Совершенствование моделей предиктивной диагностики и оценки состояния трансформаторного оборудования энергообъектов

Во введении обоснована актуальность темы исследования, сформулированы цель и задачи диссертации, представлены научная новизна, положения, выносимые на защиту, теоретическая и практическая значимость результатов работы.
В первой главе представлен сравнительный анализ современных методов и моделей для оценки технического состояния и остаточного эксплуатационного
ресурса электрооборудования. Произведен аналитический обзор существующих методов off-line и on-line диагностирования (мониторинга) силового маслонаполненного трансформаторного оборудования, представляющего собой критически важное оборудование энергообъектов ЭЭС. Рассмотрены наиболее эффективные и широко применяемые методы раннего обнаружения дефектов в СТ, дана их характеристика с точки зрения интегральной оценки индекса технического состояния (ИТС) и прогнозной оценки остаточного эксплуатационного ресурса. Выполнена оценка эффективности методов мониторинга параметров технического состояния СТ как с off-line, так и с on-line применением. Отдельно проанализирована одна из современных технологий повышения эксплуатационной надежности оборудования с использованием систем удаленного (дистанционного) мониторинга, СУМиД, основными функциями которых являются:
1. Мониторинг основного оборудования (оценка остаточного ресурса, раннее обнаружение дефектов в СТ, прогнозирование вероятности аварийных событий, отказов);
2. Возможность удаленного выключения оборудования или изменения параметров и дистанционное управление основным оборудованием.
Разработана математическая модель вероятности отказа отдельных функциональных узлов (ФУ) и СТ в целом с учетом фактических значений его
ИТС:
Впервые предложен показатель для сравнительной оценки информативности любого из методов мониторинга параметров состояния СТ, используемых в составе программно-аппаратного комплекса СУМиД объектов электрической сети:
D=100n Bi ,%. i 1 m bij
j1
Значение D представляет собой количественную меру диагностической ценности метода мониторинга параметров при определении ИТС СТ и рассчитывается через соотношение весовых коэффициентов. Здесь bij, Bi – весовые коэффициенты j-й группы контролируемых параметров и i-го ФУ соответственно. Очевидно, что при наличии в СУМиД необходимого состава контролируемых параметров, достаточного для достоверной оценки ИТС (табл.1,2), значение D составляет 100%. При отсутствии данных о параметрах мониторинга состояния по какому-либо из методов, значение D становится больше 100 %. При этом приращение количественной оценки информативности метода мониторинга:
ΔD= D 100 , %
характеризует повышение эксплуатационной надежности СТ на ΔD % при
nn QQ1e
ω0 B t i
смт
i1i i1
произведены количественные расчеты с ее использованием.

реализации данного метода за счет раннего выявления и своевременного устранения опасного развивающегося дефекта. На примере реальной электрической сети, содержащей подстанции 110-35-6(10) кВ с группой из 26 СТ 110 кВ и оснащенной СУМиД, доказан положительный экономический эффект от применения мониторинга маслонаполненного трансформаторного оборудования на основе метода анализа растворенных газов (АРГ).
Таблица 1 – Комбинации параметров состояния ФУ и значения их весовых коэффициентов
No п.п
2 3
5 6
Функцио- нальный узел
Магнитная Система (МС)
Группа контролируемых параметров
1) локальный нагрев бака по результатам ТВК 2) потери холостого хода ΔPх
Весовые коэф- ты, о.е.
