадии выявить начало негативных процессов. Данные системы необходимо активно внедрять в работу электроэнергетической системы. Наличие большого количества данных, накапливаемых в ходе работы измерительных комплексов, обмен данными внутри отрасли и технологии Big Data позволят успешно внедрить программу искусственного интеллекта для оценки и прогнозирования состояния электрооборудования, в особенности силовых (авто)трансформаторов.
Список источников
1. Назарычев А.Н., Новомлинский Э.В., Андреев Д.А. Оценка технического состояния электрооборудования на основе расчетов интегральных показателей // Методические вопросы исследования надежности больших систем энергетики / Отв. ред. Н.И. Воропай, Ю.Я. Чук-реев. Сыктывкар: Издательство ООО «Коми республиканская типография», 2016. Вып. 67. С. 171-179.
2. Почему оказывается недостаточным использование диагностического метода анализа газов, растворенных в трансформаторном масле? // Электроэнергия. Передача и распределение. 2021. № 2 (65). С. 132-137. EDN LDHISX.
3. Vimal Angela Thiviyanathan, Pin Jern Ker, Yang Sing Leong, Fairuz Abdullah, Aiman Ismail, Md. Zaini Jamaludin. Power transformer insulation
system: A review on the reactions, fault detection, challenges and future prospects // Alexandria Engineering Journal. 2022. Vol. 61. Issue 10. P. 76977713. ISSN 1110-0168.
4. Сошинов A.r., Aтрашенко О.С. Новая концепция построения распределительных сетей для электроснабжения удаленных потребителей // Электроэнергия. Передача и распределение. 2021. № 2 (65). С. 54-58. EDN YCNWTM.
5. Юндин МА, Жариков ДТ., Пономарен-ко T.3. О влиянии несимметрии и несинусоидальности токов на потери электроэнергии в силовом трансформаторе // Aгротехника и энергообеспечение. 2021. № 4 (33). С. 114-118. EDN FVBJVP.
6. Монастырский A.E. Современные системы мониторинга технического состояния силовых маслонаполненных трансформаторов // Материаловедение. Энергетика. 2021. T. 27. № 3. С. 97-108. DOI 10.18721/JEST.27309. EDN HRCADF.
7. TDM - комплексная система мониторинга и диагностики состояния силовых трансформаторов // Диагностические решения в энергетике: [сайт]. 2022. URL: https://dimrus.com/ tdm.html (дата обращения: 17.09.2022).
8. Гуревич В. Источники бесперебойного электропитания: устройство, принципы действия и применение // Силовая электроника. 2012. T. 6. № 39. С. 63-70. EDN PJWKFN.
9. T^^ С., Растегняев Д. Использование систем онлайн-диагностики для оценки текущего состояния (авто)трансформаторов, в том числе с низким ИТС // Электроэнергия. Передача и распределение. 2021. № S3(22). С. 2-8. EDN UYVKNN.
10. Русов ВА Организация мониторинга силовых трансформаторов с низким индексом технического состояния // Энергоэксперт. 2018. № 2 (66). С. 32-34.
11. Цыгулев Н., Гопаца И., Михайлов В. Модульное устройство для дистанционного мониторинга электрооборудования ^ 6-10 кВ // Новости электротехники. 2021. № 1 (127). С. 38-41.
12. Richter Lucas & Lehna Malte & Marchand Sophie & Scholz Christoph & Dreher Alexander & Klaiber Stefan & Lenk Steve. Artificial Intelligence for Electricity Supply Chain automation // Renewable and Sustainable Energy Reviews. Elsevier, 2022; Vol. 163. Р. 112459. ISSN 13640321. DOI: 10.1016/j.rser.2022.112459
13. Islam M.M., Lee G. & Hettiwatte S.N. A nearest neighbour clustering approach for incipient fault diagnosis of power transformers // ElectrEng. 2017. № 99. Р. 1109-1119.
DOI: 10.1007/s00202-016-0481-3
14. Wenyun Shi, Xiaoming Ren. Electrical Fault Detection Equipment Based on Infrared Image Fusion // Procedia Computer Science. 2022. Vol. 208. P. 509-515. ISSN 1877-0509.
15. Deshpande K., Holmukhe R., Angal Y. K-Factor Transformers and Non-linear Loads // National Conference. Bharati Vidyapeeth Deemed University, College of Engineering. 2011 https://powerquality. blog/2021/11 /24/k-factor-transformers-and-non-linear-loads (дата обращения 12.09.2022).
