بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
تشخیص عیوب ترانسفورماتورهاي قدرت با الگوریتم تلفیقی گوس-نیوتون وبیسین
چکیده: تجزیه و تحلیل گازهاي محلول در روغن ترانسفورماتورهاي قدرت با استفاده از گازکروماتوگرافی((GC اطلاعـات مهمی در مورد وضعیت عیوب ترانسفورماتورهاي در حال بهره برداري در اختیار بهره بردار قـرار مـی دهـد و او را قـادر خواهد ساخت تا قبل از وارد آمدن خسارات سنگین بتوان نسبت به تشخیص ورفع عیب اقدام نمود. در این مقالـه ضـمن معرفی انواع روشهاي کلاسیک وهوشمند بکاررفته در تشخیص عیوب ترانسفورماتورها، روش هوشمندي بـا اسـتفاده از شبکه عصبی وتلفیق روش گوس نیوتون با روش بیسین ارائه شده است کـه داراي دقـت وقابلیـت اطمینـان بـالایی در تشخیص عیوب می باشددر انتهاي مقاله نیز نتایج حاصله از تشخیص این روش با روشهاي دیگرتشخیص مقایسـه وارائـه شده است.
واژه هاي کلیدي: ترانسفورماتورهاي قدرت، گازهاي محلول در روغن (DGA)، تشخیص عیب، شبکه عصبی.
-1مقدمه
ترانسفورماتورهاي قدرت از جمله تجهیزات بسیار گران قیمت سیستمهاي قدرت می باشـدکه سـالانه هزینـه هنگفتـی صـرف خریـد، سرویس ونگهداري وتعمیر آن خواهد شد لذا عملکرد صحیح و بی وقفه آن از شرایط لازم بوده و خطاهاي شدید می توانـد باعـث وارد شدن خسارات زیادي شده و اتلاف هزینه هاي زیادي براي شرکتهاي برق در برداشته باشد زمانی که خطـایی درون ترانسـفورماتور بـه وقوع می پیوندد دما شروع به افزایش کرده و گازهاي مختلف با توجه به نوع و شدت خطاي حاصله شروع به تولید و رشد می کننـد در این هنگام، پیوندهاي مولکولهاي هیدروکربنی روغن شکسته شده و در اثر فعل و انفعالات شیمیایی گازهایی درون روغـن تولیـد وحـل خواهند شد. لذا به کار گیري تکنیک هاي صحیح جهت تشخیص و آشکارسازي به موقع عیوب اولیه جهت سرویس بموقـع بـه منظـور جلوگیري از بروز خطاهاي شدید لازم و ضروري می باشد.
-2گازهاي تولیدي محلول درروغن
یکی از روشهاي متداول تشخیص، آشکار سازي و پیش بینی شرایط کاري ترانسـفورماتورها اسـتفاده از تجزیـه گـاز روغـن و یـا روش کروماتوگرافی جهت تشخیص گازهاي محلول در روغن به منظور آشکار سازي خطاهاي ابتدایی در ترانسفورماتورها می باشـد. [1] بـه هر حال وقتی خطایی درون ترانسفورماتور اتفاق می افتد خاصیت عایقی روغن کاهش یافته و دما شروع به افزایش می کند بـه طـوري که گازهاي مختلف با آهنگ سریع تولید می شوند این گازها با توجه به تفاوت شدت و نوع خطاهاي مختلف شروع به تولید و رشد می کنند تحت این شرایط مولکولهاي هیدروکربنی روغن معدنی، تجزیه شده و به شکل هیدروژن اکتیو و دیگر انواع هیدروکربنها در آمـده به طوري که اینها می توانند با یکدیگر ترکیب شـده و گازهـایی همچـون هیـدروژن((H2، متـان((CH4، اتـان((C2H6، اتـیلن((C2H4، استیلن((C2H2، اکسیژن((O2، نیتروژن((N2، مونوکسید کربن((CO، دي اکسید کربن((CO2، پـروپن((C3H6 و پروپـان((C3H8 تولیـد کنند. توجه داشته باشید که هریک از آنهامنحصراً به دما در نزدیکی نقطه تنش بستگی دارد.[2]
-3عیوب ابتدایی ترانسفورماتور
در یک ترانسفورماتورخطاهاي مختلف به دلایل متنوعی ممکن است رخ دهد لذا خطاهاي ابتدایی که ممکن است در ترانسفورماتور به وقوع بپیوندد را می توان به دو گروه تقسیم نمود:
الف)عیوب الکتریکی شامل تخلیه جزئی Partialdischarge)) و تخلیه الکتریکی((Dischargeاست که این تخلیـه شـامل:– Sparkover Sparking discharges – Tracking – Flashover – Puncture می باشد.
