Исследование методов частотной диагностики высоковольтного оборудования

В данной работе исследуются возможности искусственных нейронных сетей применительно к частотным методам диагностики высоковольтного оборудования.
В диссертации ставится цель определить возможные пути применения искусственных нейронных сетей для повышения эффективности диагностики высоковольтного оборудования. Данная цель даст возможность применять самые последние достижения IT-технологий в энергосистемах, применять частотные методы диагностики в режиме реального времени, классифицировать частотные «отпечатки» высоковольтного оборудования, прогнозировать отказы высоковольтного оборудования.
Для достижения поставленной цели необходимо выполнить следующие основные научные задачи, результаты, решения которых выносятся на защиту:
1. Провести анализ актуальных методов частотной диагностики высоковольтного оборудования;
2. Выявить направление и способы применения искусственных нейронных сетей в методах частотной диагностики высоковольтного оборудования.
3. Обосновать эффективность применения искусственных нейронных сетей в методах частотной диагностики высоковольтного оборудования.
4. Определить основные применимые архитектуры и методы обучения искусственных нейронных сетей для применения в методах частотной диагностики высоковольтного оборудования.
5. Провести проверку обучаемости искусственной нейронной сети на тестовой выборке данных.
Объектом исследования служит база данных «отпечатков» трансформаторов, полученных в результате моделирования амплитудно-частотных характеристик высоковольтного оборудования.
Предметом исследования являются пути и способы повышения эффективности методов частотной диагностики высоковольтного оборудования.
Методы исследования. При выполнении работы использовались известные и широко применяемые архитектуры искусственных нейронных сетей.
Научная новизна работы заключается в следующем:
- выполнен анализ актуальных методов частотной диагностики высоковольтного оборудования;
- показаны возможности применения искусственных нейронных сетей для интеллектуальной обработки амплитудно-частотных характеристик силовых трансформаторов;
- показаны возможности применения искусственных нейронных сетей, в электроэнергетической сфере, для диагностики силового оборудования, повышения эффективности энергосистем, прогнозирования графиков нагрузки;
- определены теоретические условия эффективного использования машинного обучения для комплексной диагностики высоковольтного оборудования.

Содержание
Введение 8
1. Повышение качества диагностики электроэнергетических систем 10
1.1 Измерение частичных разрядов в изоляции оборудования высокого напряжения 11
1.2 Новые технологии и перспективы их развития 14
1.3 Развитие методики планово-предупредительных ремонтов 18
1.4 Искусственные нейронные сети 20
1.4.1 Преимущества и актуальность искусственных нейронных сетей 23
1.4.2 Архитектуры искусственных нейронных сетей 30
1.4.3 Методы обучения нейронных сетей 53
1.4.4 Области применения нейронных сетей 54
2 Моделирование искусственной нейронной сети 57
2.1 Моделирование амплитудно-частотных характеристик трансформаторов ….57
2.2 Структура технологических потерь электроэнергии в режиме максимальных нагрузок 60
2.3 Результаты тестирования искусственной нейронной сети 61
3 Повышение энергоэффективности и надежности электрических сетей 63
3.1 Замена старого оборудования на более современное 63
3.2 Активное внедрение ИНС и машинного обучения для отслеживания актуального состояния энергосистемы 65
3.3 Возможности применения ИНС в энергосистемах 66
3.3.1 Прогнозирование технического состояния оборудования 66
3.3.2 Классификация и сравнение данных 67
3.4 Интеграция в инновационные энергосистемы 68
Заключение 71
Литература 72
ПРИЛОЖЕНИЕ A 78
ПРИЛОЖЕНИЕ Б 79

В выпускной квалификационной работе дано решение актуальной задачи - повышение эффективности диагностики высоковольтного оборудования.
Выполнен анализ актуальности выбранной темы выпускной квалификационной работы, рассмотрены методы применения машинного обучения в электроэнергетической сфере.
