Система оценки и прогнозирования технического состояния силового маслонаполненного трансформаторного оборудования распределительных сетей с применением машинного обучения
https://doi.org/10.30724/1998-9903-2024-26-2-32-45
Аннотация
АКТУАЛЬНОСТЬ исследования заключается в разработке новой системы оценки технического состояния силового маслонаполненного трансформаторного оборудования распределительных сетей.
ЦЕЛЬ. Повысить точность оценки технического состояния силового маслонаполненного трансформаторного оборудования (СМТО) распределительных сетей за счет применения методов машинного обучения. В настоящее время увеличение объема анализируемой информации о состоянии СМТО распределительных сетей ведет к существенным изменениям при выборе методов обработки данных. Использование методов машинного обучения связано как с необходимостью применения эксплуатационного опыта (в виде экспертных оценок), так и получения объективных оценок состояния трансформаторного оборудования распределительных сетей из контрольно-измерительных приборов (КИП) и датчиков.
МЕТОДЫ. В данной работе используются такие методы исследования как математическое моделирование, метод парных сравнений. В качестве примера рассматривается силовой маслонаполненный трансформатор ТМН-6300, его диагностические параметры, внешние и режимные параметры. Проводится оценка технического состояния трансформатора ТМН-6300 и создается прогнозная модель на базе существующей системы мониторинга, методов машинного обучения, которые позволяют формализовать экспертные знания и автоматизировать процесс обработки и анализа данных.
РЕЗУЛЬТАТЫ. Для оценки и прогнозирования технического состояния СМТО распределительных сетей сформирована база данных. Алгоритм прогнозирования технического состояния СМТО в виде модели искусственной нейронной сети был апробирован в разработанной системе оценки.
ЗАКЛЮЧЕНИЕ. Полученные в данной работе результаты оценки и прогнозирования технического состояния СМТО распределительных сетей доказывают безусловную взаимосвязь между параметрами СМТО и внешними, режимными параметрами. Данные, получаемые в результате моделирования, помогают повысить точность прогнозирования технического состояния и определить долгосрочные перспективы функционирования СМТО, своевременное проведение технического обслуживания и ремонта в горизонте по годам и месяцам.
Об авторах
А. Р. ГаляутдиноваРоссия
Галяутдинова Алсу Ренатовна – аспирант, преподаватель кафедры «Электроснабжение промышленных предприятий» (ЭПП)
г. Казань
И. В. Ившин
Россия
Ившин Игорь Владимирович – докт. техн. наук, профессор, проректор по науке и коммерциализации, профессор кафедры «Электроснабжение промышленных предприятий» (ЭПП)
г. Казань
С. А. Соловьев
Россия
Соловьев Сергей Анатольевич – канд. физ.-мат. наук, доцент, заведующий кафедрой «Информационные технологии и интеллектуальные системы» (ИТИС)
г. Казань
Список литературы
1. Galyautdinova A., Ivshin I., Vladimirov O., et al. Software and algorithmic support for online assessment of transformer substation technical condition 35/6(10) kV. REEPE 2023: Proceedings of the 5th International Youth Conference on Radio Electronics, Electrical and Power Engineering; 16-18 March 2023; Moscow, Russian Federation. Moscow: IEEE; 2023. pp. 28-40.
2. Указ Президента Российской Федерации от 01.12.2016 №642 «О Стратегии научнотехнологического развития Российской Федерации».
3. Галяутдинова А.Р., Ившин И.В. Анализ параметров силового маслонаполненного трансформатора распределительных сетей для оценки его технического состояния // Материалы V Всероссийской научно-практической (с международным участием) конференции, посвященной празднованию 55-летия КГЭУ. В 2-х томах, Казань, 11–12 октября 2023 года. Казань: Казанский государственный энергетический университет, 2023. – С. 234-238.
4. Khalyasmaa A., Matrenin P., Eroshenko S. Averaged errors as a risk factor for intelligent forecasting systems operation in the power industry. Smart Energy. USSEC 2021: Proceedings of the 2021 Ural-Siberian Smart Energy Conference, USSEC 2021. 13–15 November 2021; Novosibirsk, 2021. pp. 192-196. doi 10.1109/USSEC53120.2021.9655742.
5. Хальясмаа А.И., Ревенков И.С., Сидорова А.В. Применение технологии цифрового двойника для анализа и прогнозирования состояния трансформаторного оборудования // Вестник Казанского государственного энергетического университета. 2022. Т. 14, № 3(55). С. 99-113.
6. Byerly J., Schneider C., Schloss R. et al. Real-time circuit breaker health diagnostics. CPRE 2017: Proceedings of the 70th Annual Conference for Protective Relay Engineers, CPRE 2017. pp. 1-6.
7. Ившин И.В., Галяутдинова А.Р., Владимиров О.В. и др. Методика онлайн оценки технического состояния трансформаторной подстанции 35/6(10) кВ по коэффициенту экспрессанализа // Известия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИ. 2021. Т. 23, № 4. С. 14-26.
8. Vladimirov O., Galyautdinova A., Ivshin I., et al. Equipment and data transmission system for express analysis of the technical condition of the main equipment of the 35/6(10)kV transformer substation. Efficient Production and Processing. 2021: Proceedings of ICEPP 2021, 18-20 February2021; Kazan: ICEPP 2021. pp. 577-583.
9. Приказ Министерства энергетики Российской Федерации от 26.07.2017 № 676 «Об утверждении методики оценки технического состояния основного технологического оборудования и линий электропередачи электрических станций и электрических сетей».
10. www.edu.tltsu.ru Метод парных сравнений (Метод Саати).
11. Khruslov L., Rostovikov M., Shishov V. Web-based power quality monitoring system of smart transformer substation RTP-34 MPEI for engineering education. INFORNO-2016: Proceedings of the International Scientific and Practical Conference, INFORNO-2016. pp. 639-642.
12. Никулин С.А., Карнавский Е.Л. Оптимизация режимов установок электрохимической защиты // Системы управления и информационные технологии. 2014. № 3 (57). С. 64–68.
13. Li Z., Yang J., Zhang Z. et al. Real Time Evaluation Algorithm for Measurement Performance of Substation Voltage Transformer Based on Artificial Neural Network. Proceedings of the 2nd IEEE Conference on Energy Internet and Energy System Integration (EI2), 2018. pp.1-4.
14. Gao Q., Zhong C., Wang Y., Wang P., Yu Z., Zhang J. Defect analysis of the same batch of substation equipment based on big data analysis algorithm. Proceeding of the 3rd International Conference on Green Energy and Sustainable Development. 2021. V.651. pp. 1-8.
15. Eroshenko S., Khalyasmaa A., Snegirev D., et al. The impact of data filtration on the accuracy of multiple time-domain forecasting for photovoltaic power plants generation. Applied Sciences (Switzerland), 2020. V. 10, № 22. pp. 1-22. doi: 10.3390/app10228265.
16. Farhadi M., Mollayi N. Application of the least square support vector machine for point-to-point forecasting of the PV power. International Journal of Electrical and Computer Engineering, August 2019.V.9(4). pp. 2205 – 2211.
17. Alimi O., Ouahada K., Abu-Mahfouz A. A review of machine learning approaches to power system security and stability. IEEE Access, art. 8, № 9121208, 2020. pp.113512-113531.
18. Гавриленко А.В., Долин А.П. Система контроля качества прессовки обмоток и стали трансформаторов по замерам вибрации, контроль состояния маслонасосов. Димрус. Пермь, 2015. С.
Рецензия
Для цитирования:
Галяутдинова А.Р., Ившин И.В., Соловьев С.А. Система оценки и прогнозирования технического состояния силового маслонаполненного трансформаторного оборудования распределительных сетей с применением машинного обучения. Известия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИ. 2024;26(2):32-45. https://doi.org/10.30724/1998-9903-2024-26-2-32-45
For citation:
Galyautdinova A.R., Ivshin I.V., Solovev S.A. System for assessment and prediction of the technical condition of power oil-filled transformer equipment of distribution networks using machine learning. Power engineering: research, equipment, technology. 2024;26(2):32-45. (In Russ.) https://doi.org/10.30724/1998-9903-2024-26-2-32-45