ДОКЛАД 1 Слайд) Описание объекта исследования Силово́й трансформа́тор — электротехническое устройство в сетях электроснабжения с двумя или более обмотками, который посредством электромагнитной индукции преобразует одну величину переменного напряжения и тока в другую величину переменного напряжения и тока, той же частоты без изменения её передаваемой мощности. Силовой трансформатор - один из важнейших компонентов энергосистемы, для которого в течение многих лет разрабатывались различные типы защитных и контрольных схем. Дифференциальная защита - один из наиболее широко используемых методов защиты силового трансформатора от внутренних повреждений. Метод основан на измерении и сравнении токов на обеих сторонах трансформатора: в первичной и вторичной обмотках. 2 слайд) Дифференциальная защита трансформаторов применяется для предотвращения аварийных и ненормальных режимов работы при возникновении короткого замыкания между фазами, межвитковых КЗ и замыкания одной или более фаз на землю. Защита срабатывает, когда разница токов на обеих сторонах трансформатора превышает заданный порог. Конструктивно дифзащита включает в себя два трансформатора тока включенных по высокому и низкому напряжению и реле автоматики. Коэффициент преобразования измерительных трансформаторов подобран так, что при возникновении короткого замыкания вне защищаемого участка результирующий ток проходящий через реле был равный нулю. При возникновении короткого замыкания возникает асимметрия втекающих и вытекающих токов. Через реле протекает ток, включающий схему защитного отключения. Высокая избирательность дифференциальной системы не требует реле времени, т.к. защита включается в идеальном случае только при внутренних КЗ. Этот метод точен в большинстве случаев внутренних неисправностей, однако возможна неправильная работа дифференциальной защиты из-за пусковых токов, которые возникают в результате переходных процессов в магнитном потоке трансформатора. Во всех случаях природа аномалии почти одинакова, но величины возникающих из-за этого токов совершенно различны. Если уровень неисправности может быть обнаружен и соответственно приняты защитные меры, то можно предотвратить серьезное повреждение защищаемого элемента. Рисунок 3. Форма кривой пускового тока Рисунок 4. Форма кривой тока при замыкании фазы на землю 3 слайд) Нейросетевой компонентный анализе (NNPCA) В настоящее время искусственный интеллект используется в решении множества прикладных задач. Одним из важных направлений искусственного интеллекта являются статистические модели. Среди большого разнообразия статистических моделей выделяют искусственные нейронные сети (ИНС) – математические модели, построенные по принципам организации и функционирования биологических нейронных сетей. Одним из главных преимуществ нейронных сетей перед традиционными алгоритмами является возможность их обучения для совершенствования способности ИНС выявлять сложные зависимости между входными и выходными данными В предложенной мной работе используется метод принятия решения о возможных неисправностях трансформатора основанный на алгоритме нейросетевого анализа главных компонентов (Neural Network Principal Component Analysis - NNPCA), который разработан с учетом различного поведения токов при внутренних коротких замыканиях или бросках тока при включении. Метод NNPCA извлекает соответствующие функции из дифференциального тока и сокращает обучающий набор данных нейронной сети для более быстрого принятия решения. Метод также учитывает насыщение трансформатора тока и различные сценарии, такие как изменения нагрузки трансформатора, импеданса источника и остаточного магнитного потока. В представленной работе сравниваются точность классификации, скорость отклика и вычислительная нагрузка метода ограничения гармоник c обратным распознаванием (Feed Forward Bac-Propagation Neural Network FFBPNN) нейронной сети и метода на основе симметричных компонентов. Данный алгоритм позволит существенно снизить вероятность выхода из строя трансформатора. Кроме того, дифференциальный нейросетевой метод не только обеспечит защиту, но также будет использоваться для контроля состояния силового оборудования. Для решения поставленной задачи в качестве основной статистической модели предлагается использовать трехслойную нейросеть, включающую в себя три нейрона во входном слое, три в скрытом, и одного в выходном – по числу компонент входного вектора. Анализ главных компонентов нейронной сети с прямым распределением (NNPCA) – это, адаптивный непараметрический метод извлечения информации из запутанных наборов данных. Он отображает набор данных таким образом, чтобы выделить из них возможные сходства и различия. Обычно NNPCA используется для сокращения обучающих данных при статистическом распознавании образов, обработке сигналов и сжатии изображений. Типичная архитектура NNPCA показана на рисунке 6. 