Застосування нейронної мережі для визначення параметрів схеми заміщення трансформатора в умовах неінвазійного моніторингу
DOI:
https://doi.org/10.15588/1607-6761-2022-1-2Ключові слова:
моніторинг трансформатору, неінвазійний моніторинг, нейронна мережа, ідентифікація параметрів схеми заміщення, Т подібна схема заміщення трансформаторуАнотація
Мета роботи. Застосування апарату спеціально побудованої нейромережі із задачею ідентифікації схеми заміщення параметрів у мовах неінвазійного моніторингу.
Методи дослідження. Використання методів електричних вимірювань методом неінвазійного моніторингу, методів ідентифікації та навчання нейронних мереж базованих на похибці попереднього та зворотного поширення, мереж типу NARX
Отримані результати. Силовий трансформатор важливий об’єкт енергетичної системи електричної цехової підстанції.. При цьому можливі часті переходи від режиму недовантаження до часткового перевантаження, що створює передумови до розвитку небажаних явищ у трансформаторах . Моніторинг силового трансформатора базуючись на контролі його схеми заміщення, дозволяє перейти до контролю його основних параметрів в незалежності від робочого режиму. Неінвазійний моніторинг добре справляється в контексті поставленої задачі, адже як показують дослідження параметри напруги та струму, яким оперує добре відображують в собі залежність від зміни параметрів схеми заміщення Спираючись на Т еквівалентну схему заміщення можна виявити та спрогнозувати зміни параметрів схеми заміщення відповідно до параметрів режиму струмів та напруг протікаючих в цій системі. багато нейронних мереж відпрацюють розрахунок електричних та електротехнічних еквівалентних схем як задачу ідентифікації параметрів електричних кіл в умовах статичних режимів В процесі ідентифікації перевірялося здатність нейромереж різних конструкцій ідентифікувати один із параметрів схеми заміщення, протистояти пошкодженню, що корегувало значення невідомого параметру. Проведений експеримент дав можливість отримати дані для порівняння ефективності різних архітектур нейромереж по відношенню з реальними параметрами схеми заміщення. Конкретизуючи отримані результати говоримо що архітектура NARX здатна до ідентифікації параметрів в стандартних режимах для всіх елементів схеми заміщення, що в подальшому відкриває можливість для її вдосконалення для розрахунків нелінійних елементів трансформатора при роботі що в стані насичення
Наукова новизна. Встановлено, що нейромережі досліджені у роботі здатні визначати параметри схеми заміщення трансформатора чи електричної машини в статичних робочих режимах , що дозволяє в подальшому контролювати стан обмоток та магнітопроводу відповідно до їх значень
Практична цінність. Застосовуючи в системі моніторингу нейронної мережі дозволяє отримати чіткі значення параметрів схеми заміщення незалежно від режиму, запропонований метод значно зменшує кількість часу затраченої на моніторинг параметрів трансформатора, дозволяє контролювати рівень потужності, а також, за необхідності, зменшити кількість необхідної інформації для моніторингу трансформатора
Посилання
Montana, Johny & Candelo-Becerra, John & Racines, Diana. (2018). Non-Intrusive Electrical Load Moni-toring System Applying Neural Networks with Com-bined Steady-State Electrical Variables. Tehnicki Vjesnik. 25. 1321-1329. 10.17559/TV-20170317203817.
Mohanty, A. R. (2015). Machinery condition monitor-ing: principles and practices. http://www.crcnetbase.com/isbn/9781466593053.
Li, Zongbo, Zaibin Jiao, and Anyang He. "Knowledge-based Artificial Neural Network for Power Trans-former Protection." Iet Generation, Transmission & Distribution. 14.24 (2020): 5782-5791. Print.
D. Reeve and B. Barton Low Voltage Monitoring ,Primer and Guideline,October 2020,p113, https://www.ena.org.nz/resources/publications/document/805
G. M. V. Zambrano, A. C. Ferreira and L. P. Caloba, "Power transformer equivalent circuit identification by artificial neural network using frequency response analysis," 2006 IEEE Power Engineering Society General Meeting, 2006, pp. 6 pp.-, doi: 10.1109/PES.2006.1708931.
Minin, Alexey & Chistyakov, Yury & Kholodova, E. & Zimmermann, Hans & Knoll, A.. (2012). Complex-valued open recurrent neural network for power transformer modeling. Int. J. Appl. Math. Inform. Is-sue 1, Volume 6, 2012 6. pp41-48.
Kuczmann, M., Szьcs, A., Kovбcs, G. "Transformer Model Identification by Ārtap: A Benchmark Prob-lem", Periodica Polytechnica Electrical Engineering and Computer Science, 65(2), pp. 123–130, 2021. https://doi.org/10.3311/PPee.17606
Abdelaziz, Almoataz Y, Aleem S. H. E. Abdel, and Anamika Yadav. Artificial Intelligence Applications in Electrical Transmission and Distribution Systems Protection. , 2022. Internet resource.
M. I. Abdelwanis, A. Abaza, R. A. El-Sehiemy, M. N. Ibrahim and H. Rezk, "Parameter Estimation of Electric Power Transformers Using Coyote Optimiza-tion Algorithm With Experimental Verification," in IEEE Access, vol. 8, pp. 50036-50044, 2020, doi: 10.1109/ACCESS.2020.2978398..
C. A. Arenas-Acuña, J. A. Rodriguez-Contreras, O. D. Montoya, and E. Rivas-Trujillo, “Black-Hole Opti-mization Applied to the Parametric Estimation in Dis-tribution Transformers Considering Voltage and Cur-rent Measures,” Computers, vol. 10, no. 10, p. 124, Oct. 2021 [Online]. Available: http://dx.doi.org/10.3390/computers10100124
Z O. Çetin, A. Dalcalı, F. Temurtaş,A comparative study on parameters estimation of squirrel cage in-duction motors using neural networks with unmemo-rized training,Engineering Science and Technology, an International Journal,Volume 23, Issue 5,2020 ,p.1126-1133,doi.org/10.1016/j.jestch.2020.03.011.
Andrejevic Stosovic, Miona & Litovski, Vanco. (2003). Electronic circuit modeling using artificial neural network. Journal of Automatic Control. 13. 10.2298/JAC0301031A.
Jin, Z. and Kaba, S. (2021) Deep Neural Network Based Behavioral Model of Nonlinear Circuits. Jour-nal of Applied Mathematics and Physics, 9, 403-412. doi: 10.4236/jamp.2021.93028.
G. Stegmayer, "Volterra series and neural networks to model an electronic device nonlinear behavior," 2004 IEEE International Joint Conference on Neural Net-works (IEEE Cat. No.04CH37541), 2004, pp. 2907-2910 vol.4, doi: 10.1109/IJCNN.2004.1381123.
K. S. Narendra and K. Parthasarathy, "Identification and control of dynamical systems using neural net-works," in IEEE Transactions on Neural Networks, vol. 1, no. 1, pp. 4-27, March 1990, doi: 10.1109/72.80202.
Ramírez J. et al. (2020) Power Transformer Forecast-ing in Smart Grids Using NARX Neural Networks. In: Valenzuela O., Rojas F., Herrera L.J., Pomares H., Rojas I. (eds) Theory and Applications of Time Se-ries Analysis. ITISE 2019. Contributions to Statistics. Springer, Cham. https://doi.org/10.1007/978-3-030-56219-9_26
Scales, L. E. Introduction to non-linear optimization / L.E. Scales Springer-Verlag New York 1985
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2022 Ihor Reva, Oleh Todorov, Maksim Bezzub
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Положення про авторські права Creative Commons
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
