А.Н. Алюнов1

1 Финансовый университет при Правительстве РФ (Москва, Россия)

Постановка проблемы. Большое количество задач анализа состояния силовых трансформаторов на электрических подстанциях решается на базе математических моделей, правомерность использования которых неоспорима. Недостатком стандартных методов диагностики токоведущих частей трансформаторов является требование по снятию напряжения и отключению от электрической сети. Применяемые в настоящее время методы диагностики без снятия напряжения требуют совершенствования в части повышения точности, быстродействия и обеспечению предиктивного реагирования. Кроме того, применение в диагностическом процессе прямых методов решения приводит к погрешностям в оценке состояния трансформатора, поскольку не учитывается множество влияющих эксплуатационных факторов. В частности, существующие методы не предусматривают влияние срока эксплуатации силового трансформатора на его электрические характеристики. Следовательно, требуется развитие алгоритмов идентификации параметров математических моделей силовых трансформаторов, при этом использование методов машинного обучения для решения рассматриваемой задачи позволит снизить влияние указанных недостатков известных решений. Машинное обучение может выявить и учесть закономерности, неучтенные математической моделью трансформатора.

Цель. Разработать способ диагностики электрических частей силовых трансформаторов с применением методов и средств машинного обучения.

Результаты. Предложено для оперативной диагностики силовых трансформаторов в электрических сетях использовать модель машинного обучения на основе алгоритма «случайный лес». Получены в режиме реального времени данные об электрических режимах работы силового трансформатора, которые используются для определения параметров электрических частей трансформаторов. Для оценки текущего диагностического состояния трансформатора произведено сопоставление полученных результатов с заданными эталонными значениями.

Практическая значимость. Предложенный подход позволяет получать оценки состояния трансформатора с высокой точностью – приблизительная погрешность составляет 0,5% для сопротивлений, входящих в состав математической модели исправного силового трансформатора.

Алюнов А.Н. Диагностика электрических частей силовых трансформаторов с применением методов машинного обучения // Нейрокомпьютеры: разработка, применение. 2023. T. 25. № 5. С. 23-33. DOI: https://doi.org/10.18127/j19998554-202305-04

