CC BY
17
УДК 621.311
РАЗРАБОТКА АДАПТИВНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ЖИЗНЕННЫМ ЦИКЛОМ ЭЛЕКТРООБОРУДОВАНИЯ
А.И. Хальясмаа
Уральский федеральный университет имени первого Президента России Б.Н. Ельцина», г. Екатеринбург, Россия
ORCID*: https://orcid.org/0000-0001-5327-6076, lkhalyasmaa@mail.ru
Резюме: В данной статье представлены результаты исследования по разработке адаптивной системы управления жизненным циклом высоковольтного оборудования электрических станций и подстанций, в том числе структурная и математическая модели системы и ее алгоритмы работы. В рамках представленного исследования была выполнена апробация разработанной системы на примере анализа функционального состояния электросетевого оборудования района электрических сетей региональной энергосистемы в программной среде Jupyter на языке Python с использованием библиотеки xgboost. Полученная точность идентификации состояния оборудования -91% совпадений, в сравнении с заключениями диагностических лабораторий о состоянии оборудования. Разработанная система относится к классу стратегических систем и является «советчиком», предоставляя уже обработанные данные для поддержки принятия решения персонала энергообъектов.
Ключевые слова: Высоковольтное оборудование, оценка технического состояния, градиентный бустинг, деревья решений, жизненный цикл.
Благодарности: Работа, по результатам которой выполнена статья, реализована за счет гранта Российского научного фонда (проект № 18-79-00201).
DEVELOPMENT OF THE ADAPTIVE SYSTEM OF POWER EQUIPMENT LIFECYCLE MANAGEMENT
AI. Khalyasmaa
Ural Federal University named after the first President of Russia B. N. Yeltsin
Ekaterinburg, Russia
ORCID*: https://orcid.org/0000-0001-5327-6076, lkhalyasmaa@mail.ru
Abstract: The paper presents the results of industry-oriented research, dealing with the development of the adaptive life-cycle management system for high-voltage power equipment of power plants and substations, including structural and mathematical models and algorithms of the system. Within the framework of the .study, the developed system was validated by comparing the results of technical state assessment, obtained in Jupyter (Python, xgboost library) for power network equipment of the regional power system with the technical state estimates provided by high-voltage laboratories. The obtained accuracy of power equipment state identification was obtained to be equal to 91%. The developed system belongs to the class of strategic-planning systems and can be used as an "adviser", providing processed data to support decision-making process at Power&Energy Utilities.
Keywords: high-voltage power equipment, technical state assessment, gradient boosting, decision trees, life-cycle.
Acknowledgments: The reported study was supported by Russian Science Foundation research project No. 18-79-00201.
Введение
В настоящее время в России, как и во всем мире достаточно остро стоят вопросы эффективного управления жизненным циклом высоковольтного оборудования электрических станций и подстанций. Такие тенденции обусловлены необходимостью повышения эксплуатационной надежности электросетевого оборудования в условиях его высокого износа, необходимостью оптимизации ремонтных циклов оборудования как с целью минимизации технических рисков, так и с целью эффективного управления производственными активами и инвестиционными программами электросетевых и крупных промышленных предприятий. Более того, в современных условиях наличия большого объема многомерных и разнородных данных с различных датчиков контроля, систем технического диагностирования и испытаний электросетевого оборудования невозможно эффективно анализировать и прогнозировать состояние такой сложной технической системы как подстанция без автоматизации процесса обработки данных. В свою очередь управление сложной системой предполагает идентификацию ее текущего состояния, всех ее подсистем и элементов, а также прогнозирование последующих состояний, другими словами, предполагает управление жизненным циклом как отдельных единиц электросетевого оборудования на подстанциях и его основных узлов, так и общего состояния подстанции в целом. В настоящее время, управление жизненным циклом электросетевого оборудования требует, в том числе, и прогнозирования его остаточного ресурса с целью минимизации технических рисков и формирования оптимальной стратегии его ремонтов и эксплуатации.