Произведено моделирования амплитудно-частотных характеристик силовых трансформаторов, а также их обработка с помощью искусственной нейронной сети.
Дана оценка эффективности применения методов интеллектуальной машинной обработки данных, выявлены недостатки данных, предложены мероприятия, направленные на уменьшение потерь и повышение эффективности электроснабжения электрических сетей. Дана оценка технического эффекта от внедрения этих мероприятий.
На основании проделанной работы были достигнуты следующие результаты и сделаны выводы:
1. Применение искусственных нейронных сетей для диагностики высоковольтного оборудования и исследования методов частотной диагностики требует больших объемов и высокого качества исследуемых данных.
2. Эффективность применения искусственных нейронных сетей напрямую зависит от степени интеграции цифровых комплексов управления. В целях ее повышения, возможно объединение всей энергосистемы страны в единую сеть.
3. Внедрение предложенных и используемых комплексов программ обеспечит эффективное, бесперебойное, надежное и качественное электроснабжение потребителей на всей территории электрических сетей.
 

Литература


1. M.Gutten. SFRA Method - Frequency Analysis of Transformers / Gutten M. и др. // MEASUREMENT 2009, Proceedings of the 7th International Conference, Smolenice, Slovakia. – 2009. – С. 369-372.
2. Charles, Sweetser. Sweep Frequency Response Analysis Transformer Applications / Sweetser. Charles, TonyMcGrail. Dr.. – Watertown : Doble Engineering Company, 2003. – 47 c.
3. Сви П. М., Измерение частичных разрядов в изоляции оборудования высокого напряжения энергосистем / П. М. Сви. – М. : Энергия, 1977. – 200 c.
4. Таджибаева А. И., Методы и средства оценки состояния энергетического оборудования / А. И. Таджибаева. – М. : Санкт-Петербург, – 511 c.
5. Таджибаева А. И., Диагностика электрооборуlования электрических станций и поДстанций / А. И. Таджибаева. – Екатеринбург : Издательство Уральского университета, 2015. – 66 c.
6. Голоднов Ю. М., Контроль за состоянием трансформаторов / Ю. М. Голоднов. – М. : Энергоатомиздат, 1988. – 88 c.
7. HYDROELECTRIC,RESEARCHANDTECHNICALSERVICESGROUP. Transformer Diagnostics / RESEARCH AND TECHNICAL SERVICES GROUP. HYDROELECTRIC. – : UNITED STATES DEPARTMENT OF THE INTERIOR, 2003. – 71 c.
8. Martin, Siegel. Application of UHF Sensors for PD Measurement at Power Transformers / Siegel. Martin, Beltle. Michael, Tenbohlen. Stefan. // Institute of Power Transmission and High Voltage Technology (IEH). – 2016. – . – С. 48-57.
9. Демирчян К. С., Движущийся заряд в четырехмерном пространстве по Максвеллу и Эйнштейну / К. С. Демирчян. – М. : Комтех-Принт, 2008. – 144 c.
10. Серебряков А. С., Трансформаторы / А. С. Серебряков. – М. : МЭИ, 2013. – 360 c.
11. T.Mariprasath, Power Transformer Faults Identification using SFRA / T.Mariprasath, Dr.V.Kirubakaran. // International Journal of Scientific & Engineering Research. – 2014. – 5. – С. 81-88.
12. Dr., SaracVasilija. FEM 2D AND 3D DESIGN OF TRANSFORMER FOR CORE LOSSES COMPUTATION / SaracVasilija. Dr. // SCIENTIFIC PROCEEDINGS XIV INTERNATIONAL CONGRESS "MACHINES. TECHNOLОGIES. MATERIALS.". – 2017. – 2. – С. 345-348.
13. Википедия [Электронный ресурс]. – Режим доступа : https://ru.wikipedia.org/wiki/__, свободный. – Загл. с экрана.
14. Бажанов С. А., Инфракрасная диагностика электрооборудования распределительных устройств / С. А. Бажанов. – М. : НТФ "Энергопрогресс", 2000. – 76 c.
