Full Text

Введение В современных условиях эффективная работа практически любых технологических и гражданских объектов зависит от бесперебойного снабжения их электрической энергией, что обеспечивается надежным и безопасным функционированием всех элементов электроэнергетической системы, включая работоспособность входящих в их состав установок и электрооборудования (ЭО) [1-3]. Тенденции цифровизации всех отраслей экономики предполагают переход к интеллектуальным электросетям, обладающим высокой отказоустойчивостью, надежностью и адаптивностью [4-7], что невозможно без комплексного внедрения современных цифровых (информационно-телекоммуникационных, аналитических и управляющих) решений [1-8]. Задача подобных решений - создание энергоинформационной инфраструктуры, обеспечивающей эффективный контроль и оперативное управление техническим состоянием (ТС) ЭО по критериям минимизации аварийных ситуаций и времени простоев оборудования, а также снижения совокупных затрат на его эксплуатацию [2, 3, 6, 9]. Работа такой сложной распределенной структуры опирается на возможность получения и обработки информации о работе оборудования без его отключения от питающей сети. Поэтому вопросы интеграции технологий неразрушающего контроля (НК) в процесс эксплуатации ЭО и получения объективных данных о его работе являются основой для принятия рациональных решений инженерно-техническим персоналом в краткосрочной и долгосрочной перспективе [1, 4, 10]. Постановка цели и задач исследования Комплексная оценка технического состояния (ТС) ЭО должна осуществляться в соответствии с современными механизмами диагностирования (предиктивная, проактивная, прескриптивная). Процедура диагностики ЭО представляет уровень 2 концептуальной модели управления его ТС по данным НК [10], которая ориентирована на «гибкие» стратегии эксплуатации оборудования и комплексное использование различных технологий обработки и анализа данных, что позволяет получить на выходе достоверный результат и оперативно реагировать на изменение состояния ЭО. Обобщенная структура системы управления процессом эксплуатации ЭО с использованием технологии НК приведена на рис. 1. В соответствии с [11-13] упрощенная модель комплексной оценки ТС ЭО на основе технологии сбора и обработки данных может быть рассмотрена как функция вида: K(t) = f(M, X(t), N, Y), (1) где M = {m1, m2, …, mn} - набор методов и программно-технических средств неразрушающего контроля ЭО; X = (X1, X2, ..., Xn) определяет наборы диагностических параметров ЭО для каждого вида контроля Xi = {xi1, xi2,…, xil}, i = 1:n; N - вектор граничных условий работоспособности ЭО; Y = (y1, y2, ..., ym) - множество классов нормативных или дефектных состояний. Рис. 1. Структура управления состоянием ЭО по данным НК Особенности технологии синтеза диагностических моделей (см. рис. 1) на основе классификатора дефектов показаны в [11]. При этом число итоговых оценочных состояний может соответствовать комплексной шкале критериев [11, 12] либо опираться на перечень типовых дефектов в оборудовании, которые можно обнаружить методами НК. Примеры распространенных методов оценки ТС ЭО представлены на рис. 2 [1, 14]. Эффективная реализация приведенного на рис. 1 подхода к организации системы контроля ТС ЭО предполагает использование современных методов анализа и обработки данных. Примеры использования инструментов обработки данных на основе интеллектуальных технологий, нечеткой логики, машинного обучения приведены в работах [3, 15-21]. Основаниями для интеллектуализации процедуры оценки и прогнозирования ТС ЭО являются: неструктурированный и плохо формализуемый характер задачи; неоднозначность в нормировании диагностических признаков и доля субъективизма, вносимая принимающим решение персоналом; возможная неполнота данных по некоторым признакам; необходимость выработки обоснованных решений в условиях временных ограничений; необходимость корректировки и введения дополнительной информации и итеративный характер формирования решений [1, 2, 19, 20]. Рис. 2. Характеристика методов контроля ТС ЭО Вопросы подготовки данных для формирования интеллектуальных моделей, а также логического описания диагностических параметров при помощи нечетких функций и процедур кластерного анализа частично рассмотрены в [22]. Стоит отметить, что решение задач в данной области с учетом особенностей развития электроэнергетической отрасли по-прежнему является актуальным. Поэтому наличие комплексного подхода, представленного на рис. 1, а также проработка отдельных механизмов формирования достоверных оценок ТС ЭО для различных типов оборудования и различных условий его эксплуатации, а также инструментов их реализации на уровне интегрированных информационных решений соответствуют энергетической стратегии РФ. В данной статье предлагается рассмотреть гибридный подход, основанный на применении нейронечетких моделей (ННМ), позволяющих осуществлять оценку отдельных узлов или подсистем оборудования, а также контролировать его состояние при помощи различных методов НК. При этом особенностью предлагаемого подхода (см. рис. 1) является возможность использовать различные методы интеллектуального анализа данных в комплексе, т.е. формировать адаптивные модели оценки ТС ЭО с возможностью выбора наиболее эффективного метода. Методика контроля ТС ЭО на базе нейронечеткого моделирования В качестве инструмента для организации системы контроля ТС ЭО рассмотрим адаптивную сеть нейронечеткого вывода ANFIS, которая представляет собой пятислойную нейронную сеть прямого распространения сигнала особого типа, имеет структуру, работающую как система нечеткого логического вывода Сугено с соответствующей настройкой словаря правил и функций принадлежности [23]. Если обозначить в качестве X={x1, x2,…, xn} входы сети (вектор диагностических параметров), а y - выход сети (класс состояния), то справедливы следующие функциональные особенности каждого слоя модели: - узлы первого слоя представляют собой конкретные термы с соответствующей ФП (гауссова, колоколообразная и др.). Количество узлов равняется сумме мощностей терм-множеств входных переменных X, а выход узла - степень принадлежности значений входной переменной к нечетким термам с соответствующими значениями настроечных параметров (a, b и c): µr(xi) ; (2) - узлам второго слоя (общее количество - m) соответствует одно нечеткое правило, а их выходом являются степени выполнения правила (посылка правила как произведение всех входных сигналов) τr, где r = 1:m; - узлы третьего слоя (всего m) рассчитывают относительную степень выполнения каждого из нечетких правил: ; (3) - узлы четвертого слоя (заключения правил) определяют вклад каждого из нечетких правил в выход сети: yr = τ*r×(b0,r+ b1,r x1 + ××× + bn,r x1n); (4) - единственный узел пятого слоя (отражение результата) представляет собой сумму вкладов всех правил: y = y1 + ××× + yr + ××× + ym. (5) В качестве алгоритмов обучения моделей может быть использована классическая комбинация метода градиентного спуска в виде алгоритма обратного распространения ошибки (настройка параметров ФП) и метода наименьших квадратов (настройка весов правил) [23]. Обучение предполагает прямой и обратный проход по всем слоям нейронной сети и подстройку параметров модели, обеспечивающих максимальное соответствие фактического выхода сети и желаемого (задаваемого обучающей выборкой). Общий алгоритм применения предложенного подхода с учетом процедуры синтеза ННМ представлен на рис. 3. Рис. 3. Блок-схема методики контроля состояния ЭО на основе ННМ Методика позволяет осуществлять синтез ННМ (блоки №4-6) и их адаптацию с обеспечением требуемой точности результата, а также оценку фактического состояния ЭО с формированием базовых рекомендаций относительно их дальнейшей эксплуатации. Пример практического использования подхода к оценке ТС ЭО В качестве примера использования ННМ в задачах оценки ТС ЭО рассматривается упрощенная модель оценки состояния силовых маслонаполненных трансформаторов (СМТ) напряжением 110 кВ [24]. Исходные данные для построения моделей получены из отчетов специализированных организаций по мониторингу ТС трансформаторов ТДТН-16000/110 У1 с подстанций, осуществляющих электроснабжение объектов нефтедобычи Пермского края, а также по результатам имитационного моделирования с учетом анализа требований нормативно-технической документации. Принимая во внимание большой спектр контролируемых параметров СМТ, для построения тестовой системы оценки ТС использованы методы тепловизионного контроля, хроматографического анализа растворенных газов (ХАРГ) и экспертного контроля, позволяющие работать с разносторонней информацией об объекте [24, 25]. Обобщенная структура системы комплексного контроля приведена на рис. 4. Оценка теплового состояния трансформатора осуществляется на основе следующих диагностических признаков: x11 - температура верхних слоев масла; и x12 - температура нагрева обмоток; x13 - температура контактов и x14 - температура нагрева магнитопровода. Каждая переменная описана гауссовыми ФП с тремя нечеткими термами. Предельные значения параметров согласованы с требования нормативно-технической документации (при номинальной нагрузке: для температуры верхних слоев масла - 95°С; для обмоток трансформатора - 70°С при температуре окружающего воздуха 35°С; для температуры контактов и магнитопровода - в пределе 60-95°С). В качестве значений выходной переменной y1 рассматривается шкала из трех состояний: «отсутствие дефектов» (s11), «возможное зарождение дефектов» (s12), «развитие дефектов на критическом уровне» (s13), которые определяются изменением значений входных температурных параметров. Общее количество правил в базе знание системы нечеткого вывода равно 45 и имеет вид, соответствующий таблице. Точность модели после обучения и тестирования составляет 92 %. Рис. 4. Структура иерархической (пошаговой) оценки состояния ЭО по данным неразрушающего контроля Для оценки результатов хроматографического анализа газов, растворенных в масле, выбраны следующие входные параметры, определяющие соотношение таких газов, как водород Н2 (дефекты электрического нагрева - разряды в масле), ацетилен С2Н2 (перегрев активных элементов), этан С2Н6 (нагрев масла и твердой изоляции обмоток), метан СН4 и этилен С2Н4 (высокотемпературный нагрев масла и твердой изоляции): x21 -соотношение С2Н2/С2Н4; и x22 - соотношение СН4/Н2; x23 - соотношение С2Н4/С2Н6. Каждый параметр задан тремя термами с гауссовыми ФП. Анализ нормативно технической документации позволил выявить две ключевые группы дефектов, идентифицируемых с использованием метода: электрические (пробой твердой изоляции, увлажнение изоляции, дуговые разряды и др.) с возникновением частичных разрядов различной плотности и мощности и термические, в различных диапазонах температур (перегрев проводника, высокая температура «горячей точки», циркулирующие токи в баке и др.). Поэтому в качестве выходной переменной y2 рассматривается шкала из трех состояний: «отсутствие дефектов» (s21), «электрический дефект» (s22), «термический дефект» (s23). Общее количество правил в базе знание системы нечеткого вывода равно 9 (таблица). Пример нечетких правил для оценки ТС СМТ № Запись правила Оценка теплового состояния 1 ЕСЛИ x11= «Низкая» И x12= «Низкая» И x13= «Низкая» И x14= «Низкая» ТО y1= s11 19 ЕСЛИ x11= «Средняя» И x12= «Низкая» И x13= «Средняя» И x14= «Средняя» ТО y1= s12 45 ЕСЛИ x11= «Высокая» И x12= «Высокая» И x13= «Высокая» И x14= «Высокая» ТО y1=s13 Оценка концентрации газов в масле 1 ЕСЛИ x21= «Низкое» И x22= «Низкое» И x13= «Низкое» ТО y2 = s22 9 ЕСЛИ x21= «Низкое» И x22= «Высокое» И x13= «Высокое» ТО y2 = s23 Экспертная оценка состояния 1 ЕСЛИ x31= «Отсутствие» И x32= «Отсутствие» И x33= «Отсутствие» И x34= «Отсутствие» И x35= «Отсутствие» И x36= «Отсутствие» ТО y3 = s31 20 ЕСЛИ x31= «Отсутствие» И x32= «Наличие» И x33= «Наличие» И x34= «Отсутствие» И x35= «Отсутствие» И x36= «Отсутствие» ТО y3 = s32 64 ЕСЛИ x31= «Наличие» И x32= «Наличие» И x33= «Наличие» И x34= «Наличие» И x35= «Наличие» И x36= «Наличие» ТО y3 = s32 Точность модели после настройки и тестирования составляет 86 %. Для метода визуальной оценки состояния СМТ приняты следующие параметры, позволяющие диагностировать наличие дефектов и нарушений в работе оборудования (замыкания обмоток, возникновение дуги в масле, течь масла и т.д.): x31 - наличие треска внутри трансформатора; x32 - наличие трещин или сколов на изоляторах трансформатора; x33 - наличие деформаций на баке трансформатора; x34 - наличие течи масла на вводах трансформатора; x35 - наличие обрывов выводов трансформатора; x36 - наличие оплавления контактов. Параметры оцениваются двумя термами с треугольными ФП, характеризующими факт наличия/отсутствия видимых нарушений в работе элементов трансформатора. Выходная переменная y3 оценивается двумя состояниями «наличие дефекта» (s31) и «отсутствие дефекта» (s32) с треугольными ФП. Общее количество правил в нечеткой системе равняется 64 (см. таблица). Учитывая малое количество вариантов, модель позволяет интерпретировать информацию безошибочно. Вид структуры ННМ для полученной системы оценки ТС СМТ представлен на рис. 4. Пример ФП для лингвистической оценки параметров трансформатора на разных уровнях модели приведен на рис. 5. а б Рис. 5. Пример визуализации функции принадлежности входных параметров ННМ: температура масла трансформатора, x11 (а); соотношение концентраций этилен/этан, x23 (б) Итоговое заключение о состоянии СМТ формируется с учетом результатов оценки по каждому отдельному методу. Для оценки вариантов (входные переменные) использованы 3 или 2 нечетких терма с треугольными ФП. На выходе системы формируется итоговое заключение о соответствии ТС ЭО классу состояния: «Отсутствие явных дефектов» (c1, продолжение эксплуатации в нормальном режиме), «Развивающийся дефект» (c2), «Критический дефект» (c3). Поверхности отклика модели в соответствии с базой нечетких правил (всего 16) приведены на рис. 6. Рис. 6. Визуализация процесса принятия решений при оценке ТС СМТ Все указанные на разных уровнях модели классы состояния могут быть расширены с учетом конкретизации видов дефектов и их комплексного проявления. В качестве примера для апробации построенной модели были выбраны три СМТ ТДТН-16000/110 с напряжением 110/6 кВ, находящиеся на подстанции Усинская в сетевом районе города Оса. На основе полученных данных о работе трансформатора последовательно применены методы для оценки его ТС. Используются возможности нечетного классификатора, который по полученному классу состояния СМТ определяет наличие реально существующего дефекта (рис. 7). Вывод о текущем состоянии СМТ производится при сопоставлении всех полученных результатов. При анализе обнаружено, что в трансформаторе ТДТН-1600/110 № 2 имеются частичные разряды с низкой плотностью энергии, которые могут возникать вследствие увлажнения изоляции, тогда как у трансформатора № 3 наблюдается температурный дефект контактных соединений, что может сигнализировать о необходимости своевременно провести техническое обслуживание. Такая информация должна оперативно поступать на АРМ управленческого персонала, что позволит своевременно реагировать на факт возникновения дефекта и оперативно принять меры по его устранению, что приведет к предотвращению возможного ущерба от отказа СМТ, экономии средств на его ремонт и увеличит его срок службы. а б в Рис. 7. Результаты оценки состояния СМТ: тепловизионный контроль (а); анализ газов в трансформаторном масле (б); комплексная оценка (в) Заключение В статье рассмотрены аспекты разработки системы комплексной оценки и управления ТС ЭО с использованием технологий неразрушающего контроля и методов интеллектуального анализа данных. Предложенная структура системы (см. рис. 1) позволяет получить гибкий инструмент для достоверного контроля работоспособности оборудования и принятия своевременных решений относительно сценариев его эксплуатации в краткосрочной и долгосрочной перспективе [3, 10, 20]. Использование нейронечеткого подхода дает возможность осуществлять синтез диагностических моделей, позволяющих интуитивно понятно и с высокой точностью (для СМТ она составила более 90 %) определить состояние оборудования, а также производить их адаптацию при изменении набора статистических данных. С этой целью важно обеспечить поддержку функционирования единой информационной среды, которая непрерывно или с заданной периодичностью аккумулирует текущую информацию о значениях диагностических параметров ЭО, а также реальные факты возникновения дефектов в оборудовании. Реализация системы комплексной оценки и проактивного управления ТС ЭО, адаптивной к изменениям в его работе, позволит в будущем выстроить эффективную систему интегрированной логистической поддержки оборудования и влиять не только на технико-экономические показатели процесса его эксплуатации, но и на качество проектных решений в области создания конкурентоспособных электротехнических изделий.

About the authors

D. K Eltyshev

Perm National Research Polytechnic University

References

Statistics

Views

Abstract - 47

PDF (Russian) - 16

Refbacks

• There are currently no refbacks.