Wicklung

Wissenschaftliche Berichte Band 12, Artikelnummer: 20157 (2022) Diesen Artikel zitieren

962 Zugriffe

Details zu den Metriken

Leistungstransformatoren sind wichtige Geräte in Energiesystemen und erfordern ein reaktionsfähiges und genaues Schutzsystem, um die Systemzuverlässigkeit sicherzustellen. In diesem Artikel wird ein Fehlerortungsalgorithmus für Leistungstransformatoren vorgestellt, der auf der diskreten Wavelet-Transformation und dem neuronalen Backpropagation-Netzwerk basiert. Das System ist einem Teil des thailändischen Übertragungs- und Verteilungssystems nachempfunden. Mit der ATP/EMTP-Software werden Fehlersignale simuliert, um den vorgeschlagenen Algorithmus zu validieren, und die Leistung wird unter verschiedenen Bedingungen bewertet. Darüber hinaus werden verschiedene Aktivierungsfunktionen in der verborgenen und der Ausgabeschicht verglichen, um geeignete Funktionen für den Algorithmus auszuwählen. Testergebnisse zeigen, dass der vorgeschlagene Algorithmus Fehler in der Transformatorwicklung unter verschiedenen Bedingungen mit einem durchschnittlichen Fehler von weniger als 0,1 % korrekt lokalisieren kann. Dieses Ergebnis zeigt die Machbarkeit der Implementierung des vorgeschlagenen Algorithmus in tatsächliche Schutzsysteme für Leistungstransformatoren.

Leistungstransformatoren, wichtige Geräte in Energiesystemen, ermöglichen die Übertragung von Strom zwischen verschiedenen Abschnitten des Netzwerks mit unterschiedlichen Spannungen. Aufgrund des gestiegenen Stromverbrauchs im letzten Jahrzehnt infolge der Urbanisierung und des Wirtschaftswachstums sind Stromsysteme und Verbundstromnetze rasch gewachsen und komplexer geworden. Leistungstransformatoren, die bei diesen Veränderungen eine wichtige Rolle spielen, sind anfällig für Fehler und verringern die Netzwerkzuverlässigkeit. Daher ist es wichtig, ein Schutzsystem einzurichten, um Fehler genau zu identifizieren und vom System zu isolieren. Das Lokalisieren von Fehlern während der Fehlerdiagnose kann auch dazu beitragen, dass Betriebs- und Wartungsteams richtig auf Fehler in Leistungstransformatoren reagieren. Wicklungsfehler kommen bei Leistungstransformatoren häufig vor; Sie treten im Inneren des Transformators auf und werden durch die Verschlechterung der Wicklungsisolierung1,2 verursacht. Wenn der Fehler nicht schnell und korrekt behoben werden kann, kann der Transformator irreparabel beschädigt werden. Leistungstransformatoren werden typischerweise durch eine Kombination aus Überstromrelais, Druckrelais und Differentialrelais3 geschützt. Die Electricity Generating Authority of Thailand (EGAT) verwendet derzeit konventionelle Methoden zur Diagnose von Fehlern in Leistungstransformatoren, wie z. B. die Analyse gelöster Gase4, die Frequenzganganalyse (FRA)5 und Wicklungsimpedanzmessungen6. Diese Methoden, die sowohl Vor- als auch Nachteile haben, können verbessert werden, um die Systemeffizienz und -zuverlässigkeit zu erhöhen.

Die Fehleranalyse wurde mit verschiedenen Techniken untersucht, um Fehler in Energiesystemen erfolgreich zu erkennen, zu identifizieren und zu lokalisieren. In Leistungstransformatoren wurde ein System zur Erkennung von Windungsschlussfehlern implementiert, das einen primärseitigen Neutralleiterstrom zur Anzeige des Fehlerstatus verwendet7. Wirkleistungsverlust und Blindleistung im Leerlauf können zur Erkennung von Windungsschlussfehlern in Leistungstransformatoren herangezogen werden8. Mithilfe der Stromharmonischen als bestimmendem Faktor können sie korrekt erkennen, ob sich ein Leistungstransformator in einem Fehlerzustand befindet9,10. Ein auf dem Internet der Dinge basierendes Schutzsystem kann ein empfangenes Signal überwachen und analysieren11. Bei Transformatoren ist ein Wicklungs-Erde-Fehler ein abnormaler Zustand, der zu Schäden an der Ausrüstung führen kann. Aus diesem Grund wurden in vielen Untersuchungen seine Eigenschaften analysiert, um eine korrekte Diagnose zu ermöglichen12,13. Allerdings ist die Umsetzung begrenzt, da solche Systeme zusätzliche Komponenten erfordern oder für bestimmte Anwendungen nicht geeignet sind. Daher wurden mathematische Werkzeuge verwendet, um einen verbesserten Algorithmus mit breiterer Anwendbarkeit zu erhalten.

Die Wavelet-Transformation ist ein mathematisches Werkzeug, mit dem Signale für verschiedene Zwecke analysiert werden können. In Energiesystemanwendungen können damit die Nachteile der Fourier-Transformation für die Signalanalyse überwunden werden. Das in der Analyse verwendete Mutter-Wavelet beeinflusst auch die Leistung von Algorithmen, und die Leistung verschiedener Mutter-Wavelets in Energiesystemanwendungen wurde verglichen, um das optimale Mutter-Wavelet für die Fehleranalyse auszuwählen. Eine frühere Studie hat gezeigt, dass Daubechies-Wavelets für die Analyse vorübergehender Fehlerbedingungen geeignet sind14,15. Ein Wavelet-basierter Algorithmus für den Differentialschutz von Leistungstransformatoren hat verschiedene Arten von Fehlern korrekt erkannt16. Die kontinuierliche Wavelet-Transformation wurde auch durch Verarbeitung des FRA-Signals implementiert, um Wicklungsverformungen zu identifizieren17. Ein weiterer Wavelet-basierter Erkennungsalgorithmus, der nur die Hochfrequenzkomponenten benötigt, erkennt Erdschlüsse mit ähnlicher Genauigkeit18. Die Charakteristik des Koeffizientenwerts wurde auch in früheren Arbeiten vorgestellt, die zeigten, dass diese Charakteristik für die Fehlerdiagnoseanwendung verwendet werden kann19. Diese Anwendungen haben Einblicke in die Eignung von Wavelets als mathematisches Werkzeug zur Analyse transienter Fehlersignale geliefert. Eine verbesserte Genauigkeit ist jedoch wünschenswert.