Сегодня существуют множество систем, направленных на решение описанных выше проблем: различные системы оценки технического состояния отдельных видов или типов оборудования, например, маслонаполненного [1-3], и комплексные системы - в виде систем управления производственными активами предприятий [4-6]. Каждая из представленных типов систем решает исключительно либо техническую, либо экономическую задачу. Более того, системы управления производственными активами чаще всего базируются именно на результатах систем оценки технического состояния оборудования, и от точности и достоверности анализа работы первых очень сильно зависит результат работы последних.
Все выше сказанное вынуждает разрабатывать непросто системы оценки технического состояния отдельных видов электросетевого оборудования, а комплексные системы поддержки принятия решений принципиального нового класса -интеллектуальные, способные не только анализировать большие объемы агрегированных данных, в том числе, по различным видам оборудования, но и извлекать из них неочевидные, полезные знания с возможностью их последующего использования в эксплуатации.
Особенности интеллектуальной информационно-аналитической системы
Задача управления жизненным циклом электросетевого оборудования - это сложная многопараметрическая задача, состоящая из трех основных подзадач: оценки функционального состояния оборудования, оценки рисков его эксплуатации и прогнозирования его остаточного ресурса. Сложность разработки интеллектуальной информационно-аналитической системы управления жизненным циклом электросетевого оборудования заключается в первую очередь в максимально достоверном решении первой подзадачи - оценки функционального состояния оборудования, так как именно от нее зависит возможность решения всех последующих подзадач.
Задача оценки функционального состояния оборудования - задача не новая, более того, в рамках оценки функционального состояния отдельных единиц оборудования, таких как силовой трансформатор, уже решенная на хорошем уровне [1,7]. Но с точки зрения интегральной оценки состояния подстанции как единой системы, состоящей из большого числа сложных элементов, объединенных взаимосвязанными процессами передачи и распределения электроэнергии и оказывающими взаимное влияние на режимы ее работы и состояние ее элементов, единого решения пока не найдено.
Для решения задачи оценки интегральных параметров сложных систем в разработанной авторами системе используются методы искусственного интеллекта, которые в данном случае являются (сложно назвать методы искусственного интеллекта эвристическим инструментом поддержки принятия более точных и достоверных решений с
целью повышения эффективности прогнозирования, планирования и управления энергосистемой и ее элементами, а также средством выявления и систематизации факторов и критериев взаимного влияния параметров электросетевого оборудования, режимов его работы, структуры, состава, функционального состояния, формирования и накопления базы знаний об эффективных условиях функционирования и эксплуатации оборудования в виде формализованных экспертных знаний.
Структура системы
На Рис. 1 представлена структура информационно-аналитической системы управления жизненным циклом электросетевого оборудования. Разработанная система по сути является системой поддержки принятия решений в сложной информационной среде. Основная задача сводится к поиску оптимального решения по совокупности одновременно рассматриваемых критериев при учете большого объема данных различной природы.