ب) عیوب حرارتی: در اثر عواملی همچون نارسایی سیستم خنک کنندگی، جریانهاي گردشی بیش از اندازه در هسته از قبیل جریانهاي گردشی و یا نشتی فلوي مغناطیسی به دلیل تخریب عایقی و یا اتصالات ناقص و یا جریانهاي گردشی میان کلمپ هاي یـوغ و پیچهـا، معیوب بودن لحیم ها یا کلمپ ها در حفاظهاي مغناطیسی به وجود می آید.
-4 کلاسیک تشخیص عیب
الف) روش گازهاي کلیدي:در این روش گاز کلیدي براي هر نوع خطایی شناسایی شده و با توجه به درصد گاز از آن بـراي تشـخیص خطا استفاده می شود .[3 ]
ب)روش نسبت دورننبرگ(:(Dornenberg در این روش تفاوت میان خطاهاي الکتریکی و حرارتی با استفاده از چهار نسـبت گـازي C2H6/C2H2,C2H2/C2H4,C2H2/C2H4,CH4/H2 بیان می شود .[3]
ج)روش نسبت راجرز(:(Rogersدر روش راجرز نیز بر اساس چهار نسبت گازي و توسـط شـرکت (CEGB)1 ارائـه شـده اسـت هـر نسبت گازي بر اساس محدوده مشخص داراي کد مخصوص به خود می باشد [ .4 ]این روش بعدها مورد تجدید نظر قرار گرفت.
د)روش مثلث دو آل(:(Duval Triangleاین روش تشخیص توسط شخصی به نام دوآل و با استفاده از درصد سه گاز کلیـدي متـان، استیلن و اتیلن در سه ضلع مثلث استفاده می شود. در این روش فقط در صورت اطمینان از وجود عیب قـادر بـه تشـخیص و تفکیـک عیوب حرارتی و الکتریکی ترانسفورماتور می باشیم .[5]
ه) روش :IEC این روش تشخیص ابتدا در سال 1978 بر اساس نسبتهاي گازي راجرز و در استاندارد IEC-60599 ویـرایش شـده است که جهت تشخیص عیب از سه نسبت گازي C2H2/C2H4,CH4/H2,C2H4/C2H6 استفاده می شـود. ایـن روش تشـخیص در سال 1991 مورد تجدید نظر قرار گرفت .[6]
و)روش:IEEE در این روش چهار وضعیت مختلف جهت تشخیص مشکل در ترانسفورماتور در نظر گرفته شده است این چهار وضعیت در دو جدول یکی بر اساس وضعیت موجود گازهاي هیدروکربنی و مجموع گازهاي محلول قابل احتراق 2(TDCG) دیگـري بـر اسـاس میزان رشد گاز هاي هیدروکربنی و رشد TDCG در نظر گرفته شده است .[3]
ز) روش نموگراف(:(Nomograph Method توسط شخص Church در آمریکا ابداع شده است که براساس نمـودار و روش نمـوگراف لگاریتمی عمل می کند [ .4 ]
-5انواع روشهاي هوشمند موجود درمقالات
در هر یک از روشهاي ذکر شده در بخش روشهاي تشخیص عیب اعم از روش گازهاي کلیدي، روش نسبت و یا مقادیر حـدي نواقصـی به چشم می خورد. به عنوان مثال در روش گازهاي کلیدي چون معیار روابط بین گازها بر حسب مقادیر عـددي بیـان نمـی شـود میزان تشخیص تا حدود زیادي بر مبناي تجربه می باشد و یا در روشهاي نسبت اعـم از روش دورننبـرگ، راجـرز و یـا IEC بـه دلیـل محدودیت کدهاي تشخیص و تنوع زیاد گازهاي محلول در روغن احتمال عدم تشخیص عیب بالا می رود و در بعضی موارد اپراتور قادر به تصمیم گیري صحیح نمی باشد لذا استفاده از تکنیک هاي هوشمند هم عیوب ذکر شده فـوق را مـی پوشـاند و هـم داراي دقـت و ضریب اطمینان بالاتري نسبت به موارد ذکر شده می باشد. در میان تکنیک هاي هوشـمند، شـبکه عصـبی بـه دلیـل توانـایی بـالا در یادگیري از نمونه ها، توانایی تشخیص الگو (pattern-recognition) و طبقه بندي الگو (pattern-classification) و توانایی نگاشت غیر خطی بین بردارهاي ورودي و خروجی، قدرت تعمیم دهی و عدم نیاز به مدل فیزیکی و مکانیزم مشخص قابلیت بـالایی جهـت تعیـین روابط نامعلوم بین نوع عیب و گازهاي محلول در روغن خواهد داشت. از طرفی منطق فازي نیز به طور مؤثري جهـت کـار بـا اطلاعـات ناقص، غیر دقیق و نا معلوم و افزایش دقت تحلیل به کار برده می شود. کارهایی در این زمینه در مقالات مختلف انجام شده است، بـه عنوان مثال در مقاله [8] شبکه عصبی به روش BP و variable learning rate جهت تربیت شبکه استفاده شده است. نویسنده تعـداد داده ها را به ده گروه تقسیم بندي نموده است متناوباً داده هاي هر گروه را جهت تست شبکه عصبی تربیت شده با نه گروه دیگـر به کاربرده است و در انتها مقایسه اي بین تعداد تکرارهاي شبکه در روشBP معمولی و variable learning rate انجام داده است و سر انجام در جدول نمونه هاي تست شده واقعی یکی از نمونه ها به غلط وضعیت نرمال تشخیص داده شده در حالیکهواقعاً مشکل حرارتی (overheating) در ترانس وجود داشته است.