16. Adou M.W., Xu H., Chen G. Insulator faults detection based on deep learning IEEE 13th International conference on anti-counterfeiting, security, and identification. 2019. Vol. 13. Р. 173-177. DOI: 10.1109/ICASID.2019.892509
17. Lin Y., Zhang W., Zhang H., Bai D., Li J., Xu R. An intelligent infrared image fault diagnosis for electrical equipment // Asia conference on power and electrical engineering. 2020. Vol. 5. Р. 1829-1833.
DOI: 10.1109/ACPEE48638.2020.9136567
18. Tao Liu, Guolong Li, Yuan Gao, Fault diagnosis method of substation equipment based on You Only Look Once algorithm and infrared imaging // Energy Reports. 2022. Vol. 8. Supplement 7. P. 171-180. ISSN 2352-4847.
References
1. Nazarychev A.N., Novomlinskiy E.V., An-dreev D.A. Otsenka tekhnicheskogo sostoyaniya elektrooborudovaniya na osnove raschetov inte-gral'nykh pokazateley (Assessment of the technical condition of electrical equipment based on calculations of integral indicators). Metodicheskie voprosy issledovaniya nadezhnosti bol'shikh system ener-getiki. Otv. red. N.I. Voropay, Yu.Ya. Chukreev. Syktyvkar: Izdatel'stvo OOO «Komi respublikan-skaya tipographiya», 2016; 67: 171-179. (In Russ.)
2. Pochemu okazyvaetsya nedostatochnym ispol'zovanie diagnosticheskogo metoda analiza gazov, rastvorennykh v transformatornom masle? (Why does it turn out to be insufficient to use the diagnostic method of analyzing gases dissolved in transformer oil?). Elektroenergiya. Peredacha i
raspredelenie. 2021; 2(65): 132-137. EDN LDHISX. (In Russ.)
3. Vimal Angela Thiviyanathan, Pin Jern Ker, Yang Sing Leong, Fairuz Abdullah, Aiman Ismail, Md. Zaini Jamaludin. Power transformer insulation system: A review on the reactions, fault detection, challenges and future prospects. Alexandria Engineering Journal. 2022; 61-10: 7697-7713.
ISSN 1110-0168.
4. Soshinov A.G., Atrashenko O.S. Novaya kontseptsiya postroeniya raspredelitel'nykh setey dlya elektrosnabzheniya udalennykh potrebiteley (A new concept for building distribution networks for power supply to remote consumers). Elektro-energiya. Peredacha i raspredelenie. 2021; 2(65): 54-58. EDN YCNWTM. (In Russ.)
5. Yundin M.A., Zharikov D.T., Ponomaren-ko T.Z. O vliyanii nesimmetrii i nesinusoidal'nosti tokov na poteri elektroenergii v silovom transforma-tore (On the effect of asymmetry and non-sinusoidal currents on the loss of electricity in a power transformer). Agrotekhnika i energoobespe-chenie. 2021; 4(33): 114-118. EDN FVBJVP. (In Russ.)
6. Monastyrskiy A.E. Sovremennye sistemy monitoringa tekhnicheskogo sostoyaniya silovykh maslonapolnennykh transformatorov (Modern systems for monitoring the technical condition of power oil-filled transformers). Materialovedenie. Energeti-ka. 2021; 27-3; 97-108. (In Russ.)
DOI 10.18721/JEST.27309. EDN HRCADF.
7. TDM - kompleksnaya sistema monitoringa i diagnostiki sostoyaniya silovykh trans-formatorov (TDM is a comprehensive system for monitoring and diagnosing the condition of power transformers). Diagnosticheskie resheniya v ener-getike: [sayt]. 2022. URL: https://dimrus.com/ tdm.html (data obrascheniya: 17.09.2022). (In Russ.)
8. Gurevich V. Istochniki bespereboynogo elektropitaniya: ustroystvo, printsipy deystviya i primenenie (Uninterruptible power supplies: device, principles of operation and application). Silovaya elektronika. 2012; 6-39: 63-70. EDN PJWKFN. (In Russ.)
9. Talakin S., Rastegnyaev D. Ispol'zovanie system onlayn-diagnostiki dlya otsenki tekuschego sostoyaniya (avto)transformatorov, v tom chisle s nizkim ITS (Using online diagnostic systems to assess the current condition of (auto)transformers, including those with low TCI). Elektroenergiya.
Peredacha i raspredelenie. 2021; S3(22): 2-8. EDN UYVKNN. (In Russ.)