In den letzten Jahren ist künstliche Intelligenz ein weiteres Werkzeug, das weit verbreitet ist und die Art und Weise verändern kann, wie mit der Welt interagiert20; Methoden wie Support Vector Machine21, Entscheidungsbaum22 und künstliche neuronale Netze (ANNs)9,23,24 werden häufig eingesetzt. Verschiedene neuronale Netze bieten unterschiedliche geeignete Ziele und Anwendungen. Beispielsweise wird das für PNN geeignete Verfahren häufig bei Klassifizierungs- und Mustererkennungsproblemen verwendet. Convolutional Neural Network (CNN) ist eine Klasse künstlicher neuronaler Netzwerke (ANN), die am häufigsten zur Analyse visueller Bilder eingesetzt werden. Das Long Short-Term Memory (LSTM) ist ein künstliches neuronales Netzwerk, das in den Bereichen künstliche Intelligenz und Deep Learning eingesetzt wird. Die Anwendung von LSTM ist beispielsweise Handschrifterkennung, Spracherkennung, Videospiele usw. Obwohl es viele Arten neuronaler Netze gibt, werden üblicherweise nur wenige neuronenbasierte Strukturen zur Lösung verschiedener Energiesystemprobleme verwendet. Im Fall des Backpropagation Neural Network (BPNN) handelt es sich um eine der ersten Arten von neuronalen Netzwerken, die umfassend erforscht und zur Fehlererkennung eingesetzt werden, da sie nahezu alle Arten von Problemen effektiv lösen und keine schnelle Reaktion erfordern B. Fehlererkennung, Designoptimierung und nicht sehr kurzfristige Prognosen, und seine Fähigkeit, Fehler in Energiesystemen zu erkennen, zu klassifizieren und zu lokalisieren, wurde nachgewiesen25,26,27. Der Erfolg von BPNN beruht auf dem Prozess der Fehlerberechnung und der Rückübertragung an das Netzwerk durch einen Optimierer, der sehr genaue Ergebnisse liefert. Aus früheren Untersuchungen haben wir BPNN verwendet, um interne und externe Fehler in Stromversorgungssystemen mit Leistungstransformatoren zu klassifizieren, wodurch eine ausreichende Genauigkeit erreicht werden kann28. Darüber hinaus bieten die in BPNNs verwendeten Aktivierungsfunktionen Flexibilität für verschiedene Anwendungen29. Aufgrund seiner Funktionalitäten ist es anderen neuronalen Netzwerktypen vorzuziehen.

Eine Literaturrecherche ergab, dass Fehler an Leistungstransformatoren den Netzbetrieb erheblich beeinträchtigen können. Somit kann ein genauer Fehlerlokalisierungsalgorithmus den Betriebs- und Wartungsteams dabei helfen, das Problem korrekt und schnell zu beheben. Die meisten Studien haben sich jedoch auf die Auswirkungen des magnetisierenden Einschaltstroms und die Unterscheidung des magnetisierenden Einschaltstroms von internen Fehlern, einschließlich der Fehlerklassifizierung, konzentriert. Allerdings wird die Ortung von Wicklungs-Erde-Fehlern kaum thematisiert. Die Möglichkeit, Fehlerstellen entlang der Transformatorwicklungen zu identifizieren, wäre äußerst nützlich. Daher wurde in dieser Studie eine Methode zur Lokalisierung von Wicklungs-Erde-Fehlern in einem Dreiphasentransformator mit zwei Wicklungen untersucht, die eine weniger komplexe Analyse erfordert als herkömmliche Methoden.

In diesem Artikel wird ein Algorithmus zur Erkennung und Lokalisierung von Wicklungs-Erde-Fehlern mithilfe einer Wavelet-Transformation und BPNN vorgeschlagen. Um die Leistung des Algorithmus zu bewerten, wurde die ATP/EMTP-Software30 verwendet, um einen Leistungstransformator zu simulieren und Fehlersignale in einem System zu erzeugen, das einem tatsächlichen EGAT-Dreiphasentransformator mit zwei Wicklungen in Thailand nachempfunden ist. Abbildung 1 zeigt ein vereinfachtes Flussdiagramm des vorgeschlagenen Algorithmus, der Signale an ein Auslöserelais senden und einen Fehler in einer Leistungstransformatorwicklung lokalisieren kann. Der Algorithmus verwendet die Stromwellenform, die von Überwachungseinheiten an Wicklungen verschiedener Größen erhalten wird, und wendet eine diskrete Wavelet-Transformation (DWT) an, um die Koeffizienten der ersten Skala zu extrahieren. Der Vergleichskoeffizient wird als Eingabe für das Training des neuronalen Netzwerks verwendet. Außerdem werden geeignete Kombinationen von Aktivierungsfunktionen für die verborgenen Schichten und die Ausgabeschicht des BPNN ausgewählt.

Diagramm der Fehlererkennung und des Lokalisierungsalgorithmus eines Leistungstransformators.

Dieses Papier ist wie folgt aufgebaut. Die Wavelet-Transformation wird ausführlich erklärt und die Gleichungen sind im Abschnitt „Wavelet-Transformationen“ angegeben. Das Transformatormodell und die Parameterberechnung werden im Abschnitt „Transformatorwicklungsmodell“ vorgestellt. Die Fallstudie zur Simulation des Fehlersignals und zur Bewertung des Algorithmus wird im Abschnitt „Fallstudien und Systemeigenschaften“ beschrieben. „Entscheidungsalgorithmus für neuronale Netze und Simulationsergebnisse“. Der Abschnitt „stellt die Ergebnisse des vorgeschlagenen Fehlerortungsalgorithmus vor. Schließlich werden die Schlussfolgerungen der Studie im Abschnitt „Schlussfolgerungen“ vorgestellt.

