Предиктивная диагностика трансформаторного оборудования
- Авторы: Шигаева А.Н.1, Хромов С.Д.1, Проничев А.В.1
-
Учреждения:
- Филиал Самарского государственного технического университета
- Выпуск: Том 1 (2022)
- Страницы: 451-453
- Раздел: Электроэнергетика
- URL: https://journals.eco-vector.com/osnk-sr/article/view/107855
- ID: 107855
Цитировать
Полный текст
Аннотация
Обоснование. В работе освещен подход к прогнозированию технического состояния трансформатора с использованием методов машинного обучения. В ходе работы проведена предиктивная диагностика трансформаторного оборудования на основе линейной регрессии и градиентного бустинга над решающими деревьями. Полученные метрики качества позволяют судить о принципиальной возможности использования рассмотренного метода для решения как данной, так и смежных задач, связанных с прогнозированием состояния трансформатора.
Цель — главной задачей данной работы стало повышение надежности работы энергосистемы за счет снижения рисков аварийных отказов оборудования и сокращения числа отключений потребителей; обзор методов мониторинга и диагностики трансформаторного оборудования мы постараемся предсказать индекс технического состояния трансформатора методами машинного обучения.
Методы. В рамках данной работы методами машинного обучения решалась задача регрессии. Целевой переменной был взят индекс технического состояния [1]. В качестве признаков использовали показания датчиков аналогичных тем, что были рассмотрены ранее. Обучение проводилось на основе исторических данных их открытых источниках (табл. 1). Имеющиеся данные мы разделили на обучающую и валидационную выборку [2, 3]. Далее были рассмотрены различные подходы к решению задачи. А именно алгоритмы K ближайших соседей, линейные регрессии, деревья решений, случайный лес, а также алгоритмы градиентного бустинга [4, 5].
Таблица 1. Данные из открытых источников
После этого мы создали объект модели, обучили его и сделали предсказание. Для каждой модели были рассчитаны метрики качества. Рассчитав метрики у нас получился неудовлетворяющий коэффициент детерминации. Попытались обучить дерево решений, сделали предсказание, рассчитали метрики и наш коэффициент вновь остался неудовлетворительным, но ошибка снизилась. Далее мы посчитали случайный лес и воспользовались самым действенным способом — модель градиентного бустинга на решающих деревьях. И по мнению cat boost (кэт буст), наиболее важными параметры для трансформатора у нас оказались показатели, представленные в табл. 2.
Таблица показывает точность предсказывания данных, и, как мы можем заметить, наиболее удачным является метод случайного леса, так как он показал наиболее точный результат из всех остальных (табл. 3).
Таблица 2. Наиболее важные параметры для предсказания состояния трансформатора
Таблица 3. Сравнительная таблица методов машинного обучения
Вывод. Оценка фактического состояния силовых трансформаторов по результатам диагностических измерений — на сегодняшний день сложная и актуальная задача. Трансформаторы с незначительными дефектами можно эксплуатировать еще в течение многих лет. При дальнейшей эксплуатации, особенно при повторных близких КЗ, вероятен аварийный выход трансформатора из строя. Избежать этого поможет своевременная диагностика состояния изоляции трансформаторов на предмет обнаружения деформаций.
Ключевые слова
Полный текст
Обоснование. В работе освещен подход к прогнозированию технического состояния трансформатора с использованием методов машинного обучения. В ходе работы проведена предиктивная диагностика трансформаторного оборудования на основе линейной регрессии и градиентного бустинга над решающими деревьями. Полученные метрики качества позволяют судить о принципиальной возможности использования рассмотренного метода для решения как данной, так и смежных задач, связанных с прогнозированием состояния трансформатора.
Цель — главной задачей данной работы стало повышение надежности работы энергосистемы за счет снижения рисков аварийных отказов оборудования и сокращения числа отключений потребителей; обзор методов мониторинга и диагностики трансформаторного оборудования мы постараемся предсказать индекс технического состояния трансформатора методами машинного обучения.