bij Bi
0,500 0,18 0,500
Изоляционная система (ИС)
1) анализ растворенных газов
2) физико-химический анализ
3) состояние целлюлозы
4) отношение концентраций пар характерных
газов
0,425 0,425 0,140 0,010
0,32
1)
Обмотки (ОБМ)
1) состояние геометрии обмоток
2) тенденции изменения tgδцел. , R (по
60 3) R постоянному току обмоток ВН, НН
сравнению с начальным)
0,010 0,500 0,490
0,18
Высоковольт- ные вводы (ВВ)
1) состояние изоляции
2) анализ растворенных газов 3) физико-химический анализ 4) целостность конструкции
0,250 0,250 0,250 0,250
0,13
РПН
1) состояние масла: пробивное напряжение,
Wмасла
2) состояние контактора и механизмов привода
0,334 0,666
0,1
Система охлаждения (СО)
1) состояние навесного оборудования и бака 2) состояние защитного оборудования
0,500
0,500 0,09
На основе использования метода АРГ для мониторинга ФУ (ИС, ВВ) уровень эксплуатационной надежности СТ повышается на 27,3%, что приводит к экономии эксплуатационных затрат группы СТ 110 кВ за период ремонтного цикла 8 лет:
Э = ΔЗрц ЗАРГ 18,1142 1,8488 16,2654 млн. руб.,
где: ΔЗРЦ – суммарная экономия затрат на техническое обслуживание и ремонт 26- ти СТ 110 кВ на подстанциях рассматриваемого сетевого района на интервале одного ремонтного цикла; ЗАРГ – суммарные затраты на off-line мониторинг с применением АРГ 26-ти СТ. Отмечается, что учет в расчетах ряда конкретных допущений не может повлиять на качественное соотношение полученных результатов.

Вторая глава посвящена выбору математического аппарата для разработки предиктивных и адаптивных моделей оценки технического состояния СТ. Выполнен сравнительный анализ методов искусственного интеллекта, нашедших широкое применение при решении задач диагностирования электрооборудования (включая маслонаполненное трансформаторное оборудование). Среди них искусственные нейронные сети, статистическая классификация и распознавание образов, нечеткие множества и нечеткая логика. На основании анализа сделан вывод о том, что синтез моделей и алгоритмов, основанных на достоинствах указанных методов искусственного интеллекта, является перспективным направлением дальнейших исследований в диссертации. На основе аппарата теории нечетких множеств и нечеткой логики в диссертации разработаны модели интерпретации результатов АРГ в масле СТ, реализующие метод IEC, отношений Дорненбурга, треугольника Дюваля. Программная реализация указанных нечетких предиктивных моделей на единой универсальной цифровой платформе LabVIEW 2018 создает идеальные условия для взаимного сравнения точности методов интерпретации АРГ, достоверности нечетких моделей диагностической оценки в соответствии с их внутренними свойствами. Верификация моделей и их программной реализации на независимых примерах из практики эксплуатации СТ, а также результатах опубликованных сторонних исследований подтвердило выводы о сравнительной точности методов интерпретации результатов АРГ, позволило получить эффективные цифровые инструменты для практического применения в системах поддержки принятия решений по эксплуатации СТ.
Одним из значимых преимуществ разработанных автором нечетких предиктивных моделей определения вида дефектов в СТ по результатам АРГ является их программная реализация на единой цифровой платформе. Это позволяет воспроизводить диагностические оценки по разным моделям с единым уровнем достоверности при вариации исходных данных. На рис.1 показаны функции принадлежности входных переменных нечеткой предиктивной модели по методу Дорненбурга, которыми являются четыре соотношения газов: CH4/H2, C2H2/C2H4, C2H2/CH4, C2H6/C2H2.
Разработанные цифровые модели и алгоритмы предиктивной оценки типа развивающихся в СТ дефектов были подвергнуты верификации на большом массиве статистических данных АРГ. Верификация цифровых моделей и алгоритмов выполнялась с целью сравнительной оценки достоверности, получаемых с их помощью результатов, во-первых, по отношению друг к другу (сравнение друг с другом методов интерпретации), а, во-вторых, по отношению к некоторому эталонному независимому решению. В качестве эталонного решения были использованы два типа данных: 1) данные из практики эксплуатации СТ типа ТДН-250000/220 кВ Новосибирской ТЭЦ-5, подтвержденные протоколами диагностических испытаний за достаточно продолжительный период (2006 – 2013) и актами вскрытия; 2) результаты исследований из опубликованных источников с индексацией в Web of Science и Scopus.
Рисунок 1 – Функции принадлежности входных переменных нечеткой модели прогнозирования типа дефекта в СТ по методу Дорненбурга
На рис.2 представлен алгоритм нечеткого прогнозирования типа дефектов в СТ по методу IEC.