Die Wavelet-Transformation ähnelt herkömmlichen Methoden wie der Fourier-Transformation, bietet jedoch Vorteile gegenüber der Fourier-Transformation bei der Analyse von Transienten, die aus Fehlern in Energiesystemen resultieren. Der Grund dafür ist, dass die gewünschten Informationen bei dieser Art von Anwendung sowohl im Frequenz- als auch im Zeitbereich liegen. Der DWT wurde zur Analyse von Signalen verwendet, die von Systemen erhalten wurden. Ein Wavelet ist eine kleine lokalisierte Welle endlicher Dauer mit einer bestimmten Form und einem Durchschnittswert von Null. Die Wavelet-Transformation ist ein Werkzeug, das Daten, Funktionen oder Operatoren in verschiedene Frequenzkomponenten unterteilt und dann jede Komponente mit einer für ihre Skala geeigneten Auflösung untersucht31,32. Die Transformation ermöglicht eine Feinanpassung des analysierten Bandes, sodass die Hoch- und Niederfrequenzkomponenten genau erkannt werden. Die Wavelet-Transformation kann Signale durch eine Zeitverschiebung oder eine Translation sowie durch eine zeitliche Komprimierung oder die Dilatation einer festen Wavelet-Funktion namens „Mutter-Wavelet“ erweitern. Wavelet-Transformationen, bei denen die Analyse um den Faktor zwei skaliert wird, werden DWTs genannt und wie folgt geschrieben.

wobei \(\psi \left[ {\frac{{n - k2^{m} }}{{2^{m} }}} \right]\) das Mutter-Wavelet ist.

Das Mutter-Wavelet Daubechies 4 (db4) wurde für die DWT ausgewählt, da es für die Analyse von Transienten in Energiesystemen geeignet ist14,30,31,32.

In dieser Studie wurde ein Dreiphasentransformator mit zwei Wicklungen und getrennten Primär- und Sekundärwicklungen für jede Phase verwendet. Ein interner Fehler im Transformator wurde durch Modifizierung der BCTRAN-Subroutine in der ATP/EMTP-Software30 simuliert. BCTRAN verwendet typischerweise eine 6 × 6-Induktivitätsmatrix zur Darstellung eines Transformators; Da hier jedoch der interne Fehlerzustand (insbesondere ein Wicklung-Erde-Fehler) berücksichtigt wird, wurde eine 7 × 7-Matrix verwendet33. Das Modell wurde validiert und seine Genauigkeit durch Vergleich mit Messergebnissen nachgewiesen. Die Auswirkungen hochfrequenter Komponenten, die bei Fehlern auftreten können, sind in diesem Modell jedoch nicht berücksichtigt. Es hat sich gezeigt, dass die Fehlertypen und Fehlerorte die Frequenzreaktionen des Transformators beeinflussen34. Darüber hinaus wurde nachgewiesen, dass transientenbasierter Schutz unter Nutzung der Hochfrequenzkomponenten von Fehlerströmen zur Lokalisierung und Klassifizierung von Fehlern in Übertragungsleitungen eingesetzt werden kann35. Daher ist es sinnvoll, die den Fehlerstromsignalen überlagerten Hochfrequenzkomponenten zu untersuchen, um ein transientenbasiertes Schutzsystem für einen Transformator zu entwickeln. Daher wird in dieser Studie das von Bastard et al.33 vorgeschlagene Transformatormodell (Abb. 2) mit einem von einer IEEE-Arbeitsgruppe36 empfohlenen Hochfrequenzmodell kombiniert, das die Kapazitäten des Transformators berücksichtigt (Abb. 3). Das Modell dient zur Simulation von Wicklungs-Erde-Fehlern an den Transformatorwicklungen.

ATP/EMTP-Modell eines Leistungstransformators mit Wicklung-Erde-Fehler33.

Diagramm eines Transformators mit zwei Wicklungen, das die Auswirkungen von Streukapazitäten zeigt36.

Der Prozess zur Simulation von Wicklungs-Erde-Fehlern basierend auf der BCTRAN-Routine von EMTP kann wie folgt zusammengefasst werden.

Erster Schritt: Berechnen Sie die Matrizen R und L des Leistungstransformators aus den Testdaten des Herstellers37, ohne Wicklungs-Erde-Fehler33 zu berücksichtigen, wie in den Gleichungen gezeigt. (2) und (3).

Zweiter Schritt: Ändern Sie die Gleichungen. (2) und (3), um die neuen internen Wicklungsfehlermatrizen \(\left[ R \right]^{*}\) und \(\left[ L \right]^{*}\) zu erhalten, wie in gezeigt Gl. (4) bzw. (5)33.

Dritter Schritt: Simulieren Sie die Wicklungskapazität und die Erdkapazität der Hoch- und Niederspannungswicklungen, indem Sie die an die Anschlüsse des Transformators angeschlossene konzentrierte Kapazität hinzufügen.

Die ATP/EMTP-Software30 wurde verwendet, um das Systemsignal unter Normal- und Fehlerbedingungen zu simulieren (Abtastrate: 200 kHz, Abtastzeit: 5 μs). Die in dieser Fallstudie verwendete Umspannstation wurde einem Teil des 115-kV-EGAT-Übertragungssystems nachempfunden ist an eine 23-kV-Verteilungsleitung der Provincial Electricity Authority (PEA) angeschlossen. Der in diesem Umspannwerk verwendete Leistungstransformator ist ein dreiphasiger Abwärtstransformator mit zwei Wicklungen (50 MVA, 115/23 kV); Es wurden die vom Hersteller bereitgestellten Konfigurationen und Spezifikationen37 verwendet. Abbildung 4 zeigt ein Übersichtsdiagramm des Leistungstransformators und der angeschlossenen Komponenten. Darüber hinaus kann die Konfiguration des Parameters im Leistungstransformator, der in der Fallstudie verwendet wird, wie in Tabelle 1 dargestellt zusammengefasst werden. Eine gründliche Simulation wurde durchgeführt, um den vorgeschlagenen Algorithmus unter verschiedenen Bedingungen zu bewerten. Die Parameter der Simulationen sind wie folgt.

Zum Einsatz kamen Primär- und Sekundärwicklungen (Hoch- und Niederspannungsspulen) mit verschiedenen Phasen, in denen ein Fehler auftritt.

Der Einfallswinkel des Fehlersignals (als Referenz dient die Spannung der Phase A) wurde in 30°-Schritten von 0° bis 330° variiert.

Der Fehlerort auf der Wicklung, gemessen als Abstand vom Spulenanschluss, wurde in 10-%-Schritten von 10 bis 90 % variiert.

Der Fehlerwiderstand betrug 5 Ω.

Einzeiliges Diagramm des in der Fallstudie verwendeten Übertragungsleitungsabschnitts.

Fehler in Energiesystemen haben erhebliche Auswirkungen auf das Stromsignal, das somit zur Feststellung verwendet werden kann, ob ein Fehler im System aufgetreten ist. Daher basiert der vorgeschlagene Fehlererkennungsalgorithmus auf der Anwendung des DWT auf die dreiphasige Stromwellenform, die von Messgeräten sowohl auf der Primär- als auch auf der Sekundärseite des Leistungstransformators erhalten wird. Die Abbildungen 5 und 6 zeigen Beispiele für das dreiphasige Stromsignal, das von der Primär- und Sekundärseite für einen Fehler von der Wicklungsphase A zur Erde in der Primärwicklung (Hochspannung) bzw. der Sekundärwicklung (Niederspannung) erhalten wird die ATP/EMTP-Software30.

Primär- und Sekundärströme bei Wicklungs-Erde-Fehlern der Phase A in der Hochspannungswicklung auf 10 % der Länge.

Primär- und Sekundärströme bei Wicklungs-Erde-Fehlern der Phase A in der Niederspannungswicklung auf 10 % der Länge.

Während des Fehlers stieg der Strom der Fehlerphase auf der Primärseite aufgrund des Stromflusses durch die Fehlerstelle deutlich an. Dagegen nahm der Strom auf der Sekundärseite ab, da aufgrund des Fehlers auf der Primärseite weniger Leistung übertragen wurde. Ein Fehler auf der Sekundärseite verursachte jedoch einen kleinen Übergang und einen geringeren Abfall des auf der Sekundärseite gemessenen Stroms. Dieses Verhalten kann zur Diagnose des Fehlerstatus des Systems verwendet werden.

Zur Berechnung des Differenzstroms wurden die von der Primär- und Sekundärseite des Leistungstransformators erhaltenen Stromsignale verwendet. Der Drehstrom wurde auch in den Mit-, Gegen- und Nullstrom umgewandelt. Als Eingabe dienten die Viertelperiode des Drehstroms und die Nullstromwellenform nach Fehlerbeginn. Die Wavelet-Transformation extrahiert Wellenformkoeffizienten der Skala 1 bis Skala 5. Der Koeffizientenwert wird aus dem Signal extrahiert und dann quadriert, um die Änderung des Koeffizientenwerts hervorzuheben, wie in den Abbildungen dargestellt. 7 und 8 für Fehler an der Primär- bzw. Sekundärwicklung.

Koeffizienten der dreiphasigen und Null-Differenzströme bei einem Wicklungs-Erde-Fehler der Phase A in der Hochspannungswicklung (Primärwicklung) bei 10 % der Länge.

Koeffizienten der dreiphasigen und Null-Differenzströme bei Wicklungs-Erde-Fehlern der Phase A in der Niederspannungswicklung (Sekundärwicklung) bei 10 % der Länge.

Die extrahierten Koeffizienten zeigen einen starken Spitzenwert, wenn im System ein Fehler auftritt, und fallen dann auf das normale Niveau ab. Dieses Verhalten resultiert aus den Eigenschaften von Wavelets, die bei Transienten reagieren, jedoch nicht im stationären Zustand. Die Koeffizientenausgabe der Wavelet-Transformation wurde verwendet, um den Entscheidungsalgorithmus durch Versuch und Irrtum zu erstellen. Der Algorithmus wurde unter Verwendung von Koeffizienten unterschiedlicher Skalen angewendet, und es wurde festgestellt, dass die Koeffizienten der Skala 1 ausreichend unterschiedlich waren, damit der Algorithmus den Beginn eines internen Fehlers identifizieren konnte. Daher wurden nur die aus der DWT erhaltenen Koeffizienten der Skala 1 als Trainingsdaten für das neuronale Netzwerk verwendet, um einen schnellen Algorithmus zu erhalten.

Künstliche Intelligenz, insbesondere neuronale Netze, wird in verschiedenen Bereichen, einschließlich der Elektrotechnik, umfassend eingesetzt. Das BPNN ist eine neuronenbasierte Struktur, die zur Mustererkennung und Fehlerklassifizierung geeignet ist. Es besteht aus drei Schichten: einer Eingabeschicht, mindestens einer verborgenen Schicht und einer Ausgabeschicht. Diese Schichten sind durch Gewichte und Vorspannungen verbunden. Der vorgeschlagene Algorithmus verwendet eine BPNN-Architektur mit einer Eingabeschicht, zwei verborgenen Schichten und einer Ausgabeschicht, wie in Abb. 9 dargestellt.

BPNN wird im vorgeschlagenen Algorithmus verwendet.

Aufgrund des funktionalen Vorteils gegenüber einer Struktur mit einer verborgenen Schicht werden in der neuronalen Netzwerkstruktur für den Algorithmus zwei verborgene Schichten verwendet. Allerdings bieten unterschiedliche Aktivierungsfunktionen auch eine große Bandbreite an Genauigkeit für den Algorithmus. Daher wurden geeignete Aktivierungsfunktionen für den Fehlerortungsalgorithmus für einen Leistungstransformator ausgewählt. Berücksichtigt wurden der hyperbolische Tangens Sigmoid, der logistische Sigmoid und die linearen Funktionen. Tabelle 2 listet die 12 Kombinationen von Aktivierungsfunktionen auf, die in der verborgenen Ebene und der Ausgabeebene verwendet werden.

Der Trainingsprozess für das BPNN kann wie folgt in drei Teile unterteilt werden38.

Feedforward-Eingabemuster

Das Feedforward-Eingabemuster gibt Daten von der Eingabeschicht an die verborgene Schicht und schließlich an die Ausgabeschicht weiter. Die Reaktion des Eingabemusters kann mithilfe der Gleichungen berechnet werden. (6) und (7).

Wo.

p = Eingabevektor von BPNN,

iw1,1 = Gewichte zwischen Eingabeschicht und erster verborgener Schicht,

lw2,1 = Gewichte zwischen erster und zweiter verborgener Schicht,

lw3,2 = Gewichte zwischen zweiter verborgener Schicht und Ausgabeschicht,

b1, b2 = Bias in der ersten bzw. zweiten verborgenen Schicht,

b3 = Bias in der Ausgabeschicht,

f1, f2 = Aktivierungsfunktion (Hyperbolicus-Tangens-Sigmoidfunktion: tanh),

f3 = Aktivierungsfunktion (lineare Funktion).

Rückwärtsausbreitung des zugehörigen Fehlers

Der zugehörige Fehler eines BPNN ist der Fehler zwischen dem neuronalen Netzwerk und den Zielausgaben. Es wird an alle Neuronen in der darunter liegenden Schicht weitergegeben und auch als Referenz für die Anpassung der Gewichte und Bias verwendet.

Gewichts- und Neigungseinstellung

Die Gewichte und Verzerrungen wurden mithilfe des Levenberg-Marquardt-Verfahrens (trainlm) angepasst, um den berechneten und angestrebten Ergebnissen zu entsprechen. Zur Bestimmung der Effizienz des BPNN wurde der MAPE-Index (Mean Absolute Percentage Error) verwendet. es wird mit Gl. berechnet. (8).

wobei n die Anzahl der Testsätze ist.

Die auf Berechnungsergebnissen vorgeschlagene Struktur des BPNN besteht aus vier Neuroneneingängen, zwei verborgenen Schichten und einem Neuronenausgang. Das Eingabemuster des neuronalen Netzwerks besteht aus den Maximalkoeffizienten (cD1) der Skala 1 der Dreiphasen- und Nullströme aus den Differenzströmen nach dem Fehler. Die Ausgangsgrößen der neuronalen Netzstruktur werden je nach Ort, an dem der Wicklung-Erde-Fehler auftritt, mit 0,1 bis 0,9 bezeichnet. Die Eingabedatensätze werden normalisiert und in 216 Sätze für das Training und 108 Sätze für Tests unterteilt. Um das neuronale Netzwerk zu trainieren, wurde die Anzahl der Neuronen in beiden verborgenen Schichten erhöht und verschiedene Kombinationen von Aktivierungsfunktionen verwendet, um diejenigen mit der besten Leistung auszuwählen. Die Gewichte und Verzerrungen wurden angepasst, bevor der MAPE berechnet wurde, und der Trainingszyklus wurde für 20.000 Iterationen wiederholt, um den besten MAPE-Wert zu ermitteln. Das Training wurde gestoppt, wenn die erste verborgene Schicht die endgültige Anzahl an Neuronen erreichte oder der MAPE der Testsätze weniger als 0,5 % betrug. Abbildung 10 zeigt ein Flussdiagramm des vorgeschlagenen BPNN-Trainingsprozesses.

Flussdiagramm des BPNN-Trainingsprozesses.

Nach dem Trainingsprozess wurde der BPNN-basierte Entscheidungsalgorithmus unter Verwendung der Gewichtung und Bias getestet, die den minimalen MAPE ergaben. Die gespeicherten Daten wurden dann nur unter Verwendung der Eingabewerte berechnet, nicht der Zielausgabe oder berechneter Werte, die der korrekten Zielausgabe ähneln. Die Anzahl der Fallstudien und Datensätze, die als Eingabe für den vorgeschlagenen Algorithmus verwendet werden, können wie in Tabelle 3 dargestellt zusammengefasst werden. Abbildung 11 zeigt die Ergebnisse, die mit verschiedenen Kombinationen von Aktivierungsfunktionen und den Testsatzdaten sowohl für die Hoch- als auch für die Hoch- und Tiefebene erzielt wurden Niederspannungswicklungen.

Durchschnittliche Fehler bei der Fehlerortung für verschiedene Kombinationen von Aktivierungsfunktionen.

Es wurde festgestellt, dass vier Kombinationen von Aktivierungsfunktionen genaue Ergebnisse mit einem durchschnittlichen Fehler von unter 5 % liefern:

Hyperbolischer Tangens – logistisch – linear

Tangens hyperbolicus–Tangens hyperbolicus–linear

Logistisch – logistisch – linear

Logistisch – Tangens hyperbolisch – linear

Nach dem Trainingsprozess wurde der Algorithmus im System implementiert und seine Leistung bei der Fehlerlokalisierung anhand des Wicklungs-Erde-Fehlersignals bewertet. Insgesamt wurden 324 Fälle unter verschiedenen Bedingungen untersucht, um die Leistung des Algorithmus zu überprüfen und geeignete Kombinationen von Aktivierungsfunktionen zu identifizieren. Tabelle 4 listet den durchschnittlichen Fehler bei der Fehlerortung auf, der mit den vier Aktivierungsfunktionskombinationen ermittelt wurde, die die beste Leistung zeigten.

Die vier optimalen Aktivierungsfunktionskombinationen weisen ähnliche Fehler für die Hochspannungswicklung auf. Für die Niederspannungswicklung kann jedoch mit der Kombination Tangens hyperbolisch–Tangens hyperbolisch–linear eine höhere Genauigkeit mit deutlich geringerem Fehler erreicht werden als mit den anderen Kombinationen.

Abbildung 12 zeigt den durchschnittlichen Fehler bei der Fehlerortung für verschiedene Kombinationen von Aktivierungsfunktionen für die Hoch- und Niederspannungswicklungen von Phase A bis Phase C. Der durchschnittliche Fehler bei der Fehlerortung für die Hochspannungswicklung beträgt 2,5 %, während der von Die Unterspannungswicklung beträgt bei verschiedenen Längen der Transformatorwicklung 6 %. Diese Ergebnisse zeigen die Leistung jeder Aktivierungsfunktion unter verschiedenen Bedingungen. Die Kombination Tangens hyperbolisch–Tangens hyperbolisch–linear bietet unter bestimmten Fehlerbedingungen möglicherweise nicht die beste Genauigkeit, z. B. Fehlerstellen bei 10 % und 20 % der Länge der Niederspannungswicklung. Allerdings bietet es im Durchschnitt die beste Genauigkeit bei der Lokalisierung von Wicklungs-Erde-Fehlern.

Durchschnittlicher Fehler bei der Fehlerortung unter Verwendung von vier optimalen Aktivierungsfunktionskombinationen.

Tabelle 4 und Abb. 12 zeigen, dass Tangens hyperbolisch–Tangens hyperbolisch–linear eine geeignete Kombination von Aktivierungsfunktionen ist. Daher wurde sie als Aktivierungsfunktionskombination im BPNN zur Ortung von Wicklungs-Erde-Fehlern ausgewählt. Abbildung 13 zeigt den durchschnittlichen Fehler bei der Fehlerortung, wenn der Algorithmus mit diesen Aktivierungsfunktionen angewendet wurde. Bei verschiedenen Fehlerorten sowohl an der Hoch- als auch an der Niederspannungswicklung des Dreiphasentransformators war die Genauigkeit der Fehlerortung basierend auf der Vorhersage des Entscheidungsalgorithmus ausgezeichnet. Die Auswirkungen verschiedener Parameter auf die Leistung des vorgeschlagenen Algorithmus sind in den Tabellen 5, 6, 7, 8 dargestellt.

Durchschnittlicher Fehler bei der Fehlerortung, wenn der Algorithmus mit hyperbolischen Tangens-hyperbolischen Tangens-linearen Aktivierungsfunktionen verwendet wird.

Die Tabellen 5 und 6 zeigen den vorhergesagten Fehlerort und seinen Fehler für Wicklungs-Erde-Fehler in Phase A an den Hoch- bzw. Niederspannungswicklungen. Der tatsächliche Fehlerort wurde auf 10 % der Wicklungslänge festgelegt und der Einfallswinkel des Fehlersignals variiert. Der Algorithmus prognostizierte den Fehlerort an der Hochspannungswicklung mit einem Fehler von weniger als 3 % für alle Einfallswinkel. Die Vorhersage für die Niederspannungswicklung war ungenauer als die für die Oberspannungswicklung. Der Gesamtfehler lag jedoch unter 5 %. Somit hat der Anfangswinkel keinen wesentlichen Einfluss auf die Leistung des vorgeschlagenen Fehlerortungsalgorithmus.

In den Tabellen 7 und 8 sind der vorhergesagte Fehlerort und sein Fehler für Wicklungs-Erde-Fehler in Phase A mit einem festen Einfallswinkel und verschiedenen Fehlerorten an den Hoch- bzw. Niederspannungswicklungen aufgeführt. Der Einlaufwinkel wurde für die Oberspannungswicklung auf 240° und für die Unterspannungswicklung auf 210° festgelegt. Für die Hochspannungswicklung prognostizierte der Algorithmus den Fehlerort mit Fehlern von weniger als 1 %. Auch hier war die Vorhersage für die Niederspannungswicklung weniger genau als für die Oberspannungswicklung. Der Gesamtfehler lag jedoch unter 3 %. Diese Ergebnisse zeigen, dass der Algorithmus Fehler an jedem möglichen Ort genau lokalisieren kann.

Die Anwendung der vorgeschlagenen Fehlerortungsmethode auf verschiedene Wicklungs-Erde-Fehler in einem Leistungstransformator ergab, dass der Algorithmus Fehler mit Fehlern von weniger als 0,5 % genau erkennen kann. Der Fehlerort, der Einfallswinkel und die Wicklungsspannung haben keinen Einfluss auf die Leistung des Algorithmus. Diese Studie hat gezeigt, dass der vorgeschlagene Algorithmus in Leistungstransformator-Schutzsystemen implementiert werden kann, um den Betriebs- und Wartungsteams von Elektrizitätsversorgungsunternehmen genaue Informationen zu liefern, damit sie schnell und korrekt auf Fehler in Leistungstransformatoren reagieren können.

Leistungstransformatoren sind eine wesentliche Komponente in Energiesystemen und können anfällig für Fehler sein, insbesondere für interne Fehler. Daher ist ein Schutzsystem erforderlich, um Fehler genau zu identifizieren und zu isolieren und so Geräteschäden zu minimieren. Darüber hinaus hilft die Fähigkeit, Fehler zu lokalisieren, den Wartungs- und Betriebsteams dabei, richtig auf Fehler zu reagieren und die Netzwerkzuverlässigkeit sicherzustellen. Der vorgeschlagene Algorithmus verwendet eine Kombination aus DWT und BPNN, um Wicklungs-Erde-Fehler in einem dreiphasigen Leistungstransformator zu lokalisieren. Die maximalen Koeffizienten der Skala 1 der dreiphasigen Differenzstromsignale nach dem Fehler und des Nullstroms wurden als Eingabe zum Trainieren des BPNN verwendet. Fallstudien von Fehlern unter verschiedenen Bedingungen wurden verwendet, um die Leistung des vorgeschlagenen Algorithmus zu bewerten. Die Ergebnisse zeigten, dass der Algorithmus Wicklungs-zu-Erde-Fehler mithilfe der Aktivierungsfunktionskombination Hyperboliktangens – Hyperboliktangens – linear in verschiedenen Schichten des BPNN erkennen und lokalisieren kann. Die Gesamtgenauigkeit des vorgeschlagenen Algorithmus liegt bei über 95 %, in einigen Fällen sogar bei 99,5 %. Darüber hinaus wurde die Leistung der Fehlerortung nicht durch verschiedene Systemparameter beeinflusst. Diese Technik sollte bei der Identifizierung und Reparatur von Wicklungs-Erde-Fehlern in Leistungstransformatoren nützlich sein. In zukünftigen Arbeiten wird der Algorithmus verbessert, sodass die Orte von Windungsfehlern entlang der Wicklungen des Transformators identifiziert werden können.

Die während der aktuellen Studie verwendeten und analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Christina, AJ et al. Ursachen von Transformatorausfällen und Diagnosemethoden – Ein Überblick. Erneuern. Aufrechterhalten. Energy Rev. 82(1), 1442–1456 (2018).

Google Scholar

Faiz, J. & Heydarabadi, R. Diagnose von Leistungstransformatorfehlern. Russ. Elektr. Ing. 85(12), 785–793 (2015).

Artikel Google Scholar

Horowitz, SH, Phadke, AG & Niemira, JK Power System Relaying 4. Aufl. (Wiley, New York, 2013).

Google Scholar

de Faria Jr, H., Costa, JGS & Olivas, JLM Ein Überblick über Überwachungsmethoden für die vorausschauende Wartung von Stromtransformatoren basierend auf der Analyse gelöster Gase. Erneuern. Aufrechterhalten. Energy Rev. 46, 201–209 (2015).

Artikel Google Scholar

Senobari, RK, Sadeh, J. & Borsi, H. Frequenzganganalyse (FRA) von Transformatoren als Werkzeug zur Fehlererkennung und -lokalisierung: Eine Übersicht. Elektr. Stromversorgungssystem. Res. 155, 172–183 (2018).

Artikel Google Scholar

Soni, R. & Mehta, B. Überblick über das Asset-Management von Leistungstransformatoren durch Diagnose beginnender Fehler und Fehleridentifizierung mithilfe verschiedener Testmethoden. Ing. Scheitern. Anal. 128, 105634 (2021).

Artikel Google Scholar

Ballal, MS, Suryawanshi, HM, Mishra, MK & Chaudhari, BN Erkennung von Windungsschlussfehlern von Transformatoren durch Diagnose des Neutralleiterstroms. IEEE Trans. Power Delivery 31(3), 1096–1105 (2016).

Artikel Google Scholar

Ehsanifar, A. et al. Erkennung von Wicklungsfehlern zwischen den Windungen des Transformators basierend auf dem Leerlauf-Wirkleistungsverlust und der Blindleistung. Int. J. Elektr. Energiesystem. 130, 107034 (2021).

Artikel Google Scholar

Bagheri, S., Moravej, Z. & Gharehpetian, GB Klassifizierung und Unterscheidung zwischen mechanischen Wicklungsfehlern, internen und externen elektrischen Fehlern und Einschaltstrom des Transformators. IEEE Trans. Industrie. Inf. 14(2), 484–493 (2018).

Artikel Google Scholar

Raichura, M., Chothani, N., Patel, D. & Mistry, K. [2_TD$DIFF] auf der Gesamtharmonischen Verzerrung (THD) basierende Unterscheidung von Normal-, Einschaltstrom- und Fehlerbedingungen in Leistungstransformatoren. Erneuern. Energiefokus 36, 43–55 (2021).

Artikel Google Scholar

Zhang, C. et al. Methode zur Diagnose von Transformatorfehlern mithilfe eines IoT-basierten Überwachungssystems und Ensemble-Maschinenlernens. Zukünftiger Gen. Berechnen. Syst. 108, 533–545 (2020).

Artikel Google Scholar

Pham, DAK, Pham, TMT, Borsi, H. & Gockenbach, E. Eine neue Diagnosemethode zur Unterstützung standardmäßiger Frequenzganganalysebewertungen für die Diagnose mechanischer Ausfälle von Transformatorwicklungen. IEEE Elektr. Isolier. Mag. 30(2), 34–41 (2014).

Artikel Google Scholar

Satish, L. & Sahoo, SK Lokalisierung von Fehlern in einer Transformatorwicklung: Eine experimentelle Studie. Elektr. Energiesystem Res. 79(1), 89–97 (2009).

Artikel Google Scholar

Klomjit, J., Ngaopitakkul, A. & Sreewirote, B. Vergleich des Mutter-Wavelets zur Klassifizierung von Fehlern in Hybridübertragungsleitungssystemen. Auf der 8. IEEE International Conference on Awareness Science and Technology (iCAST 2017). 527–532 (2017).

Pothisarn, C. et al. Vergleich verschiedener Mutter-Wavelets zur Fehlerklassifizierung in elektrischen Systemen. Appl. Wissenschaft. 10, 1–15 (2020).

Artikel Google Scholar

Medeiros, RP & Costa, FB Ein Wavelet-basierter Transformator-Differentialschutz mit Differentialstrom-Transformator-Sättigung und Cross-Country-Fehlererkennung. IEEE Trans. Stromversorgung 33(2), 789–799 (2018).

Artikel Google Scholar

Cheng, Q., Zhao, Z., Tang, C., Qian, G. & Islam, S. Diagnose von Verformungsfehlertypen der Transformatorwicklung mittels kontinuierlicher Wavelet-Transformation der Impulsantwort. Messung 140, 197–206 (2019).

Artikel ADS Google Scholar

Aires, MNO et al. Ein Wavelet-basierter Erdschluss-Differentialschutz für Leistungstransformatoren. Elektr. Stromversorgungssystem. Res. 196, 107246 (2021).

Artikel Google Scholar

Gururajapathy, SS, Mokhlis, H. & Illias, HA Fehlerortungs- und Erkennungstechniken in Stromverteilungssystemen mit dezentraler Erzeugung: eine Übersicht. Erneuern. Aufrechterhalten. Energy Rev. 74, 949–958 (2017).

Artikel Google Scholar

Rumkidkarn, J., Ngaopitakkul, A. Verhaltensanalyse von Wicklungs-Erde-Fehlern in Transformatoren unter Verwendung von Hoch- und Niederfrequenzkomponenten aus der diskreten Wavelet-Transformation. Im Jahr 2017 International Conference on Applied System Innovation (ICASI), 1102–1105 (2017).