در مقاله [9]نویسنده شبیه سازي با استفاده از شبکه عصبی بر روي اطلاعات گاز کروماتوگرافی 13 نمونـه مختلـف ترانسـفورماتورهاي معیوب ارائه شده توسط کمیته ECRA انجام داده است همچنین شبکه هایی نیز بر اساس ضـوابط تشـخیص اسـتاندارد IEC طراحـی نموده نهایتاًو چهار شبکه حاصله بر روي 26 نمونه واقعی ترانسفورماتورهاي معیوب آزمایش شدهونتیجتـاً رانـدمان دقـت تسـت بـین %73-%96 به دست آمده که بیشرین دقت مربوط به روش ECRA بوده است. در مقاله [10]نویسنده شبکه هاي عصبی بر اساس پـنج ضابطه تشخیص:دورننبرگ، راجرز، راجرز تصحیح شده، IEC، CSUS ارائه نموده است. ورودي و خروجی هر شـبکه بـر اسـاس ضـوابط تشخیص مربوطه انتخاب شده است. مجموعه اي از 117 نمونه گاز کروماتوگرافی جهت تربیت شبکه و 33 نمونه نیز جهت تست شبکه استفاده شده است در انتها نویسنده راندمان دقت تست ضوابط تشخیص را در محدوده %87/8 -%100 به دست آورده است. در مقاله ] [11 نویسنده از شبکه عصبی غیر ناظر (un-supervised) و به روش ART به دلیل توانایی بالاي خـود سـاماندهی (self-organizing) استفاده نموده است ودر انتها نیز از تعداد 19 نمونه واقعی جهت تست شبکه استفاده نموده است.
در مقاله [12] نویسنده مجموعه 755 داده جهت تربیت شبکه به روش غیر ناظر (kohnen) استفاده نموده است. خروجی شبکه شامل تخلیه الکتریکی (EDS)، مشکل حرارتی((TFS، تلفیق مشکل حرارتی و الکتریکی و وضعیت نرمال می باشد. در مقالـه [13] سیسـتم
هوشمند چهارمرحله اي ارائه شده است که خروجیهاي سیستم حالت نرمال، مشکل حرارتی، مشکل الکتریکی و حالت بدون تشـخیص می باشد. که این خروجیها حاصل یک شبکه عصبی RBF و سه روش تشخیص راجرز، دورننبرگ و NBR 7274 است.
این خروجیها با هم مقایسه و بعد از تحلیل آماري نتیجه گیري نهایی می شود. زمانی که تصمیم گیري قطعـی امکـان پـذیر نباشـد از منطق فازي استفاده می شود. نویسنده بیان نموده که با این روش راندمان دقت تشخیص به بیش از %80 رسیده اسـت. در ایـن مقالـه سعی شده است سیستم هوشمند ترکیبی و بهینه با هدف دقت و قابلیت اطمینان بالا جهت تشـخیص عیـوب ابتـدایی ترانسـفورماتور طراحی شود.