10. Rusov V.A. Organizatsiya monitoringa silovykh transformatorov s nizkim indeksom tekhnicheskogo sostoyaniya (Organization of monitoring of power transformers with a low index of technical condition). Energoekspert. 2018; 2(66): 32-34. (In Russ.)
11. N. Tsygulev, I. Gopatsa, V. Mikhaylov. Modul'noe ustroystvo dlya distantsionnogo monitoringa elektrooborudovaniya TP 6-10 KV (Modular device for remote monitoring of electrical equipment of TS 6-10 kV). Novosti elektrotekhniki. 2021; 1(127): 38-41. (In Russ.)
12. Richter Lucas, Lehna Malte, Marchand Sophie, Scholz Christoph, Dreher Alexander, Klai-ber Stefan, Lenk Steve. Artificial Intelligence for Electricity Supply Chain automation. Renewable and Sustainable Energy Reviews. Elsevier. 2022. 163: 112459. ISSN 1364-0321.
DOI: 10.1016/j.rser.2022.112459
13. Islam M.M., Lee G. & Hettiwatte S.N. A nearest neighbour clustering approach for incipient fault diagnosis of power transformers. Elec-trEng. 2017; 99: 1109-1119. D0I:10.1007/s00202-016-0481-3
14. Wenyun Shi, Xiaoming Ren. Electrical Fault Detection Equipment Based on Infrared Image Fusion. Procedia Computer Science. 2022; 208: 509-515. ISSN 1877-0509.
15. Deshpande K., Holmukhe R., Angal Y. K-Factor Transformers and Non-linear Loads // National Conference. BharatiVidyapeeth Deemed University, College of Engineering. 2011. https://powerquality.blog/2021/11/24/k-factor-transformers-and-non-linear-loads
(data obrascheniya 12.09.2022)
16. Adou M.W., Xu H., Chen G. Insulator faults detection based on deep learning IEEE 13th International conference on anti-counterfeiting, security, and identification, 2019; 13: 173-177.
DOI: 10.1109/ICASID.2019.892509
17. Lin Y., Zhang W., Zhang H., Bai D., Li J., Xu R. An intelligent infrared image fault diagnosis for electrical equipment. Asia conference on power and electrical engineering. 2020; 5: 1829-1833. DOI: 10.1109/ACPEE48638.2020.9136567
18.Tao Liu, Guolong Li, Yuan Gao. Fault diagnosis method of substation equipment based on You Only Look Once algorithm and infrared imaging. Energy Reports. 2022; 8-7: 171-180.
DOI: 10.1016/j.egyr.2022.05.074
Информация об авторах
А.Г. Сошинов - кандидат технических наук, доцент, Камышинский технологический институт -филиал Волгоградского государственного технического университета, Волгоградская область, г. Камышин, Россия. Тел.: 8(84457) 9-54-29. E-mail: epp@kti.ru.
О.С. Атрашенко - старший преподаватель, Камышинский технологический институт - филиал Волгоградского государственного технического университета, Волгоградская область, г. Камышин, Россия. E-mail: olgapasmenko@yandex.ru.
Т.В. Копейкина - старший преподаватель, Камышинский технологический институт - филиал Волгоградского государственного технического университета, Волгоградская область, г. Камышин, Россия. E-mail: kopeikina.tania@yandex.ru.
Ольга Сергеевна Атрашенко, olgapasmenko@yandex.ru
Information about the authors
A.G. Soshinov - Candidate of Technical Sciences, Associate Professor, Kamyshin Institute of Technology - branch of Volgograd State Technical University, Volgograd region, Kamyshin, Russia. Phone: 8(84457) 9-54-29. E-mail: epp@kti.ru.
O.S. Atrashenko - Senior Lecturer, branch of Volgograd State Technical University, Volgograd region, Kamyshin, Russia. E-mail: olgapasmenko@yandex.ru.
T.V. Kopeikina - Senior Lecturer, branch of Volgograd State Technical University, Volgograd region, Kamyshin, Russia. E-mail: kopeikina.tania@yandex.ru
^ Olga Sergeevna Atrashenko, olgapasmenko@yandex.ru
Вклад авторов. Все авторы сделали эквивалентный вклад в подготовку публикации.
Авторы заявляют об отсутствии конфликта интересов.
Contribution of the authors. All authors made an equivalent contribution to the preparation of the article.
The authors declare no conflict of interest.
Статья поступила в редакцию 25.09.2022; одобрена после рецензирования 27.10.2022;
принята к публикации 28.10.2022.
The article was submitted 25.09.2022; approved after reviewing 27.10 2022; accepted for publication 28.10.2022.
https://elibrary.ru/ktbaei