Рисунок 2 – Алгоритм нечеткого прогнозирования типа дефектов в СТ по методу IEC

Проведенная верификация разработанных нечетких цифровых моделей и алгоритмов расчета показала, что наиболее достоверные диагностические оценки (более 86%), как и ожидалось, позволяет обеспечить нечеткая предиктивная цифровая модель по методу треугольника Дюваля (рис.3). Это послужило основанием для обоснованного выбора указанной модели в качестве вычислительного ядра системы поддержки принятия решений, описание которой приведено в главе 5 диссертации.
Рисунок 3 – Сравнение достоверности нечетких цифровых моделей
Третья глава посвящена совершенствованию моделей статистической Байесовской классификации дефектов в маслонаполненных СТ и их интеграции с оценкой остаточного эксплуатационного ресурса. Статистические модели на основе байесовской классификации и распознавания образов достаточно известны и успели хорошо себя зарекомендовать благодаря ряду исключительных качеств. Не смотря на значительный вычислительный и аналитический потенциал указанных моделей, он далеко не исчерпан. Развитие потенциала и совершенствование моделей видится в направлении повышения их адаптивности и достоверности, что является весьма востребованным с точки зрения интеллектуальных диагностических (мониторинговых) систем. Этому в полной мере способствуют новые возможности информационного обеспечения диагностики и цифровая трансформация отрасли. В данном контексте под адаптивностью диагностических моделей понимается свойство приспосабливаться к изменяющимся внешним факторам и условиям эксплуатации, а под достоверностью – свойство удовлетворять точности оценок на уровне заявленных или требуемых по условию задачи.
В диссертации изучен и обобщен опыт предыдущих исследований в области разработки и применения математических моделей Байесовской классификации дефектов в маслонаполненном трансформаторном оборудовании, а также сформулирована базовая методика построения предиктивных моделей оценки технического состояния СТ (рис.4).
Формирование статистических моделей для оперативной и предиктивной оценки состояния СТ на основе Байесовских решений по данным АРГ включает ряд расчетно-аналитических процедур и является весьма трудоемким.

Рисунок 4 – Базовая методика формирования моделей статистической (Байесовской) классификации состояний СТ
По этой причине к ним применим термин «медленные» модели. Зато быстрый и точный результат решения полностью компенсирует затраты времени и прочих ресурсов на построение моделей.
Анализ состоятельности и достаточности сформулированной базовой методики в работе выполнен на контрольном примере для группы из 18 СТ 110 кВ района электрической сети. Матрица исходных данных содержит ретроспективу
(глубиною 5 лет) из 328 протоколов АРГ, значений токовых нагрузок Iн.нагр
Iс.нагр
структуру (табл.2). В крайнем правом столбце указаны значения коэффициентов
на шинах низкого (среднего) напряжения СТ и имеет следующую
загрузки СТ в момент отбора проб масла на АРГ.
Таблица 2 – Структура исходной диагностической информации
Номер прот-ла 1 …
N
Дата
13.01.05 … 17.12.09
Концентрации растворенных газов в масле, ppm
Kзагр о.е. 0,2769 … 0,3703
Н2 СН4 1,1 1,4 … … 5,1 29,2
С2Н4 С2Н6 С2Н2 СО2 7,7 0,39 0,01 614 … … … …
233,7 0,15 60,1 28,1
СО 47,7 … 28,1

На рис.5 представлена совмещенная по классам состояния гистограмма частот распределения случайной величины Ф (П1 – «норма», П2 – «отклонение от нормы»), представляющей собой нелинейную свертку вида:
n 7 Ai 2
Ф(A) a w a w i 1 Aiгр , (1)
где: Ai и
установленные нормативами их пороговые значения.
ppm) и
11 nn
i 1 Aiгр
Ai гр
n 7 Ai
– абсолютные концентрации газов (в %об или
Рисунок 5 – Совмещенная гистограмма Ф для дихотомии классов П1, П2
Получаемые модели оценки обладают рядом неоспоримых достоинств, например, таких как:
1)одномодальность распределений случайной величины (1) и линейная разделимость классов состояний;
2) высокая чувствительность к распознаваемым дефектам и достоверность оценок на уровне 97%;
3) возможность извлечения дополнительной диагностической информации из результатов анализа распределений случайной величины (1) и построения корреляционных функций.