Стоит отметить, что разработанная система относится к классу стратегических систем и является «советчиком», предоставляя уже обработанные данные, поэтому у такой системы в приоритете будет не уменьшение времени принятия решений, а повышение их точности. Структура системы принятия решений может быть представлена в виде семи отдельных подсистем:
- сбора данных, где определяются все доступные источники данных, порядок их поступления и необходимый объем хранилища для формирования базы данных на следующем этапе. Источниками данных могут быть протоколы диагностики и испытаний, системы диагностики и датчики, системы мониторинга, системы АИИС КУЭ и т. п;
- формирования данных, состоящая из двух последовательных этапов -предварительной обработки данных и формирования базы данных. Предварительный этап обработки данных необходим для масштабирования, нормирования данных, а также исключения выбросов, повторений и восстановления пропусков. На основе обработанной информации формируется база данных об объекте исследования;
- формирования знаний, которая выполняет функции хранения, взаимодействия различных моделей (анализа состояний, решений и рисков), проверки существующих знаний и выявления новых статистически достоверных знаний и причинно-следственных связей, которые отражают свойства данной системы. Знания в данном случае являются эмпирическими и выводными и формируются по принципу двух ее основных элементов: объектов и их атрибутов и представляет из себя отдельную подсистему со своими решающими правилами функционирования и архитектурой;
- обработки данных, состоящая из трех последовательных блоков -интеллектуального анализа состояния оборудования, интеллектуального анализа рисков (подразумеваются технологические и технические риски), интеллектуального анализа решений. Под интеллектуальным анализом понимается подсистема анализа данных на основе бустинга деревьев решений, позволяющего получить агрегированную дифференцированную оценку состояния объектов электрической сети, его рисков и возможных решений. В ходе интеллектуального анализа выполняется оценка состояния «от частного к общему» - по принципу иерархической декомпозиции. Например, интеллектуальный анализ состояния оборудования выполняется следующим образом:
- оценка состояния каждого из элементов подобъекта;
- оценка состояния подобъекта на базе оценки состояния совокупности его элементов;
- оценка состояния объекта на базе оценки состояния совокупности всех его подобъектов.
Сложность электросетевых объектов вынуждает разбивать объект на совокупность подобъектов, а их, в свою очередь, на совокупность элементов, так как в каждом подобъекте протекают различные взаимосвязанные процессы, что существенно затрудняет определение технического состояния электросетевого оборудования при решении задачи «в лоб». В свою очередь каждый из элементов совокупности характеризуется определенным набором данных. Аналогичным образом - согласно принципу декомпозиции реализуются оценка рисков и возможных решений.
После каждого этапа интеллектуального анализа (оценки состояния, рисков и возможных решений), выполняется анализ с целью выявления возможных
закономерностей, полезных знаний, зависимостей и факторов влияния, а также запись прецедентов по оценке состояния, рисков, решений и новых полезных знаний в подсистему формирования базы прецедентов. После чего в зависимости от типа базы знаний происходит дообучение или корректировка существующих моделей. Результат через подсистему вывода попадает на пользовательский интерфейс в виде ранжированных оценок состояния, рисков и возможных решений, но окончательный выбор альтернатив остается за лицом, принимающим решение.
Метод интеллектуального анализа данных
В разработанной системе в качестве базового алгоритма используются градиентный бустинг деревьев решений (Gradient Boosting Trees) [8], где дерево решений - это структура данных в виде древовидного графа, где в каждом узле осуществляется процесс принятия решений по заданным условиям, а градиентный бустинг является инструментом корректировки (повышения точности) обучения исходного решающего дерева, реализуемый по средствам пошагового построения новых деревьев относительно исходного по критерию минимизации ошибки на каждом последующем этапе. Другими словами - это множество последовательно уточняющих друг друга элементарных моделей, где n-ная элементарная модель обучается на "ошибках" множества из n-1 моделей, а ответы моделей взвешенно суммируются [9]. Метод Бустинга применяется в данной задаче с целью исключения главного недостатка деревьев решений - склонности к переобучению.
Главными преимуществами данного метода для решения представленной задачи являются: устойчивость алгоритма к выбросам, возможность анализа данных с пропущенными значениями, возможность работы с переменными различных типов, а также возможность его автоматического обучения. В рамках авторских исследований также были проанализированы и другие интеллектуальные алгоритмы анализа данных: нейронные сети, нейро-нечеткий логический вывод, генетические алгоритмы и т.д., в ходе которых было практическим образом доказана оптимальность применения градиентного бустинга деревьев решений.
