probenerИзвестия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИPower engineering: research, equipment, technology1998-99032658-5456Kazan State Power Engineering University10.30724/1998-9903-2019-21-6-11-18probener-1255Research ArticleЭНЕРГЕТИКАPOWER ENGINEERINGБайесовский классификатор как средство повышения эффективности распознавания дефектов в силовых трансформаторахBayesian classifier is the tool of increasing the efficiency of defects recognition in power transformersЯхьяА. А.YahyaА. A.

Яхья Аммар Абдулазиз – аспирант кафедры Автоматизированных электроэнергетических систем

г. Новосибирск

Ammar A. Yahya

Novosibirsk

https://orcid.org/0000-0002-0880-3989ЛевинВ. М.LevinV. M.

Левин Владимир Михайлович – д-р техн. наук, доцент, заведующий кафедрой Автоматизированных электроэнергетических систем

г. Новосибирск

Vladimir M. Levin

Novosibirsk

vlevin@corp.nstu.ruНовосибирский государственный технический университетРоссияNovosibirsk State Technical UniversityRussian Federation2019210420202161118Copyright © Яхья А.А., Левин В.М., 20202020Яхья А.А., Левин В.М.Yahya А.A., Levin V.M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.energyret.ru/jour/article/view/1255

В статье рассмотрен метод формирования статистического Байесовского классификатора применительно к задачам эксплуатационной диагностики и оперативной оценки технического состояния трансформаторного оборудования. Предложено использование классификатора в качестве регулярного средства для повышения достоверности распознавания дефектов в силовых маслонаполненных трансформаторах по результатам анализа растворенных в масле газов. Разработан стохастический подход к формированию классификатора в условиях линейно реализуемой дихотомии классов технического состояния. В качестве разграничительного признака применена нелинейная функция от первичных контролируемых параметров состояния. Этим одновременно достигается как снижение размерности признакового пространства, так и улучшение характеристик случайного распределения. Предложенный подход позволяет сформировать решающее правило, минимизирующее суммарную ошибку принятия решений не зависимо от воздействия на объект случайных эксплуатационных факторов. Получены результаты исследования стохастических свойств распределений разграничительного признака для каждого из выделенных классов состояний. Разработан алгоритм, предназначенный для выполнения статистических вычислений и процедуры распознавания текущего состояния трансформатора с применением сформированного решающего правила. Представленные результаты исследования иллюстрируют возможность практического применения разработанного подхода в условиях реальной эксплуатации силовых трансформаторов.

The article considers the method of forming a statistical Bayesian classifier in relation to the problems of operational diagnostics and rapid evaluation of the technical condition of transformer equipment. It is proposed to use the classifier as a regular means to improve the reliability of defect recognition in power oil-filled transformers based on the analysis of dissolved gases in oil. A stochastic approach to the formation of the classifier in a conditions linearly realized dichotomy of technical status classes is developed. As a distinguishing feature, a nonlinear function of the primary parameters of state is used. This simultaneously achieves both a reduction in the dimension of the feature space and an improvement in the characteristics of the random distribution. The proposed approach allows to form a decisive rule that minimizes the total error of decision-making regardless of the impact on the object of random operational factors. The results of the study of stochastic properties of the distributions of the distinguishing feature for each of the selected classes of states are obtained. The algorithm to perform statistical calculations and procedures for recognizing the current state of the transformer using the generated decision rule is designed. The results of the study illustrate the possibility of practical application of the developed approach in the real exploitation of power transformers.