Shah, M. & Bhalja, BR Unterscheidung zwischen internen Fehlern und anderen Störungen im Transformator mithilfe des maschinenbasierten Support-Vektor-Schutzschemas. IEEE Trans. Stromversorgung 28(3), 1508–1515 (2013).

Artikel Google Scholar

Beheshtaein, S. Anwendung der Wavelet-Basis-Methode und DT bei der Erkennung von Ferroresonanz aus anderen transienten Phänomenen. Im Jahr 2012 Internationales Symposium zu Innovationen in intelligenten Systemen und Anwendungen. (2012).

Fernandes, JF, Costa, FB & de Medeiros, RP Klassifizierung von Leistungstransformatorstörungen basierend auf der Wavelet-Transformation und künstlichen neuronalen Netzen. In der International Joint Conference on Neural Networks (IJCNN). 640–646 (2016).

Bhasker, SK, Bera, PK, Kumar, V. & Tripathy, M. Differentialschutz des indirekten symmetrischen Phasenverschiebungstransformators und Klassifizierung interner Fehler mithilfe von Wavelet und ANN. TENCON 2015–2015 IEEE Region 10-Konferenz. 1–6 (2015).

Ngaopitakkul, A. & Bunjongjit, S. Eine Anwendung einer diskreten Wavelet-Transformation und eines Back-Propagation-Algorithmus für neuronale Netze zur Fehlerdiagnose auf einkreisigen Übertragungsleitungen. Int. J. Syst. Wissenschaft. 44(9), 1745–1761 (2013).

Artikel MATH Google Scholar

Kaitwanidvilai, S., Pothisarn, C., Jettanasen, C., Chiradeja, P. & Ngaopitakkul, A. Algorithmus für diskrete Wavelet-Transformation und Rückausbreitung neuronaler Netze zur Fehlerklassifizierung in Erdkabeln. In International MultiConference of Engineers and Computer Scientists 2011 (IMECS 2011). 996–1000 (2011).

Zin, AAM, Saini, M., Mustafa, MW, Sultan, AR & Rahimuddin. Neuer Algorithmus zur Erkennung und Fehlerklassifizierung auf parallelen Übertragungsleitungen mithilfe von DWT und BPNN basierend auf der Clarke-Transformation. Neurocomputing. 168, 983–993 (2015).

Artikel Google Scholar

Ngaopitakul, A., Jettanasen, C., Asfani, DA & Negara, Y. Anwendung der diskreten Wavelet-Transformation und des neuronalen Backpropagation-Netzwerks zur internen und externen Fehlerklassifizierung in Transformatoren. Int. J. Circuits Syst. Signalprozess. 13, 458–463 (2019).

Google Scholar

Bunjongjit, S. & Ngaopitakkul, A. Auswahl geeigneter künstlicher neuronaler Netze zur Fehlerklassifizierung auf Einzelleitungsübertragungsleitungen. Int. J. Innov. Berechnen. Inf. Kontrolle. 8(1A), 361–374 (2012).

MATH Google Scholar

ATPDraw https://www.atpdraw.net/index.php (2022).

Kim, CH & Aggarwal, R. Wavelet-Transformationen in Energiesystemen: Teil I. Allgemeine Einführung in die Wavelet-Transformationen. IEE Power Eng. J. 14(2), 81–87 (2000).

Artikel Google Scholar

Makming, P., Bunjongjit, S., Kunakorn, A., Jiriwibhakorn, S. & Kando, M. Fehlerdiagnose in Übertragungsleitungen mithilfe von Wavelet-Transformationen. In der IEEE Transmission and Distribution Conference. 2246–2250 (2002).

Bastard, P., Bertrand, P. & Meunier, M. Ein Transformatormodell für Wicklungsfehlerstudien. IEEE Trans. Power Delivery 9(2), 690–699 (1994).

Artikel Google Scholar

Islam, SM & Ledwich, G. Lokalisierung von Transformatorfehlern durch Sensitivitätsanalyse der Hochfrequenzmodellierung unter Verwendung des Übertragungsfunktionsansatzes. Im IEEE International Symposium on Electrical Insulation. 38–41 (1996).

Bo, ZQ, Redfern, MA & Weller, GC Positionsschutz der Übertragungsleitung unter Verwendung von durch Fehler erzeugten Hochfrequenz-Transientensignalen. IEEE Trans. Power Delivery 15(3), 888–894 (2000).

Artikel Google Scholar

IEEE-Arbeitsgruppe 15.08.09. Modellierung und Analyse von Systemtransienten mithilfe digitaler Programme (IEEE PES-Sonderpublikation, 2009)

ABB Thailand, Prüfbericht Nr. 56039.

Demuth, H. & Beale, M. Neural Network Toolbox Benutzerhandbuch (The Math Work, 2001).

Referenzen herunterladen

Fakultät für Ingenieurwissenschaften, Srinakharinwirot-Universität, Bangkok, Thailand

Pathomthat Chiradeja

School of Engineering, King Mongkut's Institute of Technology Ladkrabang, Bangkok, Thailand

Atthapol Ngaopitakkul

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

AN führte die Analyse durch, verfasste den Haupttext des Manuskripts und bereitete Abbildungen und Tabellen vor. Von PC bereitgestellte Daten und Analysetools überprüften das Manuskript. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Atthapol Ngaopitakkul.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Chiradeja, P., Ngaopitakkul, A. Wicklungs-Erde-Fehlerortung in Leistungstransformatorwicklungen mithilfe einer Kombination aus diskreter Wavelet-Transformation und einem neuronalen Rückausbreitungsnetzwerk. Sci Rep 12, 20157 (2022). https://doi.org/10.1038/s41598-022-24434-9

Zitat herunterladen

Eingegangen: 29. April 2022

Angenommen: 15. November 2022

Veröffentlicht: 23. November 2022

DOI: https://doi.org/10.1038/s41598-022-24434-9

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.