Алгоритм градиентного бустинга над деревьями решений в данной системе реализован таким образом, что сначала инициализируется первый базовый алгоритм b0 и для n = 1,...,N последовательно:
- вычисляется вектор сдвига S, который показывает, как нужно скорректировать
прогнозы уже построенной композиции, чтобы уменьшить ошибку на обучающей
выборке:
sn =(-2(an-i(xi) - yi)v> -2(an-1(x/) - У/)) (1)
- строится базовый алгоритм bn путем приближения его ответов на обучающей
выборке к данным сдвига S,- :
1 / 2 J bN(x) = argmin - Xi) - Si) = £[x e % ] bNj (2)
b 1 i i jj
- после того, как алгоритм найден, он добавляется в композицию:
j
an (x) = an-1(x) + x e RNj ]bNj (3)
j=1
Затем выполняются предыдущие три шага до тех пор, пока не будет выполнен критерий останова.
В результате, на выходе алгоритм представляет собой кусочно-постоянную функцию, описывающую зависимость состояния Y (или дефекта в зависимости от типа и вида анализируемых данных) от различных параметров функционирования оборудования множества Xn.
Для анализа ошибки тестирования использовались средняя ошибка Q в процентах алгоритма a на выборке X1, которая рассчитывается по формуле:
1 /
Q(a, X1) = - a (x) ф y * (x) | -100% (4)
1 i=1
где |а(х) Ф у *(х)| - индикатор ошибки; у *(х) - целевая зависимость; 1 - число наблюдений.
В системе разработан алгоритм оценки технического состояния электрооборудования, рисков и возможных решений для подстанций (ПС) напряжением 35-220 кВ. Задача оценки состояния ПС разбивается на ряд отдельных задач по оценке состояния каждого отдельного вида электросетевого оборудования данной ПС. В свою очередь оценка состояния каждого отдельного вида электросетевого оборудования разбивается на ряд подзадач по оценке состояния его основных элементов.
Таким образом, оценки состояния, рисков и возможных решений, формируемые в ходе решения отдельных подзадач, составляют показатели более высокого уровня обобщения, которые в свою очередь служат базой для задач следующего уровня иерархии, в ходе которой для решения каждой из подзадач реализуется свой градиентный бустинг деревьев решений.
Интегральная оценка технического состояния ПС 35-220 кВ выполняется по совокупности оценок состояния простых объектов (подобъектов), таких как: силовой трансформатор; линии элетропередачи (воздушные и кабельные линии); трансформатор собственных нужд; реакторы; система релейной защиты и автоматики (РЗИА);
выключатель; разъединитель; секции шин; измерительные трансформаторы (тока и напряжения); ограничители перенапряжения и пр. Таким образом, математически оценку состояния ПС (SS ) можно представить в следующем виде.
SS = TR и OHL и CL и TSN и R и BUS и TA и TV (5)
где TR - множество оценок состояния (ОС) силовых трансформаторов; OHL - множество ОС воздушных линий электропередачи; CL - множество ОС кабельных линий электропередачи; TSN - множество ОС трансформаторов собственных нужд; R - множество ОС реакторов; Q - множество ОС выключателей; QR - множество ОС разъединителей; BUS - множество ОС систем сборных шин; TA - множество ОС измерительных трансформаторов тока; TV - множество ОС измерительных трансформаторов напряжения и т. д.
Для каждого простого объекта (подобъекта) производится оценка состояния по совокупности оценок состояния его элементов. Например, для силового выключателя это: контактная система; дугогасительная камера; привод; корпус; вводы; внутренняя изоляция; блок управления.
Математически оценку состояния простого объекта силовой выключатель ( Q ) можно представить в следующем виде:
Q = CS и DK и M uT и B и11 и CB (6)
где CS - ОС контактной системы; DK - ОС дугогасительной камеры; M - ОС привода; T - ОС корпуса; B - множество ОС вводов; II - ОС внутренней изоляции; CB - ОС блока управления и т. д.
Обобщенная оценка технического состояния оборудования рассчитывается на основе средневзвешенной балльной оценки. Для учета интенсивности проявления тех или иных свойств объектов электрической сети предложено использование шкалы Саати |0;1;Э;5;7} .
