23
УПРАВЛЕНИЕ
ПРОИЗВОДСТВЕННЫМИ
АКТИВАМИ
Повышение
надежности
работы
оборудования
электросетевого
комплекса
с
применением
нейросетевого
моделирования
Луковенко
А
.
С
.,
к
.
т
.
н
.,
филиал
ПАО
«
ФСК
ЕЭС
» —
Красноярское
предприятие
МЭС
Сибири
Аннотация
Основным
элементом
системы
электроснабжения
,
выполняющим
функцию
преобра
-
зования
напряжения
для
последующей
передачи
и
распределения
электроэнергии
в
узлах
нагрузки
является
силовой
трансформатор
,
выход
из
строя
которого
приводит
к
тяжелым
последствиям
для
энергосистемы
.
В
статье
приводится
расчет
показателей
надеж
ности
силовых
трансформаторов
.
Используя
квантили
распределения
хи
-
ква
-
драт
,
определены
верхняя
и
нижняя
граница
наработки
на
отказ
силовых
трансфор
-
маторов
для
различного
периода
эксплуатации
,
определены
доверительные
границы
с
вероятностью
α
= 0,9; 0,95; 0,99.
Представлено
сравнение
расчетных
и
реальных
значе
-
ний
сопротивления
изоляции
обмотки
силового
трансформатора
.
В
условиях
предель
-
ной
нагрузки
трансформаторов
,
выработавших
нормативный
срок
службы
,
предложе
-
но
применение
искусственного
интеллекта
для
выработки
рекомендаций
эксплуатации
и
режимов
работы
силовых
трансформаторов
.
Для
решения
задачи
прогнозирования
надежности
оборудования
используется
многослойный
персептрон
.
Из
приведенных
данных
получаем
наиболее
точную
картину
перспективных
параметров
трансформато
-
ра
при
использовании
его
предыстории
.
Из
результатов
прогноза
получена
минималь
-
ная
и
максимальная
величина
погрешности
.
Ключевые
слова
:
надежность
,
показатели
надежности
,
силовой
трансформатор
,
квантили
распределения
,
искусственная
нейронная
сеть
,
метод
градиентного
спуска
В
связи
со
сложившейся
не
простой
экономической
ситуацией
в
Российской
Федерации
проблема
морально
устарелого
и
выработавшего
нормативный
срок
службы
оборудова
-
ния
продолжает
стоять
на
первом
месте
.
Надежность
работы
силовых
электротехнических
комплексов
во
многом
определяется
ра
-
ботой
элементов
,
составляющих
их
,
и
,
в
первую
очередь
,
силовых
трансформаторов
,
обеспе
-
24
СБОРНИК
НАУЧНО
-
ТЕХНИЧЕСКИХ
СТАТЕЙ
чивающих
согласование
комплекса
с
системой
и
преобразование
ряда
параметров
электроэнергии
в
требу
-
емые
величины
для
дальнейшего
ее
использования
,
причем
до
70%
парка
высоковольтных
трансформаторов
являются
маслонаполненными
.
Высо
-
кая
степень
износа
трансформаторов
имеет
потенциальную
опасность
,
как
для
обслуживающего
персонала
,
так
и
для
потребителей
[1, 10].
Основываясь
на
статистических
данных
[2]
приводится
статистика
от
-
казов
наиболее
повреждаемых
час
тей
силовых
трансформаторов
(
таблица
1).
Согласно
[3, 4]
проведен
расчет
средних
параметров
потока
отказов
силовых
трансфор
-
маторов
(
СТ
)
с
использованием
квантилей
распределения
хи
-
квадрат
для
различных
довери
-
тельных
интервалов
с
вероятностью
: :
= 0,9; 0,95; 0,99.
Поскольку
число
отказов
не
более
чем
число
наработок
(
n
≥
m
),
то
2
(1 –
·
n
) >
2
(1 –
·
m
);
P
[2
S
>
2
(1 –
·
m
)] =
, (1)
где
S
—
суммарная
наработка
всех
объектов
;
2
(
,
k
) —
квантили
распределения
хи
-
квадрат
с
соответствующими
степенями
свободы
k
;
m
—
число
отказов
всех
испытуемых
объектов
;
—
средний
параметр
потока
отказов
,
n
—
число
наблюдений
наработки
на
отказ
,
—
дове
-
рительный
интервал
.
H
=
2
(1 –
·
m
) / 2
S
, (2)
k
=
·
m
, (3)
где
k
—
число
степеней
свободы
.
Используя
квантили
распределения
хи
-
квадрат
2
(
,
k
)
и
2
(1 –
,
k
),
определены
верхняя
в
и
нижняя
н
границы
наработки
на
отказ
для
основных
элементов
силового
трансформато
-
ра
:
обмоток
,
вводов
,
переключающих
устройств
,
магнитопровода
(
рисунок
1).
Из
полученных
результатов
следует
,
что
наиболее
частые
повреждения
элементов
транс
-
форматоров
приходятся
на
период
от
20
до
40
лет
.
Полученные
результаты
рас
-
чета
потока
отказов
СТ
хорошо
сопоставимы
с
периодом
работы
любого
электротехнического
из
-
делия
(
рисунок
2).
Весь
интервал
времени
работы
можно
разбить
на
три
периода
.
На
первом
из
них
функция
(
t
)
имеет
повышен
-
ное
значение
.
Это
связано
с
тем
,
что
всегда
имеются
изделия
со
скрытыми
дефектами
,
которые
выходят
из
строя
после
начала
работы
.
По
этой
причине
первый
период
называют
периодом
при
-
Табл
. 1.
Анализ
отказов
наиболее
повреждаемых
частей
силового
трансформатора
Отказы
главной
изоляции
обмоток
12
Отказы
витковых
и
межкатушечных
замыканий
28
Повреждения
обмоток
от
динамических
воздействий
11
Термические
повреждения
обмоток
от
токов
КЗ
1
Отказы
вводов
27
Отказы
РПН
и
ПБВ
9
Отказы
контактов
1
Отказы
магнитопровода
и
магнитных
шунтов
5
—
Обмотки
—
ПУ
—
Ввод
—
Магнитопровод
Наработка
,
лет
Ср
ед
ни
й
парам
етр
потока
отказов
,
о
.
е
Рис
. 1.
Расчет
пото
-
ка
отказов
силовых
трансформаторов
25
УПРАВЛЕНИЕ
ПРОИЗВОДСТВЕННЫМИ
АКТИВАМИ
работки
.
Второй
период
называют
периодом
нормальной
работы
.
Он
характеризуется
по
-
стоянными
или
приблизительно
постоянными
значениями
интенсивности
отказов
.
Третий
пе
-
риод
—
период
старения
.
Необратимые
физи
-
ко
-
химические
явления
приводят
к
ухудшению
качества
материалов
и
деталей
.
В
этот
период
интенсивность
отказов
возрастает
.
Анализ
методов
диагностики
силовых
трансформаторов
показывает
,
что
традицион
-
ные
испытания
необходимы
и
лежат
в
основе
определения
работоспособности
трансфор
-
маторов
и
автотрансформаторов
,
но
они
не
всегда
позволяют
обнаружить
дефекты
на
ранних
стадиях
и
своевременно
сигнализировать
о
развитии
процессов
,
приводящих
к
снижению
надежности
и
работоспособности
оборудования
.
При
этом
необходимо
совершенствовать
систему
нормативных
параметров
для
оценки
работо
-
способности
силовых
трансформаторов
.
В
условиях
ограничения
материальных
и
финансовых
средств
определить
фактическое
состо
-
яние
трансформаторов
позволяет
комплексное
диагностическое
обследование
трансформаторов
.
Это
дает
возможность
оценить
их
реальный
остаточный
ресурс
и
установить
необходимость
выде
-
ления
средств
на
профилактику
,
ремонт
и
замену
проблемного
оборудования
.
При
этом
на
первый
план
выходит
не
только
выявление
остаточного
ресурса
,
но
и
его
прогнозирование
.
В
последние
годы
наблюдается
положительная
динамика
использования
искусственных
ней
-
ронных
сетей
(
ИНС
)
для
прогнозирования
режимов
работы
электрооборудования
.
ИНС
позволяет
применять
комплексный
подход
к
учету
входных
параметров
и
учитывает
влияние
состояния
одних
узлов
оборудования
на
другие
.
Для
учета
преды
-
стории
трансформатора
может
быть
предусмот
-
рена
база
данных
по
эксплуатации
,
ремонтам
и
техническому
обслужи
-
ванию
[5, 6].
Модель
на
основе
ИНС
может
содержать
три
и
более
взаимосвя
-
занных
адаптивных
моду
-
лей
[7].
На
рисунке
3
пред
-
ставлен
первый
модуль
,
позволяющий
системати
-
зировать
данные
состоя
-
ния
элементов
силового
трансформатора
и
опре
-
делить
наиболее
про
-
блемные
части
конструк
-
Период
эксплуатации
t
,
год
III
II
I
Интенсивнос
ть
отказов
(
t
),
год
-1
Рис
. 2.
Изменение
интенсивности
отказов
в
течение
эксплуатации
Рис
. 3.
Модуль
диагности
-
рования
неисправностей
трансформатора
База
данных
по
трансформатору
:
•
паспорт
•
дефекты
•
испытания
•
измерения
Результаты
оценки
состояния
трансформатора
по
различным
методикам
:
•
химический
анализ
масла
;
•
электрические
изменения
;
•
хроматографический
анализ
газов
,
растворенных
в
масле
;
•
тепловизионный
контроль
;
•
вибрационное
обследование
;
•
анализ
газа
из
газового
реле
;
•
определение
уровня
частич
-
ных
разрядов
в
изоляции
и
т
.
д
.
Выборка
:
I
,
P
,
Q
,
U
,
t
масла
,
t
наружного
воздуха
,
влажность
,
осадки
,
время
,
потери
мощности
Первый
модуль
ИНС
(
обучение
)
26
СБОРНИК
НАУЧНО
-
ТЕХНИЧЕСКИХ
СТАТЕЙ
ции
,
а
также
выявить
причины
,
влияющие
на
надежность
транс
-
форматора
(
модуль
анализа
данных
).
Второй
модуль
(
рисунок
4)
позволя
-
ет
проводить
анализ
перспективного
со
-
стояния
частей
транс
-
форматора
и
прогно
-
зировать
надежность
работы
его
составных
частей
,
например
,
на
перспективном
участ
-
ке
времени
—
с
упре
-
ждением
в
несколько
недель
,
месяцев
,
лет
(
модуль
анализа
пер
-
спективного
состоя
-
ния
).
Третий
модуль
—
модуль
синтеза
параметров
системы
электроснабжения
для
обеспече
-
ния
номинальных
параметров
трансформатора
при
допустимых
параметрах
системы
электро
-
снабжения
.
Это
особенно
важно
при
прохождении
пиковых
нагрузок
,
обусловленных
,
напри
-
мер
,
движением
тяжеловесных
поездов
(
рисунок
5).
Входными
данными
являются
параметры
,
номинальные
параметры
трансформаторов
,
а
выходными
параметрами
—
требуемые
харак
-
теристики
системы
электроснабжения
и
параметры
на
обмотке
трансформатора
(
ток
,
мощ
-
ность
,
напряжение
и
т
.
д
.).
Для
прогнозирования
параметров
используется
многослойный
персептрон
,
который
широ
-
ко
применяется
для
решения
различной
сложности
задач
прогнозирования
.
Обучение
с
учи
-
телем
выполняется
с
использованием
алгоритма
обратного
распространения
ошибки
(error
back–propagation).
Этот
алгоритм
основывается
на
коррекции
ошибок
.
Согласно
приведенным
модулям
и
применив
полученные
данные
сопротивления
изоляции
силовых
трансформаторов
,
приведен
прогноз
отношения
сопротивления
изоляции
R
60
/
R
15
(
коэф
-
фициент
абсорбции
)
на
1
год
с
применением
алгоритма
обратного
распространения
ошибки
.
Из
практического
опыта
принята
глубина
предыстории
(
глубина
обучающей
выборки
) 5
лет
.
Расчет
выполнен
с
применением
программного
комплекса
MATLAB R2014a.
В
таблице
2
представлены
данные
испытуемого
трансформатора
,
который
эксплуатирует
-
ся
на
протяжении
47
лет
.
Параметры
текущего
состояния
оборудо
-
вания
(
измеренные
значения
):
I
,
P
,
Q
,
U
,
t
масла
,
t
наружного
воздуха
,
влажность
,
осадки
,
время
,
потери
мощности
Прогноз
состояния
трансформатора
(
например
,
изоляционной
системы
)
ПРОГРАММНЫЙ
КОМПЛЕКС
Рис
. 4.
Модуль
прогнозирования
возможных
неисправностей
Нормальное
состояние
ПРОГРАММНЫЙ
КОМПЛЕКС
База
данных
по
трансформатору
:
•
паспорт
•
дефекты
•
испытания
•
измерения
Рис
. 5.
Модуль
синтеза
:
рекомендуемые
динамические
параме
-
тры
на
выходе
СТ
при
требуемой
загрузке
Табл
. 2.
Данные
испытуемого
трансформатора
Тип
Год
выпуска
Номинальное
напряжение
,
кВ
Фактическая
макси
-
мальная
потребляемая
мощность
,
МВА
%
загрузки
от
номинальной
мощности
ТДТНЖ
-40000/110-71
У
1
1978
110/35/27,5
23,52
58,8
27
УПРАВЛЕНИЕ
ПРОИЗВОДСТВЕННЫМИ
АКТИВАМИ
Для
прогнозирования
ра
-
боты
СТ
на
любой
промежу
-
ток
времени
используется
входной
вектор
,
состоящий
из
массива
данных
с
заданной
дискретностью
.
В
качестве
входных
данных
использу
-
ются
статистические
пере
-
менные
:
температура
масла
,
значения
сопротивления
изо
-
ляции
,
значение
напряжения
,
значения
тока
и
т
.
д
.
В
качестве
входных
дан
-
ных
для
прогнозирования
параметров
R
60
/
R
15
принима
-
ются
значения
,
полученные
в
ходе
планового
обслужива
-
ния
силовых
трансформато
-
ров
,
представленные
в
таб
-
лице
3.
Для
обучения
нейронной
сети
задается
последова
-
тельность
значений
входов
(
P
)
и
целей
(
T
),
представлен
-
ных
в
следующем
виде
:
P
=
[6000 1600 1840 6200 5320;
4500 1200 1400 4840 3900;
1.33 1.33 1.31 1.28 1.36];
T
=
[1.33 1.33 1.31 1.28 1.36].
Введя
входные
величины
и
сформировав
последова
-
тельность
значений
входов
(Inputs)
и
последовательность
значений
целей
(Targets),
можно
выбрать
структуру
ней
-
ронной
сети
(
рисунок
6).
Качество
обучения
сети
можно
проследить
во
вклад
-
ке
,
представленной
на
рисун
-
ке
7,
из
которого
видно
,
что
нулевая
точность
достигается
за
244
цикла
обучения
.
Пре
-
дельное
значение
проверки
на
эффективность
не
превышает
113-
го
цикла
,
а
точность
об
-
учения
составила
0,00074628.
Табл
. 3.
Измеренные
значения
сопротивления
изоляции
обмоток
СТ
Год
Темпе
-
ратура
масла
Схема
испытания
Измеренное
значение
,
МОм
R
60
R
15
R
60
/
R
15
2009
22°
С
ВН
-
СН
+
НН
+
корпус
6000
4500
1,33
СН
-
ВН
+
НН
+
корпус
2800
2000
1,40
НН
-
ВН
+
СН
+
корпус
2800
2000
1,40
ВН
+
СН
-
НН
+
корпус
1800
1200
1,50
ВН
+
СН
+
НН
-
корпус
4000
3000
1,33
2010
40°
С
ВН
-
СН
+
НН
+
корпус
1600
1200
1,33
СН
-
ВН
+
НН
+
корпус
800
600
1,33
НН
-
ВН
+
СН
+
корпус
1300
1000
1,30
ВН
+
СН
-
НН
+
корпус
550
400
1,57
ВН
+
СН
+
НН
-
корпус
1200
900
1,33
2011
50°
С
ВН
-
СН
+
НН
+
корпус
1840
1400
1,31
СН
-
ВН
+
НН
+
корпус
1400
1050
1,33
НН
-
ВН
+
СН
+
корпус
1400
1050
1,33
ВН
+
СН
-
НН
+
корпус
780
590
1,32
ВН
+
СН
+
НН
-
корпус
1540
1170
1,31
2012
10°
С
ВН
-
СН
+
НН
+
корпус
6200
4840
1,28
СН
-
ВН
+
НН
+
корпус
5260
4040
1,30
НН
-
ВН
+
СН
+
корпус
5800
4500
1,29
ВН
+
СН
-
НН
+
корпус
3550
2700
1,31
ВН
+
СН
+
НН
-
корпус
550
4260
1,29
2013
30°
С
ВН
-
СН
+
НН
+
корпус
5320
3900
1,36
СН
-
ВН
+
НН
+
корпус
3210
2405
1,33
НН
-
ВН
+
СН
+
корпус
3530
2740
1,30
ВН
+
СН
-
НН
+
корпус
2170
1680
1,30
ВН
+
СН
+
НН
-
корпус
4820
3650
1,32
Входные
данные
Скрытый
слой
Выходной
слой
Выходные
данные
Рис
. 6.
Структура
нейронной
сети
28
СБОРНИК
НАУЧНО
-
ТЕХНИЧЕСКИХ
СТАТЕЙ
После
обучения
ней
-
ронной
сети
она
может
ис
-
пользоваться
для
прогноза
,
например
,
сопротивления
изоляции
обмоток
силового
трансформатора
на
следую
-
щий
год
.
Результаты
расче
-
тов
приведены
в
таблице
4.
Результаты
,
представ
-
ленные
на
рисунке
8 (
без
учета
температуры
масла
в
баке
трансформатора
),
свидетельствуют
об
эффективной
реализации
алгоритма
прогнозирования
,
а
также
о
прогнозной
работоспособности
силового
трансформатора
на
обозримом
участке
времени
с
упреждением
в
1
год
.
Максимальная
погрешность
расчетов
не
превышает
4,4%,
что
является
приемлемой
величиной
для
прогноза
с
годовым
упреждением
.
Следует
учесть
,
что
дальнейшая
эксплуатация
трансформатора
допустима
в
режиме
,
кото
-
рый
является
адекватным
его
эксплуатации
в
предыдущие
годы
.
Для
получения
более
тоичных
результа
-
тов
прогноза
с
применением
нейронной
сети
произведен
замер
температуры
верхних
слоев
масла
в
баке
силового
трансформатора
при
отсутствии
какой
-
либо
нагрузки
на
трансфор
-
маторе
,
а
также
при
появлении
нагрузки
на
одном
из
плеч
подстанции
.
Полученные
тем
-
пературные
значения
вводятся
в
алгоритм
обучения
нейронной
сети
и
позволяют
реали
-
зовать
прогноз
с
учетом
этих
показателей
.
При
измерении
температуры
на
поверх
-
ности
бака
трансформатора
на
холостом
ходу
(
без
нагрузки
)
средняя
температура
со
-
ставила
порядка
t
= 40º
С
(
таблица
5).
Рис
. 7.
Качество
обучения
нейронной
сети
Табл
. 4.
Результаты
прогноза
нейронной
сети
отношения
сопротивления
изоляции
R
60
/
R
15
для
обмоток
СТ
на
один
год
Схема
испытания
Сопротивление
изоляции
,
МОм
По
-
греш
-
но
сть
,
%
R
60
/
R
15
,
(
факт
)
R
60
/
R
15
,
(
прогноз
)
ВН
-
СН
+
НН
+
корпус
1,32
1,34
1,5
СН
-
ВН
+
НН
+
корпус
1,39
1,35
2,9
НН
-
ВН
+
СН
+
корпус
1,37
1,32
3,6
ВН
+
СН
-
НН
+
корпус
1,30
1,33
2,3
ВН
+
СН
+
НН
-
корпус
1,34
1,32
1,5
Табл
. 5.
Результаты
прогноза
нейронной
сети
не
нагруженного
трансформатора
со
средней
температурой
верхних
слоев
масла
40º
С
Схема
испытания
Сопротивление
изоляции
,
МОм
По
-
греш
-
но
сть
,
%
R
60
/
R
15
,
(
факт
)
R
60
/
R
15
,
(
прогноз
)
ВН
-
СН
+
НН
+
корпус
1,32
1,30
1,5
СН
-
ВН
+
НН
+
корпус
1,39
1,40
0,7
НН
-
ВН
+
СН
+
корпус
1,37
1,38
0,7
ВН
+
СН
-
НН
+
корпус
1,30
1,33
2,3
ВН
+
СН
+
НН
-
корпус
1,34
1,33
0,7
Схема
испытания
обмоток
Со
пр
от
ив
ле
ни
е
из
оляции
R
60
/
R
15
,
МОм
—
Факт
—
Прогноз
Рис
. 8.
Прогноз
относительного
сопротивления
изоляции
обмоток
силового
трансформатора
29
УПРАВЛЕНИЕ
ПРОИЗВОДСТВЕННЫМИ
АКТИВАМИ
Рис
. 9.
Прогноз
отношения
сопротивления
изоляции
обмоток
силового
трансформатора
с
учетом
температуры
обмоток
40º
С
и
50º
С
Рис
. 10.
Прогноз
отношения
сопротивления
изоляции
обмоток
силового
трансформатора
с
учетом
температуры
70º
С
и
90º
С
При
замере
трансформатора
при
нали
-
чии
мощной
однофазной
нагрузки
темпе
-
ратура
нагрева
увеличивается
до
значения
t
= 50º
С
(
таблица
6).
Из
представленных
результатов
на
ри
-
сунке
9
видно
,
что
при
увеличении
темпе
-
ратуры
в
верхних
слоях
масла
бака
транс
-
форматора
,
а
следовательно
и
в
обмотках
трансформатора
,
снижается
отношение
со
-
противления
изоляции
R
60
/
R
15
.
На
основании
этого
можно
судить
об
ухудшении
состояния
самих
обмоток
при
дальнейшем
повыше
-
нии
нагрузки
трансформатора
,
в
том
числе
,
выше
номинальных
значений
[8, 9].
В
таблицах
7
и
8
приведен
прогноз
отноше
-
ния
сопротивления
изоляции
R
60
/
R
15
с
исполь
-
зованием
нейронной
сети
для
средней
темпе
-
ратуры
верхних
слоев
масла
70º
С
и
90º
С
.
На
рисунке
10
представлен
график
зависимости
Табл
. 6.
Результаты
прогноза
нейронной
сети
нагруженного
трансформатора
со
средней
температурой
верхних
слоев
масла
50º
С
Схема
испытания
Сопротивление
изоляции
,
МОм
По
-
греш
-
но
сть
,
%
R
60
/
R
15
,
(
факт
)
R
60
/
R
15
,
(
прогноз
)
ВН
-
СН
+
НН
+
корпус
1,32
1,35
2,2
СН
-
ВН
+
НН
+
корпус
1,39
1,36
2,2
НН
-
ВН
+
СН
+
корпус
1,37
1,39
1,4
ВН
+
СН
-
НН
+
корпус
1,30
1,28
1,5
ВН
+
СН
+
НН
-
корпус
1,34
1,29
3,7
Табл
. 7.