Свойства адаптивности Байесовских моделей в работе реализованы через возможность настройки границы раздела классов состояний СТ по выражению (2):
Фгр M kζ 11
с помощью смещения по оси значений Ф (рис.5) при вариации вычислительной константы k от 2 до 3. Подобную настройку целесообразно выполнять, ориентируя диагностическую модель на минимальную суммарную ошибку диагноза ε , которая включает в себя ошибку первого рода (ложная тревога) – ε1 и ошибку второго рода
, (2)

(пропуск дефекта) – ε2 . Таким образом, настройка на минимум возможной
суммарной ошибки распознавания дефектов в СТ minε ε 12
активирует
адаптивные свойства модели и повышает достоверность получаемых диагностических оценок. Кроме этого развитие свойств адаптивности Байесовских моделей связано с построением корреляционной функции Фгр(Кзагр) . Ее
полиномиальная аппроксимация Фгр А exp В Кзагр удобным в вычислительном плане инструментом (рис. 6).
представляется весьма
Рисунок 6 – Корреляционная функция Фгр(Кзагр)
Исследованиями установлено, что статистические распределения Ф в классах состояний П1 и П2 являются двухпараметрическими (математические ожидания: М1, М2, среднестатистические отклонения: σ1, σ2) и подчиняются одному из законов: нормальному, логарифмически-нормальному, гамма. Это открывает ряд возможностей для проявления существенных преимуществ Байесовского классификатора при формировании границы раздела дихотомии классов состояний СТ. В работе исследовано влияние количества и состава контролируемых диагностических параметров на изменение границы раздела классов состояний. Результаты позволили сформировать практические рекомендации к настройке ФГР на основании специальных функций, обеспечивающих максимальную достоверность модели в любых условиях применения. Установлено, что при уменьшении количества параметров, участвующих в формировании модели статистической Байесовской классификации наблюдается характерное изменение числовых и интегральных характеристик распределения Ф в классах состояний П1 и П2. Так М1 и σ1 при уменьшении n имеет тенденцию к увеличению, что приводит к увеличению значения Фгр (рис. 7). Это
объясняется различным соотношением количества вариант в выборках протоколов АРГ для классов состояний П1 и П2, полученных в результате стартовой классификации по критерию «граничных концентраций» для различного количества газов (n).
Рисунок 7 – Зависимость значений Фгр и ε от количества параметров n
Четвертая глава посвящена реализации разработанных моделей и алгоритмов в составе информационно-аналитической системы (ИАС) поддержки принятия решений по эксплуатации трансформаторного оборудования на реальных энергетических объектах. На основе анализа задач управления эксплуатацией СТ в ЭЭС сформулированы ключевые принципы разработки ИАС, предложена ее базовая структура и набор функций (рис. 8).
Рисунок 8 – Структурно-функциональная схема ИАС по эксплуатации СТ
Структура ИАС поддержки принятия решений по эксплуатации СТ включает три интегрированных функциональных уровня: 1 – информация (накопление и первичная обработка данных); 2 – модели (формирование и корректировка предиктивных моделей); 3 – принятие решений (критериальная оценка, формирование выводов и рекомендаций по дальнейшей эксплуатации СТ).