Балл 0 соответствует отсутствию какой-либо значимости характеристики объекта исследования, 1 - очень слабой значимости, 3 - слабой значимости, 5 - более или менее существенной значимости, 7 - сильной значимости оценки. Пример реализации обобщенной оценки технического состояния трансформаторов 110 кВ с использованием шкалы Саати представлен авторами в [10].
Несмотря на разветвленную иерархию внутри каждого вида электросетевого оборудования на ПС необходимость создавать отдельные структуры для каждого типа или марки оборудования в отдельности отсутствует. Достаточно выделить внутри каждого вида несколько базовых типов оборудования, принципиально отличающихся друг от друга по конструкции, и далее на основании решающего правила определять принадлежность оборудования к разработанным типам (моделям) при «входе» в систему оценки состояния.
Так как разработанная информационно-аналитическая система относится к классу самообучаемых и самонастраиваемых систем, в случае существенных отличий «входного» типа оборудования от базовых она самостоятельно формирует новую базу знаний Глубина детализации разработанной системы выполнена до уровня, когда для каждого элемента могут быть определены зависимости его выходных показателей от входных параметров, существенных с точки зрения работоспособности или неработоспособности оборудования.
Расчетный пример
Разработанная система не просто анализирует данные по последним измеренным значениям, а благодаря, в том числе использованию градиентного бустинга над деревьями решений, позволяет анализировать множество всех имеющихся значений параметров с учетом как текущего, так и ретроспективных состояний рассматриваемой единицы оборудования, с целью повышения качества прогнозирования и формирования библиотеки дефектов для каждого вида и типа оборудования.
Обучающая выборка
Во всех системах, в которых используются методы искусственного интеллекта с обучением, одной из основных задач является разработка исходной обучающей выборки, так как от качества, полноты, достоверности и информативности обучающей выборки зависит эффективность работы интеллектуального алгоритма. В представленной системе
интеллектуального управления жизненным циклом электросетевого оборудования были разработаны исходные обучающие выборки для каждого типа данных в задачах оценки состояния каждого вида оборудования.
В ходе исследований были выявлены оптимальные обучающие выборки с минимальным требующимся набором обучающих данных в виде ретроспективных параметров состояния масляных трансформаторов 110 кВ сопоставимой мощности и однотипной конструкции для максимально возможной точности идентификации. В среднем соотношение в выборке составляет 15%/85%, где 15% соответствует - бездефектному состоянию, а 85% - состояниям с различными дефектами. В табл. 1 представлены основные количественные характеристики выборок и точность идентификации состояния на их основе.
Также были выявлены ошибки первого («ложный дефект») и второго («пропуск дефекта») рода. Ошибка первого рода приводит к дополнительным предупредительным работам, а ошибка второго рода влечет за собой затраты, включающие аварийный ремонт, износ оборудования и др.
Апробация разработанной системы
В данной статье представлены результаты тестирования разработанной модели системы интеллектуального управления жизненным циклом электросетевого оборудования на примере оценки технического состояния силовых масляных трансформаторов напряжением 110 кВ крупного энергоузла региональной электросетевой компании. В расчетном примере в качестве входных выбраны все доступные данные, включая условно-стационарные: паспортные данные и условно-переменные: данные диагностирования, испытаний, ремонтов анализируемых объектов, кратко перечисленных в табл 1.
Эффективность предложенной модели была подтверждена расчетами, выполненными в программной среде Jupyter на языке Python с использованием библиотеки xgboost. Результаты расчетов также представлены в табл. 1
Таблица 1
Результаты оценки технического состояния оборудования
Ретроспектива Средняя ошибка обуч. % Сред няя ошибка тест. на шаге Х+1, % Число ошибок первого/ второго рода, на шаге Х+1 шт. Сред няя ошибка тест. на шаге Х+2, % Сред няя ошиб ка тест. на шаге Х+3, % Сред няя ошиб ка тест. на шаге Х+4, %
Тип данных Число пар в обуч. выборке, шт. Число пар в тест. выборк е, шт.
