CC BY
45
УДК 621.314.222.6.008.6
ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ МОДЕЛИРОВАНИЯ ОТНОСИТЕЛЬНОЙ СКОРОСТИ ИЗНОСА ИЗОЛЯЦИИ ТРАНСФОРМАТОРНОГО ОБОРУДОВАНИЯ
© 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)
«Electrotsentronaladka», Moscow
Предпринята попытка применения нейронных сетей для решения задачи поддержания требуемой относительной скорости термического износа изоляции с целью продления срока службы трансформаторного оборудования за счёт управления системой охлаждения.
Ключевые слова: мониторинг; силовой трансформатор; автотрансформатор; относительная скорость износа изоляции; срок службы, нейронные сети.
In this paper we tried to use neuron networks for solving a problem of supporting the required relative rate of thermal wear of insulation with the aim of prolonging the term of transformer equipment service at the expense of cooling system control.
Keywords: monitoring; control; power transformers; autotransformers; relative rate of insulation wear; the term of service; neuron networks.
В последнее время, на фоне старения трансформаторного парка, особое внимание уделяется развитию систем мониторинга трансформаторного оборудования под напряжением, а также алгоритмам обработки информации, поступающей в эти системы.
В процессе эксплуатации трансформаторного оборудования наблюдается старение и износ его элементов. В связи с этим необходимо отметить, что задача системы мониторинга заключается не только в адекватном отображении состояния трансформаторного оборудования с целью предотвращения аварийного выхода его из строя, но также и в продлении срока службы за счёт оптимизации рабочих параметров.
Основным параметром, ограничивающим срок службы трансформатора, является состояние его твёрдой изоляции, характеризуемое относительной скоростью термического износа.
Согласно ГОСТ 14209-97 [1], относительная скорость термического износа изоляции трансформатора (V) зависит от температуры наиболее нагретой точки (ТННТ), которая в свою очередь является функцией нескольких переменных:
- вида системы охлаждения;
- нагрузки - K ;
- температуры охлаждающей среды (ТОС) - ^ ;
- температуры верхних слоёв масла (ТВСМ) -T •
всм '
- температуры нижних слоёв масла (ТНСМ) -
T
нсм
Из этих переменных во время работы трансформатора имеется возможность изменять только ТВСМ
и ТНСМ - посредством включения или выключения охладителей системы охлаждения. То есть, изменяя интенсивность охлаждения, можно влиять на относительную скорость термического износа изоляции трансформаторного оборудования.
Таким образом, становится очевидной необходимость решения задачи поддержания требуемой относительной скорости термического износа изоляции для продления срока службы трансформаторного оборудования за счёт управления системой охлаждения.
Часть этой задачи может быть сведена к моделированию зависимости ТВСМ и ТНСМ от нагрузки, ТОС и состояния системы охлаждения трансформатора (SSO ), т. е. T = f (K,T0C, SSO). В первом приближении предполагается, что для ТВСМ и ТНСМ строятся отдельные модели.
Для решения подобных задач всё шире используются нейронные сети (нейросети), при помощи которых, согласно выводу из теоремы Стоуна - Вейершт-расса, можно сколь угодно точно равномерно приблизить любую непрерывную функцию многих переменных на любом замкнутом множестве [1 - 4].
В пользу применения нейросетей говорит также и тот факт, что для решения поставленной задачи в полном объёме традиционными средствами математического моделирования необходимо иметь информацию о большом количестве параметров трансформатора, которую на оборудовании, длительный срок находящемся в эксплуатации, трудно получить, либо же практически невозможно.
Согласно классификации, приведённой в [5], для решения поставленной задачи (задачи моделирования)
подходят следующие два типа нейросетей: динамические нейросети и радиально-базисные нейросети (ЯВР-сети).
Использование динамических нейросетей нецелесообразно ввиду того, что, согласно ГОСТ 14209-97, скорость термического износа изоляции полностью описывается набором переменных, без рекурсии. Таким образом, целесообразно применять Л&Р-сеть (приведена на рисунке).
Входной вектор Входной слой Скрытый слой Выходной слой Выходной вектор
Структура RBF-сети
Входной вектор - вектор, сформированный из следующих значений параметров трансформатора, измеренных в один и тот же момент времени: нагрузка; ТОС; состояние системы охлаждения.
Входной слой принимает значения входного вектора и без преобразования передаёт эти значения на все нейроны скрытого слоя. Скрытый слой осуществляет нелинейное преобразование величин, поступающих от входного слоя и передачу преобразованных значений в выходной слой. Выходной слой - линейный; он преобразует значения, поступающие от входного слоя, и формирует выходной вектор. Выходной вектор - ТВСМ (или ТНСМ), вычисляемая нейросе-тью; на этапе обучения этот вектор формируется из значений измеренных датчиком температуры, контролирующим ТВСМ (или ТНСМ).
Количество нейронов входного слоя равно размерности входного вектора, скрытого слоя - вычисляется по формуле:
K = 2 N +1,
где N - размерность входного вектора.
Количество нейронов выходного слоя равно размерности выходного вектора.