15. Вавилов В. П., ИНФРАКРАСНАЯ ТЕРМОГРАФИЧЕСКАЯ ДИАГНОСТИКА В СТРОИТЕЛЬСТВЕ И ЭНЕРГЕТИКЕ / В. П. Вавилов, А. Н. Александров. – М. : НТФ "Энергопрогресс", 2003. – 52 c.
16. ГОСТ Р ISO 55191 - 2012 «Методы испытаний высоким напряжением. Измерения частичных разрядов.»
17. ГОСТ Р ISO 55191 - 2012 «Методы испытаний высоким напряжением. Измерения частичных разрядов.»
18. Б.А. Алексеева.. Объем и нормы испытаний электрооборудования / Алексеева. Б.А.. – М. : НЦ ЭНАС, 2004. – 256 c.
19. Саймон Хайкин, Нейронные сети. Полный курс / Хайкин. Саймон. – М. : Вильямс, 2006. – 1022 c.
20. Churchland, P. S. The Computational Brain / P. S. Churchland, Sejnowski. T.J.. – Cambridge : MIT Press, 1992. – 312 c.
21. Levine М.,Маn and Machine Vision / М. Levine. – New York : McGraw-Hill, 1985. – 168 c.
22. Marr D., Vision / D. Marr. – New York : w.н. Freeman and Соmраnу,, 2006. – 228 c.
23. Suga N., Cortical computational maps for auditory imaging / N. Suga. // Neural Networks. – 2010. – 3. – С. 3-21.
24. Suga N., Computations of velocity and range in the bat auditory system for echolocation, / N. Suga. // Computational Neuroscience,. – 2008. – 6. – С. 213-231.
25. Haykin S., Neural networks expand SP's horizons / S. Haykin. // IEЕЕ Signal Processing Magazine. – 1996. – 13. – С. 24-29.
26. Widrow В. and S., Adaptive Signal Processing / В. andS. Widrow. – Englewood Cliffs : NJ: Prentice Hall, 1995. – 346 c.
27. Geman S., Neural networks and the bias/variance dilemma, / S. Geman, Bienenstock. Е., Doursat. R.. // Neural Computation,. – 2012. – 4. – С. 1-58.
28. Grossberg S. Z., Neural Networks and Natural Intelligence / S. Z. Grossberg. – Cambridge : MIТ Press, 1999. – 451 c.
29. Kennel М. В., Determining minimum embedding dimension using а geometrical construction / М. В. Kennel, Brown. R., Abarbanel. H.D.I.. // Physical Review А,. – 1992. – 45. – С. 3403-3411.
30. Mead С. А,. Analog VLSI and Neural Systems / С. А. Mead. – Reading : Addison Wesley, 2002. – 134 c.
31. Anastasio T. J., Modeling vestibulo-ocular reflex dynamics: From classical anlysis to neural networks / T. J. Anastasio. // Neural Systems: Analysis and Modeling. – 2014. – 6. – С. 407-430.
32. Sterling P. Retina / P. Sterling. // The Synaptic Organization of the Brain. – 1990. – 3. – С. 170-213.
33. Mohamad, H. Hassoun, Fundamentals of Artificial Neural Networks / H. Hassoun. Mohamad. – Cambridge : MIT Press, 1995. – c.
34. А.А.Ежов, Нейрокомпьютинг и его применения в экономике и бизнесе / А.А.Ежов, С.А.Шумский. – Cambridge : Москва, 1998. – c.
35. Л.Г.Комарцова, Нейрокомпьютеры / Л.Г.Комарцова, А.В.Максимов.. – М. : МГТУ им.Баумана, 2004. – c.
36. А.И.Галушкин, Нейронные сети. Основы теории / А.И.Галушкин. – М. : Горячая линия - Телеком, 2010. – c.