Трансформатор
Год выпуска, год установки, номин. параметры, год последнего кап. ремонта, тип масла, объем масла, омическое сопротивление 411 407 5,3 11,8 36/12 14,0 16,9 19,3
ХАРГ из бака 562 541 2,1 7,3 32/7 8,3 9,5 11,4
ФХМА из бака 382 376 2,8 8,3 21/11 9,7 11,3 13,5
Потери холостого хода 367 341 5,1 11,5 24/15 13,9 16,7 19,0
Сопротивление изоляции 379 331 3,4 9,2 22/8 10,6 12,5 14,8
ХАРГ из РПН 342 350 3,1 8,1 23/5 9,5 11,2 13,3
ХАРГ из ввода 478 432 2,5 7,8 26/8 9,0 10,5 12,1
Тепловизионны й контроль 361 367 4,8 10,2 24/14 11,4 13,1 15,2
После оценки технического состояния по каждой из единиц оборудования в рамках данной апробации на всей тестирующей выборке была выполнена ранжированная оценка рисков, согласно методики, разработанной авторами данного исследования, подробно описанной в [11]. после чего на базе разработанной системы оценки возможных эксплуатационных решений, также разработанной авторами и подробно описанной в [11], были сформированы ранжированные варианты возможных решений.
Система оценки рисков разработанная авторами данной работы основана на вероятностном подходе с использованием методом искусственного интеллекта. В данной методике делается допущение, что при независимо от типа распределения отказов каждого элемента электросетевого оборудования, распределение отказов объекта будет Вейбулловским. Такой подход - о независимости накопления повреждений, используется для того, что идентифицировать самое «узкое место», и уже потом от обратного на основе методов Data mining and Knowledge Discovery in Databases (KDD) выявить неявные зависимости и степени влияния состояния различных элементов оборудования друг на друга и на состояние объекта в целом.
С целью разработки дифференцированного подхода к оценке риска с учетом ожидаемого ущерба разработана система правил, устанавливающих связь между риском, ущербом и устранением уязвимости электросетевого оборудования. В соответствии с разработанным подходом риск определяется универсальным нечетким множеством R{r1,r2,...,rN}, где N - количество состояний риска, в соответствие которым устанавливается устанавливаются их лингвистические характеристики {«Очень низкий»; «Низкий»; «Средний»; «Высокий»; «Критический»}, представляемые функциями принадлежности и нечеткими правилами продукции, подробно описанными в [11].
Обобщенная оценка рисков рассчитывается на основе средневзвешенной балльной оценки по результатам плотности распределения риска, полученной с помощью функции Вейбулла. Распределение Вейбулла описывается следующим образом:
f(x) = а x X x q"x V^" (7)
Тогда распределение вероятности риска определяется как:
f (r) = "qXq"Ar"c-1 f q"q"ac- exp \ -Xqq"q - Xc
f \ r
>dq (8)
чч J
Для учета интенсивности проявления рисков также предложено использование шкалы Саати {0/1/3/5/7}. Именно на основе обобщенной оценки рисков формируются
уточненные ранжированные решения по дальнейшей эсплуатации оборудования с учетом анализа рисков оценки технического состояния, что в свою очередь позволяет формировать различные стратегии обслуживания оборудования в зависимости от различных прогнозов износа оборудования: от оптимистичного до пессиимистичного.
На Рис. 2 представлен блок схема примера реализации в разработанной системе подсистемы оценки рисков на базе оценки технического состояния оборудования на примере оценки состояния трансформатора ТДТН-110/35/10 кВ (подробные данные представлены в [11]) на основе методов искусственного интеллекта.
Рис. 2. Структура разработанной информационно-аналитической системы
В результате тестирования разработанной системы на примере анализа функционального состояния электросетевого оборудования района электрических сетей региональной энергосистемы в период с 2005 по 2017 гг. как представлено в табл. 1 средняя ошибка тестирования на шаге Х+1 составляет 9% (точность идентификации 91%) - для трансформаторов. Анализ ошибок первого и второго рода подтверждает корректность представленной модели, где в общем числе преобладают ошибки первого рода, что уменьшает риск пропуска дефекта оборудования.