Первое практическое приложение получила ИАС поддержки принятия решений по эксплуатации СТ 110 кВ района распределительной электрической сети с функцией удаленного мониторинга. В СУМиД группы маслонаполненных СТ 110 кВ, эксплуатируемых в одинаковых условиях на подстанциях электрической сети, применяется комплекс методов on-line и off-line контроля параметров состояния, достаточный не только для оперативной оценки технического состояния оборудования, но и для интегральной оценки, измеряемой значением ИТС и остаточного эксплуатационного ресурса. В диссертации разработан программный модуль, дополняющий базовую структуру ИАС по эксплуатации СТ и расширяющий ее функциональные возможности в направлении автоматизации вычислений текущих значений ИТС для каждой единицы оборудования на основе положений методики Минэнерго и имеющейся исходной информации. Периодичность вычисления ИТС СТ изменяется в соответствии с очередной актуализацией базы данных параметров состояния СТ, но не реже одного раза в год). Одновременно с ИТС по ниже приведенному алгоритму вычисляется остаточный эксплуатационный ресурс СТ (рис. 9):
1) вводятся значения ИТС СТ на начальный (Tр (i1) ) и текущий (Tр i ) моменты эксплуатации;
2) рассчитывается текущее значение ресурса i–го СТ ( Ri ): Ri Ri 1 exp ИТСi 1 ИТСi ;
3) рассчитывается значение остаточного ресурса СТ:
Rостi Ri Rпр
Рисунок 9 – Поддержание остаточного ресурса СТ в процессе эксплуатации
Второе приложение ИАС поддержки принятия решений разработано для блочных Т1-Т5 110 кВ Новосибирской ГЭС, для которых характерен устойчивый монотонный рост концентраций растворенных в масле СО и СО2 в процессе
.

продолжительной эксплуатации. Периодическая дегазация масла из бака СТ не являлась решением проблемы, так как через некоторое время рост концентраций СО и СО2 возобновлялся. В нормальных условиях эксплуатации СТ неограниченный рост оксидов углерода свидетельствует об ускоренной деструкции масла и/или целлюлозной изоляции, что вызывает обоснованную тревогу эксплуатационного персонала станции. В подобной ситуации эксплуатационный персонал сталкивается с вызовами вероятной угрозы безопасности ГЭС. Исключение встроенных локальных систем диагностического мониторинга СТ из участия в разрешении затянувшейся проблемной ситуации предопределял ряд указанных в работе ограничений. Для выявления причин ускоренного старения элементов изоляционной конструкции высоковольтных маслонаполненных СТ и оценки их приоритетности в ситуации Т1-Т5 НГЭС был выполнен детальный анализ с использованием одного из логико-графических методов. Разработанное в диссертации техническое решение представляет собой логико-вычислительную надстройку к встроенным локальным системам диагностического мониторинга СТ НГЭС (рис. 10).
1, 2,…, 5 – контролируемые силовые трансформаторы; ВБ – вычислительный блок; БП – блок памяти; НСИ – нормативно-справочная информация; БС – блок сравнения; БПР – блок принятия решений (блок идентификации); ИВД – интерфейс вывода данных. Рисунок 10 – Структурно-функциональная схема ИАС поддержки принятия решений по эксплуатации Т1-Т5 НГЭС
В пятой главе приведена разработка прикладного программного продукта «Программа распознавания дефектов в трансформаторах по результатам анализа растворенных газов».
Программа предназначена для прогнозирования дефектов и оценки технического состояния маслонаполненного трансформаторного оборудования (МНТО) напряжением 110–750 кВ с
Основой для создания прикладного программного продукта
(далее программа) явились модели и алгоритмы, разработанные и
усовершенствованные автором в процессе выполнения исследований в рамках
диссертационной работы.
использованием протоколов АРГ. Программа предназначена как для установки на сервере головной подстанции сетевого района либо в центре управления сетями для обеспечения оперативной и предиктивной оценки технического состояния СТ в режиме дистанционного мониторинга, так и на локальных вычислительных устройствах электрических станций для выполнения функций on-line мониторинга СТ. Программа разработана на основе следующих программно-вычислительных компонентов и приложений: Lab View 2018; Fuzzy Logic; Simulation; Node Formula Programming и выполняет следующий комплекс служебных функции:
 выполняет ввод, хранение и обработку исходных данных;
 формирует случайные реализации статистических выборок контролируемых параметров;
выполняет вычислительные операции по определению числовых и интегральных характеристик случайных величин;
 производит проверку статистических гипотез о принадлежности исследуемого распределения одному из стандартных законов;
 производит идентификацию наличия (отсутствия) дефекта в однотипном маслонаполненном трансформаторном оборудовании (МНТО);
 определяет достоверность оценки состояния и минимизирует возможную ошибку диагноза;
 определяет тип и характеристики прогнозируемого дефекта;
 выявляет вероятную причину развития дефекта в трансформаторе; формирует рекомендации для принятия решений по дальнейшей
эксплуатации МНТО;
 определяет целесообразную частоту отбора проб масла на АРГ и уточняет
техническое состояние твердой изоляции.
