Preview

Известия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИ

Расширенный поиск

Байесовский классификатор как средство повышения эффективности распознавания дефектов в силовых трансформаторах

https://doi.org/10.30724/1998-9903-2019-21-6-11-18

Полный текст:

Аннотация

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.

Об авторах

А. А. Яхья
Новосибирский государственный технический университет
Россия

Яхья Аммар Абдулазиз – аспирант кафедры Автоматизированных электроэнергетических систем

г. Новосибирск



В. М. Левин
Новосибирский государственный технический университет
Россия

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

г. Новосибирск



Список литературы

1. Железнов 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.

2. Чернопазов М.С., Миронов И.С., Постаногов С.А., и др. Повышение достоверности оценки измеряемых параметров технического состояния. 2015. №3. С. 24-29.

3. 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.

4. 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.

5. Биргер И.А. Техническая диагностика. М.: Машиностроение, 1978. 240 с.

6. 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.

7. 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.

8. 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.

9. Wang L., Zhao X., Pei J., et. al. Transformer fault diagnosis using continuous sparse auto encoder Springer Plus. 2016.V.5. P.448.

10. 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.

11. 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.

12. Захаров А.В. Корреляционные характеристики диагностических параметров газов, растворенных в масле, при нормальном режиме работы трансформатора // НРЭ. 2002. № 1. С. 36-40.

13. Айвазян С.А., Бухштабер В.М., Енюков И.С., и др. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989. 607 с.

14. Левин В.М., Яхья А.А. Адаптивное управление техническим состоянием силовых трансформаторов // Новое в российской электроэнергетике. 2018. № 11. С. 81-89.

15. Puza B. Bayesian methods for statistical analysis // Australian National University, VIEW. 2015; 677 p.

16. 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.


Для цитирования:


Яхья А.А., Левин В.М. Байесовский классификатор как средство повышения эффективности распознавания дефектов в силовых трансформаторах. Известия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИ. 2019;21(6):11-18. https://doi.org/10.30724/1998-9903-2019-21-6-11-18

For citation:


Yahya А.A., Levin V.M. Bayesian classifier is the tool of increasing the efficiency of defects recognition in power transformers. Power engineering: research, equipment, technology. 2019;21(6):11-18. (In Russ.) https://doi.org/10.30724/1998-9903-2019-21-6-11-18

Просмотров: 100


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1998-9903 (Print)
ISSN 2658-5456 (Online)