Прогнозные результаты оценки технического состояния на шаге Х+2, Х+3 и Х+4 в среднем имеют погрешность идентификации до 18% - для трансформатора. Полученные значения также можно считать допустимыми в связи со сложностью в целом задачи прогнозирования дальнейшей эксплуатации, остаточного ресурса работоспособности и перехода оборудования в предельное состояние без учета и мониторинга условий эксплуатации оборудования.
Использование многопараметрического подхода к оценки технического состояния оборудования и комплексной оценки его технического состояния позволяет избежать ошибочных заключений о его состоянии. Из практики известно, что величина большинства контролируемых параметров зависит не только от внешних условий при измерении (температура, давление и другие), но и от процессов, происходящих в самом объекте (термическое, электрическое старение), причем эта зависимость не всегда бывает однозначной.
Выводы
Разработанная модель может быть использована в качестве самостоятельного инструмента - модели автоматизированной системы интегральной оценки электросетевого оборудования или может являться отдельным модулем (подсистемой) для современных корпоративных систем управления производственными активами (ERP - enterprise resource planning или «планирование ресурсов предприятия») электроэнергетических компаний. Разработанные новые подходы к управлению электросетевым оборудованием с учетом связности электроэнергетической системы и ее элементов на основе методов искусственного интеллекта позволяют использовать представленную систему в качестве комплексного информационно-аналитического аппарата отраслевого масштаба, для получения скрытых закономерностей в статистических данных, с помощью которого можно не только оптимизировать оперативно-технологическое управление оборудованием, но и на его базе - решать задачи формирования и регулирования инвестиционных программ
энергетических предприятий, энерго- и ресурсосбережения, и совершенствовать тарифную политику в области электроэнергетики, на основе надежного энергоснабжения в условиях меняющихся внешних факторов, тем самым обеспечивая социально-экономическое развитие регионов.
Алгоритм градиентного бустинга на решающих деревьях используется в данном случае как инструмент для идентификации неявных зависимостей, связей и выявления новых знаний в анализируемых данных c целью:
- реализации возможности идентификации и прогнозирования постепенных отказов и развивающихся дефектов, связанных с временными изменениями параметров, в связи с протеканием в оборудовании разнородных физических (электрических, тепловых, механических, химических и т.д.) процессов, на основе выявления параметрической чувствительности для каждого вида оборудования на подстанции;
- перехода к обслуживанию по фактическому состоянию на основе идентификации дефектов оборудования не в соответствии с граничными значениями регламентированными нормативной документацией, а по фактическим значениям параметров при учете индивидуальных условий и режимов эксплуатации оборудования и его уникальных характеристик;
Литература
1. Давиденко И.В. Разработка системы многоаспектной оценки технического состояния и обслуживания высоковольтного маслонаполненного электрооборудования : спец. 05.14.12 : автореф. дис. ... канд. Техн. Наук:Урал. гос. техн. ун-т УПИ им. Первого Президента России Б.Н. Ельцина. Екатеринбург, 2009.46 с.
2. Scatiggio F., Fraioli A., Iuliani V., et al. Health Index: the TERNA's Practical Approach for Transformers Fleet Management // CIGRE 2014 Session. Paris, 2014.
3. Picher P., Boudreau J.-F., Manga A., et al. Use of Health Index and Reliability Data for Transformer Condition Assessment and Fleet Ranking // CIGRE 2014 Session. Paris, 2014.
4. Balzer G., Schorn C. Asset Management for Infrastructure Systems: Energy and Water. // Springer International Publishing Switzerland. 2015.
5. Asset Management Plan / Aurora Energy Ltd. Available at:URL: http://www.auroraenergy.co.nz/assets/Disclosures/AMP-2016/Aurora-Asset-Management-Plan. Accessed to:2016-26-FINAL.pdf.