-6 تشریح روش پیشنهادي و چگونگی پیاده سازي
روش یادگیري 3BP به طور گسترده اي در شبکه هاي عصبی چند لایه استفاده می شود. در ایـن روش تنظـیم پارامترهـاي شـبکه در جهت منفی گرادیان (بیشترین نزول) می باشد. علاوه بر این روش، الگوریتم گوس-نیوتون، به منظور کاهش زمان محاسبات و افـزایش سرعت همگرایی، از ماتریس ژاکوبین(J(x در محاسبه ماتریسهاي هسیان ( 2V ( x وگرادیان V (x) مطابق فرمولهـاي 1و2 اسـتفاده می کند.
e(x) نیزتفاوت بین مقدار واقعی وتخمینی می باشد. الگوریتم Marquardt-levenberg نیز الگوریتمی است که ازتقریب گوس-نیوتـون استفاده نموده با این تفاوت که حد فاصلی بین الگوریتم بیشترین نزول و روش گـوس-نیوتـون مـی باشـد. [15]طبـق فرمـول((3و((4 داریم:
وقتی تابع عملکرد افزایش و یا کاهش یابد پارامتر به ترتیب در فاکتور ضرب و یا تقسیم می شـود وقتـی خیلـی زیـاد شود الگوریتم تبدیل به بیشترین نزول با پله هاي شده و بالعکس، وقتی کم شود الگوریتم تبدیل به روش گوس-نیوتون مـی شود. خصوصیت مثبت این الگوریتم همگرایی سریع آن در بعضی موارد نسبت به روش هاي دیگـر همچـون 4VLBP و 5CGBP اسـت وخصوصیت منفی آن کاهش حافظه در شبکه هاي بزرگ مـی باشـد. در کلیـه الگوریتمهـاي BP جهـت بهبـود قـدرت تعمـیم دهـی وجلوگیري از مشکلover fitting شبکه، می بایستی حدود 1/4 از کل داده ها را به عنوان داده هاي Valid بکار برد تا پارامترهاي شبکه در مینیمم خطاي validation حاصل شوند و این روش زمانی که تعداد داده هاي ورودي شبکه کم باشند ایجاد مشکل می کند. جهت بهبود قدرت تعمیم دهی و هموار نمودن پاسخ شبکه می توان تقریب گوس-نیوتون را با روش بـیس((Bayesian تلفیـق نمـود و تـابع عملکرد را طبق فرمول()5 به کمک پارامترهاي تابع هدف و به دو بخش مجموع مربعات خطاي وزن ( ( EW و مجموع مربعات خطاي شبکه ( ( ED تقسیم نمود.
جهت مینیمم شدن تابع عملکرد، پارامترهاي با استفاده از تکنیکهاي ریاضی(بسط سري تیلور) و آماري(روش بیس)در نقطـه مینیمم بهینه می شوند به طوري که داریم:
که n تعداد کل پارامترهاي شبکه، H ماتریس هسیان و γ تعداد پارامترهاي مؤثر شبکه (از(0-n است که در بهینه نمودن تابع عملکرد مؤثر است.[14] در طراحی شبکه عصبی این مقاله از روش مذکور استفاده شده است به استناد نتایج حاصل در بخش بعد و با توجه به خصوصیات داده هاي ورودي و همچنین کمبود تعداد داده ها، دقت تست و قدرت تعمیم دهی شبکه دراین روش نسبت بـه روشـهاي دیگرذکرشده از جمله روش 5LM افزایش یافته است از طرفی جوابهاي بهینه شبکه در مینـیمم سـایز شـبکه و نتـایج بهینـه نیـز در کوتاهترین زمان ممکن حاصل می شود اما سرعت همگرایی شبکه نسبت به روش اول پایین تر است. جهت طراحی شبکه هاي عصـبی از تعداد 483 نوع گاز کروماتوگرافی شامل نمونه هاي آزمایشگاههاي داخل و خارج از کشور، مقالات، نشریات و منابع مختلف اسـتفاده شده است، جهت افزایش دقت شبکه برروي داده ها تجزیه وتحلیل انجام شده وبددیتاها مشخص ونهایتا 451نمونه جهـت تربیـت شـبکه انتخـاب شده است. با توجه به تفاوت فراوان حجم گازهاي استخراجی ترانسفورماتورها که بستگی به شدت خطا، پیري ترانسـفورماتور و شـرایط بهره برداري دارد نیاز به نرمالیزه کردن داده هاي ورودي می باشد با بررسی حالتهاي مختلف بهترین نتیجه در به دست آوردن فراوانـی داده ها و سپس نرمالیزه کردن آنها در فاصله [0 1] است. جهت ارزیابی دقت تست، همچنین بررسی وضعیت قـدرت تعمـیم دهـی و درون یابی شبکه از معیارهاي زیر استفاده شده است:
-1به دست آوردن متوسط درصد خطاي مطلق طبق فرمول:
که Yac مقدار واقعی و Ypr مقدار تخمینی و N تعداد کل داده ها است.
-2به دست آوردن درصد خطاي واقعی طبق فرمول زیر:
-3به دست آوردن متوسط دقت تست با استفاده از فرمول:
