ИСПОЛЬЗОВАНИЕ СИНХРОНИЗИРОВАННЫХ ВЕКТОРНЫХ

ИЗМЕРЕНИЙ ДЛЯ ВЫЯВЛЕНИЯ ВНУТРЕННИХ ПОВРЕЖДЕНИЙ В СИЛОВЫХ

ТРАНСФОРМАТОРАХ
В.С. Смирнов1, Т.Г. Климова2
1
ООО «ПиЭлСи Технолоджи», НИУ МЭИ
2
НИУ МЭИ
E-mail: smirnovvs.21@gmail.com
Введение
Анализ российского и мирового опыта развития технологии и анализ
функциональных возможностей устройств синхронизированных векторных измерений
(УСВИ) показывает целесообразность применения данных на объектах электроэнергетики
для решения разных задач [1]. Благодаря высокой точности, дискретизации, малому
времени отклика, а также синхронизации измерений с глобальными навигационными
системами, данные СМПР могут эффективно применяться при выполнении большого
круга задач, в том числе и для идентификации повреждений силового трансформатора.
Повреждения силового трансформатора в зоне действия его селективных устройств
защит можно разделить на два типа: внешние и внутренние. Внешними повреждениями в
данном случае будут являться КЗ на вводах, в ошиновке и на кабелях. Внутренние –
повреждения, которые возникают непосредственно во внутренней части самого силового
трансформатора, в зоне, ограниченной вводами высокого, среднего (при ее наличии) и
низкого напряжений [2]. Большая часть повреждений в силовых трансформаторах
относится к внутренним, основным видом повреждения которого является витковое
замыкание. Крайне важно обнаружить витковые замыкания на ранней стадии, для
немедленного отключения поврежденного трансформатора, чтобы избежать развития
данного повреждения, сводя к минимуму повреждения в трансформаторе и другом
соседнем оборудовании, и, таким образом, сокращая время простоя и общую стоимость
простоя.
Замыкание нескольких витков обмотки силового трансформатора приводит к
появлению большого тока в замкнувшихся витках, но изменение тока на выводах
трансформатора несущественное из-за большого соотношения замкнувшихся витков к
общему числу витков обмотки [3]. В данной ситуации основные дифференциальные
защиты силовых трансформаторов не всегда чувствительны к таким повреждениям.
Одним из способов решения данной проблемы является разработка новых
«интеллектуальных», с использованием нейронных сетей, алгоритмов релейной защиты
для обнаружения внутренних повреждений в силовых трансформаторах, в том числе с
применением синхронизированных векторных измерений (СВИ). Симбиоз СВИ и
нейронной сети, при её правильном обучении, может стать хорошей дополнительной
функцией в УСВИ для целей РЗА.
В работе рассмотрена возможность применения нейронных сетей и СВИ для
выявления витковых замыканий в обмотках силового трансформатора. Рассмотрено
машинное обучение (с учителем) нейронной сети в приложении Matlab Neural Net Pattern
Recognition по аварийным признакам, характеризующих витковое замыкание и проведен
анализ точности работы обученной нейронной сети.

Машинное обучение
Что такое, собственно, машинное обучение ?! Понятно, что «обучение» — это
когда некая модель каким-то образом «обучается», а потом начинает выдавать результаты,
то есть, скорее всего, что-то предсказывать. Очень общее определение «обучаемости»,
примерно такое, какое дает Томас Митчелл в классической книге «Машинное обучение»
[368]: «Компьютерная программа «обучается» по мере накопления опыта относительно
некоторого класса задач T и целевой функции P, если качество решения этих задач
(относительно P) улучшается с получением нового опыта» [x].
 Основная классификация задач машинного обучения представлена на рис. 1. Два
основных класса задач машинного обучения — это задачи обучения с учителем и
обучения без учителя. Для выполнения целей, выявление повреждений в силовых
трансформаторах по данным СВИ, поставленных в данной работе, необходимо выполнить
задачи обучения с учителем, а именно классификации данных. В рассматриваемой задаче
данные – это набор признаков, которые будут подаваться на вход нейронной сети с
ожидаемым выходным результатом: «true» - наличие виткового замыкания, «false» -
отсутствие виткового замыкания. Для того чтобы обученная нейронная сеть с высокой
точностью определяла повреждения в трансформаторе, очень важно правильно подобрать
признаки данного вида повреждения.

Рисунок 1 - Общая классификация постановок задач машинного обучения

Подготовка данных для машинного обучения

Подготовка набора данных для обучения нейронной сети выполнялась с
использованием модели трехфазного двухобмоточного трансформатора в Matlab/Simulink
[x]. Данная модель содержит непосредственно сам силовой трансформатор, источники
синусоидального напряжения, блок активации витковых замыканий, блок нагрузки на
стороне НН трансформатора и дополнительные блоки, для возможности вывода данных в
рабочую область Matlab (см. рис. 2).
 Рисунок 2 – Модель трехфазного двухобмоточного силового трансформатора в
Matlab/Simulink, с возможностью моделирования витковых замыканий

В данной работе рассмотрены только случаи виткового замыкания в обмотке ВН

фазы А силового трансформатора. Количество обмоток ВН, моделируемого
трансформатора составляет N=363 вт. Было смоделировано 1086 случаев замыкания от 1
до 362 витков обмотки ВН при трех разных сопротивлениях дуги замыкания Rдуги =
[0,05; 0,1; 0,15] Ом. Фиксировались данные тока фазы А и тока нулевой
последовательности, которые в последующем экспортировались в рабочую область Matlab
для дальнейшей их обработки.
На рисунке 3 представлены осциллограммы токов трех фаз стороны ВН и тока
нулевой последовательности при нормальном режиме работы трансформатора. Фазные
токи и ток нулевой последовательности соответствуют значениям нормального режима
работы трансформатора. Значения тока нулевой последовательности находится на уровне
e-11 степени ампер.

Рисунок 3 – Осциллограммы токов трех фаз стороны ВН и тока нулевой

последовательности в нормальном режиме работы трансформатора

На рисунке 4 представлены осциллограммы токов трех фаз стороны ВН и тока

нулевой последовательности при замыкании 10% обмотки ВН фазы А с сопротивлением
дуги замыкания Rдуги=0,05 Ом. Витковое замыкание активируется в момент времени 0,5
с. Как видно по осциллограммам в момент времени 0,5 с возрастает ток фазы А и
появляется ток нулевой последовательности.
 Рисунок 4 - Осциллограммы токов трех фаз стороны ВН и тока нулевой
последовательности при замыкании 10% обмотки ВН фазы А

Обработка данных для машинного обучения и непосредственное обучение

Данные тока фазы А стороны ВН и тока нулевой последовательности
обрабатываются в отдельной Simulink модели. У устройств СВИ частота выборки
составляет 80 точек на период промышленной частоты [x]. Полученные токовые данные
разбиваются на пакеты, размерностью 160 выборок с перекрытием в 80 выборок с
помощью блока «Buffer». Соответственно, в окно наблюдения попадет 160 выборок,
первые 80 из 160 выборок – это предыдущий период наблюдения, а оставшиеся 80
выборок – значения текущего периода. Затем «буфферизированный» сигнал
обрабатывается в блоке «Matlab Function»: выделяются признаки виткового замыкания,
которые необходимы для обучения нейронной сети (см рис. 3).

Рисунок 5 – Обработка данных в Simulink модели

Выделение признака осуществляется в соответствии со следующим выражением:

80 160

П=
|∑
1
y −∑ y
81
160
|
,
max ⁡( y )
1
80
где ∑ y – сумма первых 80 выборок тока;
1
160

∑ y – сумма выборок тока с 81 по 160;

81
max ⁡( y )160
1 – значение выборки с максимальным значением из 160 выборок в пакете.
Данная операция выделения признака применяется как к току фазы А стороны ВН,
так и к току нулевой последовательности. Полученные результаты в момент
возникновения виткового замыкания выгружаются обратно в рабочую область Matlab из
которых формируются матрица размерностью 1086 на 2. Дополнительно формируется
матрица с ожидаемыми выходными сигналами.
Полученным набором данных в приложении Matlab Neural Net Pattern Recognition
происходит обучение нейронной сети. Обучения осуществляется в автоматическом
режиме, после окончания обучения нейронной сети имеется возможность создания
Simulink модели обученной нейронной сети для использования в качестве нового вида
алгоритма детектирования витковых замыканий.
Все пройденные этапы: подготовка данных, выделение признаков и обучение
нейронной сети, представлен на рисунке 46. На первом этапе происходит подготовка
токовых данных при различных режимах виткового замыкания. Второй этап –
промежуточный, служит для трансляции полученных данных на первом этапе в другую
Simulink модель, на третий этап, для выделения необходимых признаков. Четвертый этап,
как и второй – промежуточный, служит для экспорта выделенных признаков из модели и
создания набора признаков для дальнейшего обучения нейронной сети на пятом этапе.

Рисунок 6 – Этапы создания нейронной сети для выявления витковых замыканий в

силовом трансформаторе

Проверка правильности функционирования обученной нейронной сети

Simulink модели.
Проверка правильности функционирования полученной нейронной сети
осуществляется по тем же этапам, что и создание самой нейронной сети (см. рис. 57).
 Рисунок 7 – Этапы проверки правильности функционирования нейронной сети
Модель и обвязка обученной нейронной сети в Simulink модели для её
тестирования при витковых замыканиях в разных режимах работы трансформатора
представлена на рисунке 8.

Рисунок 8 – Simulink модель обученной нейронной сети

В нормальном режиме работы силового трансформатора нейронная сеть

показывает, что вероятность нормального режима работы трансформатора соответствует
100%, вероятность виткового замыкания соответствует 0% (см. рис. 79).

Рисунок 9 – Работа алгоритма на основе ИИ при нормальном режиме работы

 При замыкании 10% обмотки ВН фазы А при Rдуги = 0.05 Ом в момент времени
0.5 с происходит незначительное увеличение тока фазы А (менее чем в 2 раза) и
появляется ток нулевой последовательности (см. рис. 810). В данном моделируемом
случае, нейронная сеть определяет, что произошло витковое замыкание через 0,2 с, это
видно по рисунку 810, на котором указана вероятность нормального режима работы
трансформатора, которая спадает практически до 0, а вероятность виткового замыкания
возрастает до 1. Исходя из данных показаний, можно сделать предположение о наличии
виткового замыкания в обмотке силового трансформатора.

Рисунок 10 – Работа алгоритма на основе ИИ при замыкании 10% обмотки ВН

При замыкании 1% обмотки ВН фазы А при Rдуги = 0.05 Ом алгоритм правильно
определяет режимы, фиксируя витковое замыкание (см. рис. 911).

Рисунок 11 – Работа алгоритма на основе ИИ при замыкании 1% обмотки ВН (Rдуги =

0,05 Ом)

При замыкании 1% обмотки ВН фазы А при Rдуги = 0.08 Ом (значение, которое не

входило в набор данных при обучении нейронной сети), алгоритм на основе ИИ только на
40% определяет наличие виткового замыкания в силовом трансформаторе, соответственно
по такому результату, нельзя быть на 100% уверенным о наличии виткового замыкания в
силовом трансформаторе. Следовательно, необходимо правильно и тщательно подбирать
набор данных, предназначенных для обучения нейронной сети, чтобы перекрыть все
возможные случаи с витковыми замыканиями.
 Рисунок 12 - Работа алгоритма на основе ИИ при замыкании 1% обмотки ВН
(Rдуги = 0,08 Ом)
Заключение
Проделанные опыты показывают, что для быстроты и селективности выявления
витковых замыканий в силовых трансформаторах, при замыкании малого количества
витков, можно использовать предварительно обученные нейронные сети на данных,
получаемых с УСВИ. Данный алгоритм можно использовать как дополнительную опцию,
которая позволяла бы заблаговременно определять витковые замыкания.
Применяя данный подход для выявления витковых замыканий на начальном этапе
необходимо целесообразно будет создать цифровую модель защищаемого первичного
оборудования в моделирующем комплексе, например, RTDS и примыкающую сеть. Если
рассматривается трансформатор на ПС, то необходимо рассмотреть шины ВН и НН, а
также шины СН, при их наличии, к которым подключены присоединения. В точке
подключения УСВИ произвести замеры токов и напряжений (при необходимости) в
различных режимах работы трансформатора и энергосистемы. В данных режимах
смоделировать витковые замыкания в силовом трансформаторе и получить набор данных
для обучения нейронной сети.
Новый подход выявления витковых замыканий отличается быстротой
срабатывания и чувствительностью к витковым замыканиям при малом соотношении
замкнувшихся витков к общему числу витков обмотки. Данный вопрос необходимо
прорабатывать дальше и более тщательно моделировать и готовить набор данных для
обучения нейронной сети.