Автоматическое выполнение математических расчетов обеспечивает
оперативность принятия решения, способствует сокращению времени на изучение истории эволюции технического состояния конкретной единицы МНТО, а также в значительной степени снижает вероятность ошибок персонала в результате неправильных математических расчетов и экспертных оценок.
Программа реализует следующие этапы вычислительных и логических операций:
1. Ввод данных протоколов АРГ и определение типа МНТО;
2. Определение наличия (отсутствия) неисправности (отклонения от нормы); 3. Определение типа и характеристик неисправности;
4. Определение вероятной причины неисправности;
5. Определение скорости развития неисправности;
6. Представление процедуры принятия решений;
7. Оценка состояния твердой изоляции;
8. Определение периода отбора проб масла на АРГ;
9. Формирование заключения и подготовка отчета.
Обобщенный алгоритм работы программы показан на рис. 11.
Рисунок 11 – Обобщенный алгоритм работы программы
ЗАКЛЮЧЕНИЕ
Основные результаты исследований, полученные при выполнении диссертационной работы, заключаются в следующем:
1.Выполнен анализ актуального состояния методов off-line и on-line мониторинга МНТО, представляющего собой критический вид оборудования электростанций и электрических сетей ЭЭС. Произведен аналитический обзор

математических методов искусственного интеллекта и машинного обучения с целью дальнейшего совершенствования моделей предиктивной диагностики и оперативной оценки технического состояния МНТО.
2. Впервые введен в рассмотрение индекс диагностической ценности методов контроля (мониторинга) параметров состояния МНТО при расчете его ИТС и остаточного эксплуатационного ресурса. С его применением выполнена технико- экономическая оценка, доказывающая наличие эффекта от применения систем удаленного диагностического мониторинга МНТО, на подстанциях района электрической сети.
3. Разработаны нечетко-логические предиктивные модели для определения типа прогнозируемого в трансформаторе дефекта с применением наиболее эффективных методов интерпретации результатов АРГ (IEC, Дорненбурга, треугольника Дюваля), выполнена их верификация на ряде независимых примеров из практики эксплуатации СТ и результатах альтернативных сторонних исследований, опубликованных в изданиях Web of Science и Scopus.
4. Изучен и обобщен опыт в области разработки предиктивных моделей статистической (Байесовской) классификации и распознавания состояний СТ. Сделан вывод о целесообразности совершенствования статистических Байесовских моделей, алгоритмов оценки и критериев распознавания состояний СТ в направлении повышения адаптивности и достоверности диагностических оценок. Разработан обобщенный алгоритм предиктивной и оперативной оценки состояния, расчета ИТС и остаточного эксплуатационного ресурса единичного СТ.
5.Сформирована базовая структура, ключевые функции и состав информационного обеспечения ИАС поддержки принятия решений по длительной надежной и безопасной эксплуатации МНТО типового энергообъекта. С применением разработанных предиктивных моделей и алгоритмов диагностической оценки разработаны две модификации ИАС МНТО, эксплуатируемых в составе района электрической сети и в составе энергоблоков гидроэлектростанции. Предложены оригинальные программно-аналитические решения, соответствующие условиям конкретного применения ИАС.
6. Разработано прикладное программное обеспечение, представляющее собой вычислительное ядро системы поддержки принятия решений по безопасной эксплуатации МНТО в составе энергетических объектов ЭЭС и реализующее разработанные модели и алгоритмы на единой вычислительной платформе.