6. Strategic asset management of power networks / International Electrotechnical Commission // IEC. - Geneva, 2015.
7. Компания Димрус : офиц. сайт. Доступно по: URL: https://dimrus.com/index_e.html /.Ссылка активна на 16 января 2020.
8. Friedman J. H. Greedy function approximation: a gradient boosting machine // Annals of statistics. 2001. pp. 1189-1232.
9. Ke G., Meng Q. T., et al. LightGBM: A Highly Efficient Gradient Boosting Decision Tree // In Advances in Neural Information Processing Systems (NIPS). 2017. pp. 3149-3157.
10. Khalyasmaa A.I, Dmitriev S.A. Expert system for engineering assets' management of utility companies // Proceedings 10th edition of the IEEE International Symposium on Diagnostics for Electric Machines, Power Electronics and Drives (SDEMPED 2015). 2015. pp. 421-427.
11. Khalyasmaa A.I., Valiev R.T., Bolgov V.A. The methodology of risk evaluation for power equipment technical state assessment // Proceedings of the 15th International Conference on Electrical Machines, Drives and Power Systems (ELMA). 2017. pp. 493-496.
Авторы публикации
Хальясмаа Александра Ильмаровна - канд. техн. наук, доцент, доцент кафедры «Автоматизированные электрические системы», Уральский энергетический институт имени первого Президента России Б.Н. Ельцина»
References
1. Davidenko IV. Development of a multidimensional assessment of the technical condition and maintenance of oil-filled high-voltage electrical equipment : Abstract of Dr. Sci. (Tech.) dissertation:Ural State Technical University. - Ekaterinburg, Russia, 2009. 46 p.
2. Scatiggio F, Fraioli A, Iuliani V, et al. Health Index: the TERNA's Practical Approach for Transformers Fleet Management. CIGRE 2014 Session. Paris, 2014.
3. Picher P, Boudreau J.-F, Manga A, et al. Use of Health Index and Reliability Data for Transformer Condition Assessment and Fleet Ranking. CIGRE 2014 Session. Paris, 2014.
4. Balzer G, Schorn C. Asset Management for Infrastructure Systems: Energy and Water. doi 10.1007/978-3-319-17879-0. Springer International Publishing Switzerland. 2015.
5.Asset Management Plan / Aurora Energy Ltd. Available at URL: http://www.auroraenergy.co.nz/assets/Disclosures/AMP-2016/Aurora-Asset-Management-Plan- Accessed to:2016-26-FINAL.pdf.
6. Strategic asset management of power networks. International Electrotechnical Commission. IEC. Geneva, 2015.
7. Dimrus: Dimrus: Power Diagnostics Solutions. Available at URL: https:// dimrus.com/index_e.html /. Accessed to: 16 Jan 2020.
8. Friedman JH. Greedy function approximation: a gradient boosting machine // Annals of statistics. 2001. pp. 1189-1232.
9. Ke G, Meng Q, Finley T, et al. Light GBM: A Highly Efficient Gradient Boosting Decision Tree. In Advances in Neural Information Processing Systems (NIPS). 2017. pp. 3149-3157.
10. Khalyasmaa AI , Dmitriev SA. Expert system for engineering assets' management of utility companies. Proceedings 10th edition of the IEEE International Symposium on Diagnostics for Electric Machines, Power Electronics and Drives (SDEMPED 2015). 2015. pp. 421-427.
11. Khalyasmaa AI, Valiev RT, Bolgov VA. The methodology of risk evaluation for power equipment technical state assessment. Proceedings of the 15th International Conference on Electrical Machines, Drives and Power Systems (ELMA). 2017. pp. 493-496.
Authors of the publication
Alexandra I. Khalyasmaa - Ural Federal University named after the first President of Russia B. N. Yeltsin Ekaterinburg, Russia. Email: lkhalyasmaa@mail.ru.
Поступила в редакцию 24 января 2020г.