Методы. В рамках данной работы методами машинного обучения решалась задача регрессии. Целевой переменной был взят индекс технического состояния [1]. В качестве признаков использовали показания датчиков аналогичных тем, что были рассмотрены ранее. Обучение проводилось на основе исторических данных их открытых источниках (табл. 1). Имеющиеся данные мы разделили на обучающую и валидационную выборку [2, 3]. Далее были рассмотрены различные подходы к решению задачи. А именно алгоритмы K ближайших соседей, линейные регрессии, деревья решений, случайный лес, а также алгоритмы градиентного бустинга [4, 5].
Таблица 1. Данные из открытых источников
После этого мы создали объект модели, обучили его и сделали предсказание. Для каждой модели были рассчитаны метрики качества. Рассчитав метрики у нас получился неудовлетворяющий коэффициент детерминации. Попытались обучить дерево решений, сделали предсказание, рассчитали метрики и наш коэффициент вновь остался неудовлетворительным, но ошибка снизилась. Далее мы посчитали случайный лес и воспользовались самым действенным способом — модель градиентного бустинга на решающих деревьях. И по мнению cat boost (кэт буст), наиболее важными параметры для трансформатора у нас оказались показатели, представленные в табл. 2.
Таблица показывает точность предсказывания данных, и, как мы можем заметить, наиболее удачным является метод случайного леса, так как он показал наиболее точный результат из всех остальных (табл. 3).
Таблица 2. Наиболее важные параметры для предсказания состояния трансформатора
Таблица 3. Сравнительная таблица методов машинного обучения
Вывод. Оценка фактического состояния силовых трансформаторов по результатам диагностических измерений — на сегодняшний день сложная и актуальная задача. Трансформаторы с незначительными дефектами можно эксплуатировать еще в течение многих лет. При дальнейшей эксплуатации, особенно при повторных близких КЗ, вероятен аварийный выход трансформатора из строя. Избежать этого поможет своевременная диагностика состояния изоляции трансформаторов на предмет обнаружения деформаций.
Об авторах
Анастасия Николаевна Шигаева
Филиал Самарского государственного технического университета
Email: shigaeva.a@icloud.com
студентка, группа 15-НФ20, кафедра «Электроэнергетика, электротехника и автоматизация технологических процессов»
Россия, НовокуйбышевскСергей Дмитриевич Хромов
Филиал Самарского государственного технического университета
Email: serg123377@gmail.com
студент, группа 13-НФ20, кафедра «Электроэнергетика, электротехника и автоматизация технологических процессов»
Россия, НовокуйбышевскАртем Валерьевич Проничев
Филиал Самарского государственного технического университета
Автор, ответственный за переписку.
Email: Pronichev.AV@bk.ru
научный руководитель, ассистент кафедры «Электроэнергетика, электротехника и автоматизация технологических процессов»
Россия, НовокуйбышевскСписок литературы
- Давиденко И.В. Оценка технического состояния силовых трансформаторов по результатам традиционных испытаний и измерений. Екатеринбург: УрФу, 2015. 96 с.
- Михеев Г.М. Электростанции и электрические сети. Диагностика и контроль электрооборудования. Москва: Додэка XXI, 2010. 293 с.
- studmed.ru [Электронный ресурс]. Аксенов Ю.П. Методические указания по диагностике силовых трансформаторов. Доступ по ссылке: https://www.studmed.ru/view/aksenov-yup-metodicheskie-ukazaniya-po-diagnostike-silovyh-transformatorov-avtotransformatorov-shuntiruyuschih-reaktorov-i-ih-vvodov_489f932b9ba.html?page=3
- Сапожников А.В. Конструирование трансформаторов. Москва: Госэнергоиздат, 1959. 361 с.
- Силовые трансформаторы. Справочная книга / под ред. С.Д. Лизунова, А.К. Лоханина. Москва: Энергоиздат, 2004. 614 с.
Дополнительные файлы