Для данной нейросети зависимость между выходным и входными сигналами примет вид:
T = [Ф]т ,
где Т - вектор температур; [Ф] - матрица радиаль-
—>
ных функций; w - вектор весовых коэффициентов [6].
Базовым алгоритмом для обучения RBF-сети, как и большинства многослойных нейросетей, является метод обратного распространения ошибки.
Метод обратного распространения ошибки - метод ВР [7, 8] разработан для обучения статических нелинейных многослойных нейросетей и использует технологию последовательной и послойной настройки
базовых процессорных элементов, начиная с последнего, выходного слоя и заканчивая настройкой элементов первого слоя. «Урок» обучения искусственной нейронной сети может быть повторен необходимое число раз [5].
Обучение нейросети происходит на основе данных, получаемых системой мониторинга во время её работы, что позволяет создать модель, учитывающую особенности конкретного трансформатора.
Также возможно обучение данными, полученными иными путями, но обучение нейросети на основе выборок, предоставляемых системой мониторинга, предпочтительнее в силу того, что оно будет вестись без участия человека, что исключает возможность ошибок в обучающих выборках, которые могут привести не только к увеличению длительности периода обучения, но и к неверному обучению сети.
Если руководствоваться тем, что количество обучающих выборок должно на порядок превышать количество связей в сети, а также тем, что измерения параметров трансформатора системой мониторинга производятся минимум один раз в минуту, то на полное обучение сети может быть затрачено семь-десять дней.
Этот срок может быть значительно сокращён при использовании не данных реального времени, а данных, накопленных в процессе эксплуатации системы мониторинга, либо же при использовании сетей, весовые коэффициенты которых уже подстроены на основании опыта эксплуатации подобных сетей.
После обучения сеть будет представлять собой модель изменения ТВСМ (или ТНСМ) в зависимости от состояния системы охлаждения, нагрузки и ТОС.
Созданная модель может быть использована для выявления неисправностей системы охлаждения и ненормальных тепловых режимов трансформатора. Для осуществления подобного рода диагностики ТВСМ (или ТНСМ), выдаваемая моделью, должна быть сравнена с ТВСМ (или ТНСМ), поступающей от датчиков температуры, размещённых на трансформаторе, и в том случае, если имеет место существенная разница между этими ТВСМ (или ТНСМ), может быть сделан вывод о неисправности.
В случае наличия большого количества датчиков температуры, размещённых на трансформаторе, для каждого из которых построена своя нейронная сеть, моделирующая его работу, возможна локализация места с ненормальным перегревом внутри объема бака трансформатора.
Для моделирования относительной скорости износа изоляции трансформатора температура, получаемая при помощи нейросети, должна быть использована в соответствующем алгоритме, приведённом в ГОСТ 14209-97.
Полученная таким образом модель позволит определять относительную скорость износа изоляции в зависимости от состояния следующих параметров: ТОС, нагрузка, состояние системы охлаждения.
При работе модели с данными реального времени можно определить, какие охладители должны быть отключены, либо же включены для поддержания тре-
буемой относительной скорости старения изоляции, что невозможно обеспечить средствами широко используемого на практике алгоритма управления системой охлаждения трансформатора, основанного на ГОСТ 14209-97.
При введении данных прогноза нагрузки на некоторый период времени вперёд, а также данных прогноза ТОС модель будет вычислять относительную скорость старения изоляции в зависимости от того, какие охладители включены, что позволяет:
- моделировать изменение скорости старения изоляции при полном отказе системы охлаждения, либо же отдельных её охладителей;
- предотвращать аварийный выход из строя трансформатора в том случае, если в прогнозируемый период времени произойдёт старение изоляции до её критического значения.
Реализация этих функций также не обеспечивается средствами алгоритмов управления, основанных на ГОСТ 14209-97.
Апробация предложенного метода предполагается на базе системы мониторинга, разработанной при участии авторов ООО НПФ «Квазар» под руководством профессора С.Л. Кужекова
Поступила в редакцию
Литература
1. Горбань А.Н. Обучение нейронных сетей. М. 1990. 160 с.
2. Нейроинформатика и её приложения // Материалы 3-го Всерос. семинара, 6 - 8 октября 1995 г. Ч.1. / под ред. А.Н. Горбаня. Красноярск, 1995. 230 с.
3. Barron A.R. Universal approximation bounds for superposition of a sigmoidal function // IEEE Trans. Inform. Theory. 1993. Vol. 39. P. 930 - 945.
4. Cybenco G. Approximation by superpositions sigmoidal function // Math. of Control, Signals and Systems. 1989. № 2. P. 303 - 314.
5. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления : учеб. пособие для вузов / В.А. Терехов, М., 2002.
6. 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.
7. Girosi F., Poggio T. Representation propeties of networks: Kolmogorov's theorem is irrevelant // Neural Compilation. 1989. № 1. P. 465 - 469.
8. Rumelhart D.E., Hinton G.E., Williams R.J. Learning internal representations of error propagandition // Parallel Distributed Processing. 1986. Vol. 1. № 8. P. 318 - 362.
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_