силовой трансформатордостоверность распознавания дефектовБайесовский классификаторрешающее правилостатистические вычисленияpower transformeraccuracy of defect recognitionBayesian classifierdecision rulestatistical calculationsReferencesЖелезнов Ф.Д., Акулов В.А., Плотников Ю.И. и др. Методы и средства повышения достоверности ультрафиолетовой диагностики изоляции контактной сети. Доступно по: www.panatest.ru/static?al=ultrafioletovaja-diagnostika-izoljacii-contaktnoj-seti. Ссылка активна 28 августа 2019.Zheleznov FD, Akulov VA, Plotnikov YuI et al. Metody i sredstva povysheniya dostovernosti ul'trafioletovoi diagnostiki izolyatsii kontaktnoi seti. Available at: www.panatest.ru/static?al=ultrafioletovaja-diagnostika-izoljacii-contaktnoj-seti. Accessed to: 28 Aug 2019.Чернопазов М.С., Миронов И.С., Постаногов С.А., и др. Повышение достоверности оценки измеряемых параметров технического состояния. 2015. №3. С. 24-29.Chernopazov MS, Mironov IS, Postanogov SA, et al. Povyshenie dostovernosti otsenki izmeryaemykh parametrov tekhnicheskogo sostoyaniya. 2015;3:24-29.Кузнецова М.И., Китаев С.В. Повышение достоверности диагностирования технического состояния газотурбинных установок // Транспорт и хранение нефтепродуктов и углеводородного сырья. 2014. №3. С. 25-28.Kuznetsova MI, Kitaev SV. Povyshenie dostovernosti diagnostirovaniya tekhnicheskogo sostoyaniya gazoturbinnykh ustanovok. Transport i khranenie nefteproduktov i uglevodorodnogo syr'ya. 2014;3:25-28.Агарков С.А., Власов А.Б., Юдин Ю.И. Система тепловизионной диагностики электро и теплоэнергетического оборудования на судах и объектах береговой инфраструктуры // Вестник Астраханского государственного технического университета. Серия: Морская техника и технология. 2016. №3. С. 66-74.Agarkov SA, Vlasov AB, Yudin YuI. Sistema teplovizionnoi diagnostiki elektro- i teploenergeticheskogo oborudovaniya na sudakh i ob"ektakh beregovoi infrastruktury . Vestnik Astrakhanskogo gosudarstvennogo tekhnicheskogo universiteta. Seriya: Morskaya tekhnika i tekhnologiya. 2016;3:66-74.Биргер И.А. Техническая диагностика. М.: Машиностроение, 1978. 240 с.Birger IA. Tekhnicheskaya diagnostika. M.: Mashinostroenie, 1978. P. 240.Catterson V. M. and Rudd, S. E. and McArthur, S. D. J. and Moss, G. (2009). On-line transformer condition monitoring through diagnostics and anomaly detection. In: IEEE International Conference on Intelligent Systems Application to Power Systems 2009 (ISAP 2009), 8-12 Nov 2009, Curitiba, Brazil.Catterson VM and Rudd, SE and McArthur, et al. On-line transformer condition monitoring through diagnostics and anomaly detection. In: IEEE International Conference on Intelligent Systems Application to Power Systems 2009 (ISAP 2009), 8-12 Nov 2009, Curitiba, Brazil.Dončuk J., Mentlik V., Velek J. Condition assessment of power transformer using gas detection methods. Доступно по: http://pe.org.pl/articles/2013/1a/42.pdf. Ссылка активна на 28 августа 2019.Dončuk J, Mentlik V, Velek J. Condition assessment of power transformer using gas detection methods. Available at: http://pe.org.pl/articles/2013/1a/42.pdf. Accessed: 28 Aug 2019.Mirowski P., LeCun Ya. Statistical Machine Learning and Dissolved Gas Analysis: A Review // IEEE Transactions on Power Delivery. 2012. V. 27. Is. 4. pp. 1791-1799.Mirowski P, LeCun Ya. Statistical Machine Learning and Dissolved Gas Analysis: A Review. IEEE Transactions on Power Delivery. 2012;27(4):1791-1799.Wang L., Zhao X., Pei J., et. al. Transformer fault diagnosis using continuous sparse auto encoder Springer Plus. 2016.V.5. P.448.Wang L, Zhao X, Pei , et al. Transformer fault diagnosis using continuous sparse auto encoder Springer Plus (2016) 5: 448. Published online 2016. doi: 10.1186/s40064-016-2107-7.Давиденко И.В., Комаров В.И. Применение методов математической статистики для получения критериев оценки состояния силовых трансформаторов по результатам хроматографического анализа растворенных в масле газов // ЭЛЕКТРО. Электротехника, электроэнергетика, электротехническая промышленность. 2003. №1. С. 37-41.Davidenko IV, Komarov VI. Primenenie metodov matematicheskoi statistiki dlya polucheniya kriteriev otsenki sostoyaniya silovykh transformatorov po rezul'tatam khromatograficheskogo analiza rastvorennykh v masle gazov. Elektrotekhnika, elektroenergetika, elektrotekhnicheskaya promyshlennost'. 2003;1:37-41.Коваленко Д.А., Завидей В.И., Печенкин В.И. Применение корреляционного анализа при активно-тепловой диагностике внутреннего состояния силовых трансформаторов // В мире научных публикаций. 2015. № 2 (62). С. 449-464.Kovalenko DA, Zavidei VI, Pechenkin VI. Primenenie korrelyatsionnogo analiza pri aktivno-teplovoi diagnostike vnutrennego sostoyaniya silovykh transformatorov. V mire nauchnykh publikatsii. 2015; 2 (62): 449-464. doi: 10.12731/wsd-2015-2-26.Захаров А.В. Корреляционные характеристики диагностических параметров газов, растворенных в масле, при нормальном режиме работы трансформатора // НРЭ. 2002. № 1. С. 36-40.Zakharov AV. Korrelyatsionnye kharakteristiki diagnosticheskikh parametrov gazov, rastvorennykh v masle, pri normal'nom rezhime raboty transformatora . NRE. 2002;1:36-40.Айвазян С.А., Бухштабер В.М., Енюков И.С., и др. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989. 607 с.Aivazyan SA, Bukhshtaber VM, Enyukov IS, et. al. Prikladnaya statistika. Klassifikatsiya i snizhenie razmernosti. Moskva: Finansy i statistika, 1989. P. 607 .Левин В.М., Яхья А.А. Адаптивное управление техническим состоянием силовых трансформаторов // Новое в российской электроэнергетике. 2018. № 11. С. 81-89.Levin VM, Yakh'ya AA. Adaptivnoe upravlenie tekhnicheskim sostoyaniem silovykh transformatorov. Novoe v rossiiskoi elektroenergetike. 2018;11:81-89.Puza B. Bayesian methods for statistical analysis // Australian National University, VIEW. 2015; 677 p.Puza B. Bayesian methods for statistical analysis: Australian National University, VIEW. 2015; 677 p.Юдин С.В., Протасьев В.Б., Подкопаев Р.Ю и др. Методика статистического приемочного контроля на основе байесовского подхода (гипергеометрическое распределение) // Современные наукоемкие технологии. 2018. № 10. С. 161-165.Yudin SV, Protas'ev VB, Podkopaev RYu, et. al. Metodika statisticheskogo priemochnogo kontrolya na osnove baiesovskogo podkhoda (gipergeometricheskoe raspredelenie). Sovremennye naukoemkie tekhnologii. 2018;10:161-165.

The authors declare that there are no conflicts of interest present.