АНАЛИЗ НАУЧНО-ТЕХНИЧЕСКОЙ ЛИТЕРАТУРЫ В ОБЛАСТИ ПРЕДИКТИВНОЙ ДИАГНОСТИКИ НА БАЗЕ ХРОМАТОГРАФИЧЕСКОГО АНАЛИЗА РАСТВОРЕННЫХ В МАСЛЕ ГАЗОВ

ANALYSIS OF SCIENTIFIC AND TECHNICAL LITERATURE IN THE FIELD OF PREDICTIVE DIAGNOSTICS BASED ON CHROMATOGRAPHIC ANALYSIS OF GASES DISSOLVED IN OIL

Alexander Shevchenko

master's student, Institute of Energy, Electronics and Communications, Orenburg State University,

Russia, Orenburg

Anastasia Chernova

scientific supervisor, candidate of Technical Sciences, Associate Professor of the Department of Electrical and Thermal Power Engineering, Orenburg State University,

Russia, Orenburg

АННОТАЦИЯ

Хроматографический анализ растворенных в масле газов (ХАРГ) является одним из самых достоверных методов для диагностики маслонаполненного оборудования и выявление дефектов на ранних стадиях развития. В наше время актуальность предиктивной диагностики электрического оборудования набирает обороты, это связано с энергетической стратегией России до 2035 года [3], одним из главных направлений которой является цифровая трансформация и интеллектуализация электроэнергетики. В данной статье рассмотрены методы предиктивной диагностики маслонаполненного оборудования посредством ХАРГ.

ABSTRACT

Chromatographic analysis of gases dissolved in oil (CAG) is one of the most reliable methods for diagnosing oil-filled equipment and detecting defects in the early stages of development. Nowadays, the relevance of predictive diagnostics of electrical equipment is gaining momentum, this is due to the energy strategy of Russia until 2035 [3], one of the main directions of which is the digital transformation and intellectualization of the electric power industry. In this article, methods of predictive diagnostics of oil-filled equipment by means of CAG are considered.

Ключевые слова: предиктивная диагностика, силовое маслонаполненное оборудование, нечеткие нейронные сети, ранговые распределения.

Keywords: predictive diagnostics, power oil-filled equipment, fuzzy neural networks, rank distributions.

Трансформаторное масло находит широкое применение в электрооборудовании и является основной изоляцией токоведущих обмоток в трансформаторах. Также оно может являться источником информации о скрытых дефектах внутри оборудования. Поэтому для обнаружения скрытой неисправности трансформатора используется ХАРГ в масле.

В настоящее время существует не так много методов предиктивной диагностики маслонаполненного оборудования путем ХАРГа. Поэтому актуальность данного исследования обусловлена усовершенствованием критериев диагностики и методов анализа диагностики, что значительно повышает объективность оценки технического состояния маслонаполненного оборудования, и позволяет своевременно предпринимать меры по техническому обслуживанию, по планированию ремонтов. Данные мероприятия делают эксплуатацию надежнее и значительно продлевают срок службы электрооборудования, также позволяют снизить расходы на ремонты и риски ущербов.

После проведения анализа методов предиктивной диагностики маслонаполненного оборудования можно выделить три основных метода:

1. Графический метод диагностики, реализованный в ЭДИС «Альбатрос» [2].
2. Использование нечеткой нейронной сети [1].
3. Метод H-распределений [4].

К первой группе отнесен графический метод диагностики, реализованный в ЭДИС «Альбатрос», направленный на визуальное представление распределения концентраций в виде 8-лепестковой диаграммы (Рисунок 1). Основные достоинства данного метода следующие:

- визуализация концентраций состояния оборудования;

- наглядность развития дефекта на лепестковой диаграмме.

К недостаткам следует отнести:

- первоначальные весовые коэффициенты назначаются экспертами.

Одними из главных достоинств данного графического метода в сравнении с другими изученными (диаграмма состава газов относительно газа с максимальной концентрацией, предложенная японскими учеными, треугольник Дюваля, прямоугольники Доренбурга, параллелепипеды Кудерка) – использование меньшего числа газов, невозможность описания области исправного состояния объекта, отсутствие учета превышения концентраций своих допустимых значений.

Рисунок 1. Пример 8-лепестковой диаграммы в программе «Альбатрос»

Второй метод – использование нечеткой нейронной сети для интерпретации результатов анализа ХАРГ. Этот метод направлен на разработку компьютерной системы технической диагностики с использованием аппарата нечеткой логики и нейронных сетей, которые способны обеспечить повышение достоверности распознавания и прогнозирования технического состояния и ресурса объекта. Для обучения используются реальные результаты ХАРГ силовых трансформаторов. В дальнейшем анализируются данные. Трансформаторы отличаются по классу напряжения, по номинальной мощности, по конструкции, а самое главное – по условиям эксплуатации (по значениям загрузки, по влиянию токов короткого замыкания и перенапряжений). Значения концентраций распределены по уровням.

Основные достоинства данного метода:

- самообучаемость нейронной сети;

- использование нечеткой логики для снижения погрешности.

К недостаткам можно отнести:

- большой объем выборочных значений;

- достоверность распознавания определяется методиками ХАРГ.

Тестирование нечеткой нейронной сети для ХАРГ трансформаторов, значения концентраций газов которых соответствуют уровню 2 (синий цвет – исходные данные, красный – результаты тестирования).

Рисунок 2. Пример использования нечеткой нейронной сети (скриншот взят с разработанной программы в [4])

Третий метод – метод H-распределений. Данная методика основана на наложении результатов ХАРГа на временной интервал, что позволяет планировать ремонт трансформаторов по фактическому состоянию, что существенно сэкономит финансовые и рабочие ресурсы.

В данном методе используется техноценологический подход к описанию состояния силовых маслонаполненных трансформаторов, основанных на ранговом анализе H-распределений по результатам ХАРГ. Техноценоз не поддается описанию ни традиционными методами, ни имитационными, поэтому отдельное внимание следует уделять выборке, то есть построение видовых и ранговых распределений. Вид ценоза – маслонаполненный трансформатор, в качестве параметрического описания используется концентрация газов.

Основные достоинства данного метода:

- наиболее достоверные показатели предиктивной диагностики;

- использование ранговых распределений.

К недостаткам можно отнести:

- большие вычислительные операции из-за применения техноценоза;

- отсутствие учета влияния внешних и иных факторов на концентрацию газов.

Для наглядности результаты проведенного сравнительного анализа методов предиктивной диагностики силового маслонаполненного оборудования приведены в таблице 1.

Таблица 1.

Результаты сравнительного анализа методов и средств диагностики электроизмерительных приборов

В 2020 году была утверждена энергетическая стратегия России до 2035 года [3], одним из главных направлений которой является цифровая трансформация и интеллектуализация электроэнергетики, в контексте которого разработка интеллектуальных автоматизированных систем для управления, контроля, диагностики электроэнергетических объектов, комплексов является приоритетной.

Список литературы:

1. Бондаренко В.Е., Шутенко О.В. Разработка нечеткой нейронной сети для интерпретации результатов анализа растворенных в масле газов – Научная статья – 2017.
2. Давиденко В.И. Разработка системы многоаспектной оценки технического состояния и обслуживания высоковольтного маслонаполненного электрооборудования – Автореферат. — Екатеринбург: УГТУ, 2009, – 46 с.
3. Распоряжение Правительства РФ от 09.06.2020 №1523-р «Об утверждении Энергетической стратегии Российской Федерации на период до 2035 года»
4. Чупак Т.М. Прогнозирование технического состояния силовых маслонаполненных трансформаторов–Автореферат – Красноярск, 2007, – 20 с.