37. B.Kosko., Neural Networks and Fuzzy Systems. A Dynamical Systems Approach to Machine Intelligence / B.Kosko.. – Englewood Cliffs : Prentice Hall, 1992. – c.
38. В.А.Головко. Нейронные сети: обучение, организация и применение / В.А.Головко.. – М. : ИПРЖР, 2001. – c.
39. Г.Э.Яхъяева. Основы теории нейронных сетей / Г.Э.Яхъяева.. – М. : Открытые системы, 2011. – c.
40. В.В.Круглов Нечёткая логика и искусственные нейронные сети / В.В.Круглов, М.И.Дли, Р.Ю.Голунов. – М. : Физматлит, 2011. – c.
41. Нелинейный метод главных компонент [Электронный ресурс]. – Режим доступа : http://pca.narod.ru, свободный. – Загл. с экрана.
42. Введение в архитектуры нейронных сетей [Электронный ресурс]. – Режим доступа : https://habr.com/company/oleg-bunin/blog/340184/, свободный. – Загл. с экрана.
43. Oh, My Code: Машинное обучение и аналитика в «Одноклассниках» [Электронный ресурс]. – Режим доступа : https://habr.com/company/odnoklassniki/blog/412709/, свободный. – Загл. с экрана.
44. ДИСТАНЦИОННАЯ ДИАГНОСТИКА СОСТОЯНИЯ СИЛОВЫХ ТРАНСФОРМАТОРОВ НА ОСНОВЕ ИССЛЕДОВАНИЯ ИХ ЧАСТОТНЫХ ХАРАКТЕРИСТИК [Электронный ресурс]. – Режим доступа : http://masters.donntu.org/2011/etf/kovalenko/library/article6.htm, свободный. – Загл. с экрана.
45. Основные сведения о развитии электрических сетей энергосистем. [Электронный ресурс] // ООО “Энергия” http://www.energia63.ru/node/120 дата обращения: (16.01.2017).
46. Совершенствование системы тарифообразования на электрическую энергию / Н.В. Гусева, А.Г. Сошинов // Вестник Нижегородского университета им. Н.И. Лобачевского. – 2010. – №5(1). – С. 277-280.
47. Методика выбора технических мероприятий по повышению надежности ВЛЭП в экстремальных метеоусловиях / А.Г. Сошинов // Известия ВолгГТУ. Сер. Процессы преобразования энергии и энергетические установки. Вып. 2: межвуз. сб. науч. статей / ВолгГТУ. – Волгоград, 2009. – №7(55). – С. 77-80.
48. Сборник нормативных и методических документов по измерениям, коммерческому и техническому учету электрической энергии и мощности. Издательство «НЦ ЭНАС», М.:2010.
49. Быстрицкий, Г. Ф. Общая энергетика (Производство тепловой и электрической энергии) : учеб. для вузов по направлениям 140600 «Электротехника, электромеханика и электротехнологии» / Г. Ф. Быстрицкий, Г. Г. Гасангаджиев, В. С. Кожиченков. – М. : КНОРУС, 2013. – 407 c. – ISBN 978-5-406-02742-4.
50. Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки (Backpropagation) [Электронный ресурс]. – Режим доступа : https://habr.com/post/198268/, свободный. – Загл. с экрана.
51. Применение нейронных сетей для задач классификации [Электронный ресурс]. – Режим доступа : https://basegroup.ru/community/articles/classification, свободный. – Загл. с экрана.
52. Google использует ИИ для сокращения расходов энергии в датацентрах [Электронный ресурс]. – Режим доступа : http://ru.datasides.com/google-data-center-ai/, свободный. – Загл. с экрана.
53. SPARKNET: TRAINING DEEP NETWORKS IN SPARK [Электронный ресурс]. – Режим доступа : http://arxiv.org/pdf/1511.06051v4.pdf, свободный. – Загл. с экрана.
54. Нейронные сети на службе энергетиков [Электронный ресурс]. – Режим доступа : https://www.osp.ru/os/2016/04/13050997/, свободный. – Загл. с экрана.