4 слайд) Описание компонентов нейросети 5 Слайд) Сетевая архитектура имеет многослойную структуру. Каждый слой связан с другим с помощью весового коэффициента. В методе прямого распределения сигнала требуется ограниченная и дифференцируемая функция активации, которая необходима для преобразования входных данных. Функция активации сигмоидального типа обладает всеми этими свойствами, что делает ее подходящей для использования в данной работе. Для d-мерных векторов входных данных z1, z2, ...zm, выходные данные нейронной сети s1,s2, ... , sm задаются формулой как функция. Рисунок 7. нелинейная сигмоидальная функция Где, w = весовой коэффициент, wi = [wi1,wi2, ... ,wim] Весовая адаптация для нейронов I, выглядит следующим образом, где n- скорость обучения нейросети j = 1, 2, ... , d и i = 1, 2, ... ,m. У каждого нейрона есть входы. На них подаются сигналы в виде чисел. Каждый вход имеет свой вес (тоже число). Сигналы на входе умножаются на соответствующие веса. Получаем набор «взвешенных» входных сигналов. Далее этот набор попадает в сумматор, которой просто складывает все входные сигналы, помноженные на веса. Получившееся число называют взвешенной суммой. Затем взвешенная сумма преобразуется функцией активации и мы получаем выход нейрона. Нейронная сеть с обратным распределением (FFBPNN) имеет похожую архитектуру, которая отличается объемом скрытого слоя, а так же зависит от качества обучающей функции и размеров входных и выходных массивов данных. Такие нейронные сети могут восстанавливать или дополнять сигналы. Другими словами сети имеют свойства кратковременной памяти. 6 Слайд) В качестве программного комплекса для моделирования тестовых и обучающих сигналов, использовался PSCAD и MATLAB. Моделирование производилось в различных рабочих режимах трансформатора. А именно: нормальным, перевозбуждением, броском тока намагничивания и коротким замыканием (между фазой, фазой и землей). Схемы испытаний на пуск состоли из схем симпатических пусков и схем намагничивания при разных углах включения, в то время как схемы испытаний на внутренние неисправности состояли из замыкания фазы на землю и замыканий фазы на фазу в разных местах. После того, как модель NNPCA была обучена, её характеристики были рассчитаны на основе средней абсолютной ошибки (MAE), где P - общее количество тестовых шаблонов, Ti – фактический результат, а Si предполагаемый результат NNPCA для i-го тестового шаблона. Дифференциальный ток представлялся в дискретной форме в виде набора из 12 равномерно распределенных выборок, полученных в течение окна данных одного цикла сигнала основной частоты, то есть частота дискретизации составляет 12 выборок за цикл. Эти 12 образцов называются “шаблоном”. Скользящее окно данных, состоящее из одного самого последнего и предыдущего окна, используется для генерации шаблонов в вышеупомянутых условиях работы силового трансформатора. Каждая строка входной обучающей матрицы представляет один шаблон, в то время как соответствующая строка целевой матрицы представляет желаемый результат. Предположим, что сигнал состояния запуска характеризуется следующей последовательностью: i = [i1, i2, ... , ik].Первая строка матрицы ввода принимает 12 выборок i (т.Е. от i1 до i12), а затем элементы второй строки находятся от i2 до i13 итак далее, пока все элементы i не будут завершены. Аналогичным образом элементы матрицы внутренних неисправностей. X = (A+B)/C*100, где X- классификация ошибки в процентах, Aколичество ложноположительных, B- количество ложноотрицательных результатов, С- общее количество тестовых примеров 7 Слайд) Блок схема алгоритма распознования ошибок Блок-схема предлагаемого алгоритма (Рисунок 17) показывает этапы для выявления различных условий работы силового трансформатора. Внешняя неисправность и нормальное рабочее состояние исключаются на основе амплитуды двух последовательных пиков рабочего сигнала. Чрезмерное возбуждение сердечника определяется путем сравнения отношения напряжения к частоте с номинальным отношением напряжения к частоте. Если это условие не выполняется, то возможность для запуска и вероятность внутреннего сбоя проверяются с помощью алгоритма NNPCA. Он подает сигнал отключения только в том случае, если обнаружена внутренняя неисправность. Для различных условий тестового набора величина тока повреждения, состояние нагрузки, остаточный поток и угол переключения изменяются , чтобы узнать влияние этих факторов на производительность предлагаемого алгоритма. Форма волны пускового тока изменяется с изменением момента переключения трансформатора, от 0 до 360 градусов. Аналогично, из-за наличия остаточного потока величина пускового тока может быть в 2-6 раз больше номинального, хотя форма волны остается прежней. Обнаружено, что защитное реле на основе алгоритма NNPCA стабильно работает даже при высокой величине пускового тока, вызванного остаточным магнитным потоком, в то время как обычное реле на основе сравнения гармоник может работать неправильно в тех же условиях. Заключение В представленной работе предложен новый интеллектуальный подход к обеспечению надёжной и безопасной работы силовых трансформаторов, основанный на модели анализа главных компонентов нейронной сети (NNPCA), который был использован для решения проблемы различия между внутренним повреждением трансформатора и состоянием броска тока намагничивания. Предлагаемый алгоритм NNPCA основан на методе идентификации формы сигнала, который актуален на данный момент, поскольку он более точен, чем традиционный метод ограничения гармоник, а также способен различать современные силовые трансформаторы, в которых используются материалы сердечника с высокой проницаемостью. Обычный метод ограничения гармоник может дать сбой, поскольку при броске тока намагничивания обычная дифференциальная защита может воспринять его как дифференциальный ток, тогда как алгоритм (NNPCA) определяет соответствующее состояние трансформатора и на основе математического анализа принимает решение о дальнейшей эксплуатации оборудования.