1. Kolesnikov I.E., Korzhov A.V., Gorshkov K.E. Digital Program for Diagnosing the Status of a Power Transformer // Global Smart Industry Conference. Chelyabinsk, Russia. 2020. P. 315–321. DOI 10.1109/GloSIC50886.2020.9267867.
2. Wang G., Liu Y., Chen X., Sui H., Ma C., Zhang J., Liu Y. Power transformer fault diagnosis system based on Internet of Things // Eurasip Journal on Wireless Communications and Networking. 2021. V. 2021. № 1. DOI 10.1186/s13638-020-01871-6.
3. Tahir M., Tenbohlen S. Transformer Winding Fault Classification and Condition Assessment Based on Random Forest Using FRA // Energies. 2023. V. 16. № 9. P. 3714. DOI 10.3390/en16093714.
4. Vita V., Fotis G., Chobanov V., Pavlatos C., Mladenov V. Predictive Maintenance for Distribution System Operators in Increasing Transformers’ Reliability // Electronics. 2023. V. 12. № 6. P. 1356. DOI 10.3390/electronics12061356.
5. Zhang D., Chu Z., Gui Q., Wu F., Yang H., Ma Y., Tao W. Transformer maintenance decision based on condition monitoring and fuzzy probability hybrid reliability assessment // IET Generation, Transmission and Distribution. 2023. V. 17. № 1. P. 976–992. DOI 10.1049/gtd2.12718.
6. Esmaeili Nezhad A., Samimi M. A review of the applications of machine learning in the condition monitoring of transformers // Energy Systems. 2022. DOI 10.1007/s12667-022-00532-5.
7. Khalyasmaa A.I., Matrenin P.V., Eroshenko S.A., Manusov V.Z., Bramm A.M., Romanov A.M. Data Mining Applied to Decision Support Systems for Power Transformers’ Health Diagnostics // Mathematics. 2022. V. 10. № 14. P. 2486. DOI 10.3390/ math10142486.
8. Aizpurua J.I., McArthur S.D.J., Stewart B.G., Lambert B., Cross J.G., Catterson V.M. Adaptive Power Transformer Lifetime Predictions Through Machine Learning and Uncertainty Modeling in Nuclear Power Plants // IEEE Transactions on Industrial Electronics. 2019. V. 66. № 6. P. 4726–4737. DOI 10.1109/TIE.2018.2860532.
9. Levin V.M., Yahya A.A. Support for Decision-Making to Ensure Reliable Operation of Transformers as Part of a Responsible Power Facility // International Multi-Conference on Industrial Engineering and Modern Technologies. Vladivostok, Russia. 2020. P. 1–6. DOI 10.1109/FarEastCon50210.2020.9271626.
10. Ab Ghani S., Khiar M.S.A., Chairul I.S., Rahim N.H., Kamaruzaini M.H. Comparative study of electrical test methods on detecting transformer faults // Indonesian Journal of Electrical Engineering and Computer Science. 2022. V. 25. № 2. P. 755–762. DOI 10.11591/ijeecs.v25.i2.pp755-762.
11. Suo C, Ren Y, Zhang W, Li Y, Wang Y, Ke Y. Evaluation Method for Winding Performance of Distribution Transformer // Energies. 2021. V. 14. № 18. P. 5832. DOI 10.3390/en14185832.
12. Черномордов С.В., Дружинина О.В., Масина О.Н., Петров А.А. Применение методов машинного обучения в задачах нейро-сетевого моделирования управляемых технических систем // Нейрокомпьютеры: разработка, применение. 2022. Т. 24. № 1. С. 25–35. DOI 10.18127/j19998554-202201-03.
13. Lu W., Shi C., Fu H., Xu Y. Fault Diagnosis Method for Power Transformers Based on Improved Golden Jackal Optimization Algorithm and Random Configuration Network // IEEE Access. 2023. V. 11. P. 35336–35351. DOI 10.1109/ACCESS.2023.3265469.
14. Elahi O., Behkam R., Gharehpetian G.B., Mohammadi F. Diagnosing Disk-Space Variation in Distribution Power Transformer Windings Using Group Method of Data Handling Artificial Neural Networks // Energies. 2022. V. 15. № 23. P. 8885. DOI 10.3390/en15238885.
15. Андреева О.Н., Новиков Е.С. Модели и способы мониторинга и предиктивного управления техногенными рисками на предприятиях электронной отрасли // Наукоемкие технологии. 2019. Т. 20. № 1. С. 47–54. DOI 10.18127/j19998465-201901-06.
16. Smerdin A., Ermachkov G., Nezevak V., Sidorov O., Golubkov A. Use of sensor networking technology to build a power transformer monitoring system // E3S Web of Conferences. 2020. V. 224. № 02021. P. 11. DOI 10.1051/e3sconf/202022402021.
17. Biçen Y. An Internet of Things (IoT) based Monitoring System for Oil-immersed Transformers // Balkan Journal of Electrical and Computer Engineering. 2019. V. 7. № 3. P. 226–234. DOI 10.17694/bajece.524921.
18. Ecaterina M., Ion S. Parameter Identification for Two-Windings Power Transformers // International Conference on Electromechanical and Energy Systems.  Craiova, Romania. 2019. P. 1–6. DOI 10.1109/SIELMEN.2019.8905914.
19. Silva A.F., Silveira E.G., Alipio R. Artificial Neural Network Applied to Differential Protection of Power Transformers // Journal of Control, Automation and Electrical Systems. 2022. V. 33. № 3. P. 850–857. DOI 10.1007/s40313-021-00845-3.
20. Nassim A., Khalid Y. Simulink model of transformer differential protection using phase angle difference based algorithm // International Journal of Power Electronics and Drive Systems. 2020. V. 11. № 2. P. 1088–1098. DOI 10.11591/ijpeds.v11.i2.pp1088-1098.
21. Mobeen F., Ahmad S., Shoukat A., Batool S. A Generalized Modeling and Analysis for Transformer Parameterization // 16th International Conference on Emerging Technologies. Islamabad, Pakistan. 2021. P. 1–7. DOI 10.1109/ICET54505.2021.9689869.
22. Arias Velásquez R.M., Mejía Lara J.V. Root Cause Analysis Improved with Machine Learning for Failure Analysis in Power Transformers // Engineering Failure Analysis. 2020. V. 115. P. 104684. DOI 10.1016/j.engfailanal.2020.104684.
23. Zhou L., Hu T. Multifactorial Condition Assessment for Power Transformers // IET Generation, Transmission & Distribution. 2020. V. 14. № 9. P. 1607–1615. DOI 10.1049/iet-gtd.2019.0727.
24. Yan C., Li M., Liu W. Transformer Fault Diagnosis Based on BP-Adaboost and PNN Series Connection // Mathematical Problems in Engineering. 2019. V. 2019. P. 1019845. DOI 10.1155/2019/1019845.
25. Wu Y., Gu L., Zhang X., Wang J. An On-Line Identification Method for Short-Circuit Impedance of Transformer Winding Based on Sudden Short Circuit Test // Frontier Computing. 2019. V. 542. P. 1365–1375. DOI 10.1007/978-981-13-3648-5_176.
26. Tian F., Jing Z., Zhao H., Zhang E., Liu J. A Synthetic Condition Assessment Model for Power Transformers Using the Fuzzy Evidence Fusion Method // Energies. 2019. V. 12. № 5. P. 857. DOI 10.3390/en12050857.
27. Tan G., Liu D., Shi Y., Yang, Z. Condition Assessment Method for Power Transformers Based on Variable Weight Principle and Fuzzy Comprehensive Evaluation // 7th International Forum on Electrical Engineering and Automation. Hefei, China. 2020. P. 883–888. DOI 10.1109/ifeea51475.2020.00185.
28. Rexhepi V., Nakov P. Condition Assessment of Power Transformers Status Based on Moisture Level Using Fuzzy Logic Techniques // Journal of Mechatronics, Electrical Power, and Vehicular Technology. 2018. V. 9. № 1. P. 17–24. DOI 10.14203/j.mev. 2018.v9.17-24.
29. Lin Z., Tang S., Peng G., Zhang Y., Zhong Z. An Artificial Neural Network Model with Yager Composition Theory for Transformer State Assessment // 2nd Advanced Information Technology, Electronic & Automation Control Conference. Chongqing, China. 2017. P. 652–655. DOI 10.1109/iaeac.2017.8054097.
30. Khalyasmaa A., Eroshenko S.A., Tashchilin V., Seguin C., Ehlinger L., Vibhute R.R., Atluri S.R. Machine Learning Algorithms for Power Transformers Technical State Assessment // International Multi-Conference on Engineering, Computer and Information Sciences. Novosibirsk. 2019. P. 601–606. DOI 10.1109/SIBIRCON48586.2019.8958395.
31. Kari T., Gao W., Zhao D., Abiderexiti K., Mo W., Wang Y. Hybrid Feature Selection Approach for Power Transformer Fault Diagnosis Based on Support Vector Machine and Genetic Algorithm // IET Generation, Transmission and Distribution. 2018. V. 12. № 21. P. 5672–5680. DOI 10.1049/iet-gtd.2018.5482.
32. Schäfer F. Multi-Year Time-Series-Based power system planning with hybrid optimization and supervised learning methods. Kassel: Kassel University Press. 2021. DOI 10.17170/kobra-202101213009.