Результаты
прогноза
отношения
сопротивления
изоляции
R
60
/
R
15
с
исполь
-
зованием
нейронной
сети
нагруженного
трансформатора
со
средней
температу
-
рой
верхних
слоев
масла
70º
С
Схема
испытания
Сопротивление
изоляции
,
МОм
По
-
греш
-
но
сть
,
%
R
60
/
R
15
,
(
факт
)
R
60
/
R
15
,
(
прогноз
)
ВН
-
СН
+
НН
+
корпус
1,32
1,35
2,2
СН
-
ВН
+
НН
+
корпус
1,39
1,36
2,2
НН
-
ВН
+
СН
+
корпус
1,37
1,39
1,4
ВН
+
СН
-
НН
+
корпус
1,30
1,28
1,5
ВН
+
СН
+
НН
-
корпус
1,34
1,29
3,7
Табл
. 8.
Результаты
прогноза
отношения
сопротивления
изоляции
R
60
/
R
15
с
исполь
-
зованием
нейронной
сети
нагруженного
трансформатора
со
средней
температу
-
рой
верхних
слоев
масла
90º
С
Схема
испытания
Сопротивление
изоляции
,
МОм
По
-
греш
-
но
сть
,
%
R
60
/
R
15
,
(
факт
)
R
60
/
R
15
,
(
прогноз
)
ВН
-
СН
+
НН
+
корпус
1,32
1,35
2,2
СН
-
ВН
+
НН
+
корпус
1,39
1,36
2,2
НН
-
ВН
+
СН
+
корпус
1,37
1,39
1,4
ВН
+
СН
-
НН
+
корпус
1,30
1,28
1,5
ВН
+
СН
+
НН
-
корпус
1,34
1,29
3,7
Со
пр
от
ив
ле
ни
е
из
оляции
R
60
/
R
15
,
МОм
—
Прогноз
при
40°
С
—
Прогноз
при
50°
С
Схема
испытания
обмоток
—
Факт
Со
пр
от
ив
ле
ни
е
из
оляции
R
60
/
R
15
,
МОм
Схема
испытания
обмоток
—
Факт
—
Прогноз
при
70°
С
—
Прогноз
при
90°
С
—
Прогноз
при
40°
С
—
Прогноз
при
50°
С
30
СБОРНИК
НАУЧНО
-
ТЕХНИЧЕСКИХ
СТАТЕЙ
изменения
температуры
масла
в
баке
трансформатора
на
возможном
диапазоне
нагрузок
,
в
том
числе
при
ее
превышении
выше
номинальной
.
Выводы
1.
Определено
,
что
наиболее
подвержены
повреждениям
обмотки
силовых
трансформато
-
ров
в
период
с
20
до
40
лет
эксплуатации
.
Полученный
расчет
потока
отказов
силовых
трансформаторов
полностью
подтверждает
интенсивность
отказов
в
период
эксплуатации
силового
оборудования
(
рисунки
2, 3).
2.
Применение
нейронных
сетей
для
прогнозирования
работы
электрооборудования
являет
-
ся
целесообразным
для
системы
мониторинга
оборудования
,
выработавшего
норматив
-
ный
срок
службы
.
Применение
нейрогенезисных
технологий
при
глубине
предыстории
до
5
лет
позволяет
определить
перспективное
состояние
элементов
силовых
трансформато
-
ров
с
упреждением
до
года
и
с
погрешностью
,
не
превышающей
3–4%.
3.
Получены
результаты
изменения
отношения
сопротивления
изоляции
R60/R15
без
учета
и
с
учетом
температуры
масла
в
баке
трансформатора
.
При
увеличении
температуры
масла
выше
60º
С
наблюдается
снижение
относительного
сопротивления
до
значений
1,28–1,30,
что
требует
немедленной
сушки
изоляции
обмоток
.
ЛИТЕРАТУРА
1.
Москаленко
Р
.
В
.
Перспективные
пути
совер
-
шенствования
диагностики
силовых
транс
-
форматоров
//
Ползуновский
вестник
, 2011,
№
2/2.
С
. 94–97.
2.
Смекалов
В
.
В
.,
Долин
А
.
П
.,
Першина
Н
.
Ф
.
Оцен
-
ка
состояния
и
продление
срока
эксплуатации
силовых
трансформаторов
.
Сессия
СИГРЭ
,
2002,
доклад
12–102.
3.
Христинич
Р
.
М
.
Прогнозирование
надежности
и
режимов
работы
тяговых
трансформаторов
в
условиях
предельной
нагрузки
/
Р
.
М
.
Христи
-
нич
,
А
.
С
.
Луковенко
//
Современные
техноло
-
гии
.
Системный
анализ
.
Моделирование
, 2015,
№
2.
С
. 130–136.
4.
Гук
Ю
.
Б
.
Теория
надежности
в
электроэнерге
-
тике
.
Л
.:
Энергоатомиздат
, 1990. 208
с
.
5.
Костюков
А
.
В
.
Нейросетевая
система
прогно
-
зирования
остаточного
ресурса
прогнозиро
-
вания
трансформаторов
тяговых
подстанций
ОАО
«
РЖД
» /
А
.
В
.
Костюков
,
В
.
Б
.
Лила
//
Вест
-
ник
РГУПС
, 2013,
№
3.
С
. 137–141.
6.
Хайкин
С
.
Нейронные
сети
.
Полный
курс
.
М
.:
Вильямс
, 2006. 1104
с
.
7.
Луковенко
А
.
С
.
Повышение
надежности
обору
-
дования
электрических
подстанций
тягового
электроснабжения
при
работе
в
критических
режимах
/
А
.
С
.
Луковенко
,
Р
.
М
.
Христинич
//
ЭЛЕКТРО
.
Электротехника
,
электроэнерге
-
тика
,
электротехническая
промышленность
,
2016,
№
2.
С
. 36–40.
8.
Луковенко
А
.
С
.
Повышение
надежности
рабо
-
ты
оборудования
с
использованием
модели
нейросетевого
комплекса
//
Наука
третьего
ты
-
сячелетия
:
сборник
научных
трудов
по
итогам
международной
научно
-
практической
конфе
-
ренции
.
Т
. 1.
Нефтекамск
, 2015.
С
. 35–39.
9.
Луковенко
А
.
С
.
Определение
остаточного
ресурса
работы
силовых
трансформаторов
с
использованием
модели
искусственного
интеллекта
/
А
.
С
.
Луковенко
,
Р
.
М
.
Христинич
//
Современное
состояние
и
перспективы
раз
-
вития
транспортной
системы
России
:
сборник
трудов
научно
-
практической
конференции
студентов
,
аспирантов
и
молодых
ученых
.
Ир
-
кутск
, 2016.
С
. 56–61.
10.
Христинич
Р
.
М
.
Анализ
надежности
транс
-
форматорных
подстанций
110
кВ
с
боль
-
шим
сроком
эксплуатации
/
Р
.
М
.
Христинич
,
А
.
С
.
Луковенко
// 120
лет
железнодорожному
образованию
в
Сибири
:
сборник
статей
Все
-
российской
научно
-
практической
конферен
-
ции
с
международным
участием
. 1
т
.
Отв
.
ред
.
Мороз
Ж
.
М
.
Красноярск
:
Изд
-
во
«
Касс
», 2014.
С
. 176–179.
Оригинал статьи: Повышение надежности работы оборудования электросетевого комплекса с применением нейросетевого моделирования
Основным элементом системы электроснабжения, выполняющим функцию преобразования напряжения для последующей передачи и распределения электроэнергии в узлах нагрузки является силовой трансформатор, выход из строя которого приводит к тяжелым последствиям для энергосистемы. В статье приводится расчет показателей надежности силовых трансформаторов. Используя квантили распределения хи-квадрат, определены верхняя и нижняя граница наработки на отказ силовых трансформаторов для различного периода эксплуатации, определены доверительные границы с вероятностью α = 0,9; 0,95; 0,99. Представлено сравнение расчетных и реальных значений сопротивления изоляции обмотки силового трансформатора. В условиях предельной нагрузки трансформаторов, выработавших нормативный срок службы, предложено применение искусственного интеллекта для выработки рекомендаций эксплуатации и режимов работы силовых трансформаторов. Для решения задачи прогнозирования надежности оборудования используется многослойный персептрон. Из приведенных данных получаем наиболее точную картину перспективных параметров трансформатора при использовании его предыстории. Из результатов прогноза получена минимальная и максимальная величина погрешности.