巻き取り - 株式会社キャッスルヒル

Scientific Reports volume 12、記事番号: 20157 (2022) この記事を引用

962 アクセス

メトリクスの詳細

電源変圧器は電力システムの重要な機器であり、システムの信頼性を確保するために応答性が高く正確な保護システムが必要です。この論文では、離散ウェーブレット変換と逆伝播ニューラルネットワークに基づく電力変圧器の故障位置アルゴリズムを示します。このシステムは、タイの送配電システムの一部をモデルとしています。 ATP/EMTP ソフトウェアは、提案されたアルゴリズムを検証するために故障信号をシミュレートするために使用され、さまざまな条件下で性能が評価されます。さらに、アルゴリズムに適した関数を選択するために、隠れ層と出力層のさまざまな活性化関数が比較されます。テスト結果は、提案されたアルゴリズムがさまざまな条件下で変圧器巻線の故障箇所を平均 0.1% 未満で正確に特定できることを示しています。この結果は、提案されたアルゴリズムを実際の電源変圧器の保護システムに実装する可能性を示しています。

電力変圧器は電力システムの重要な機器であり、ネットワークの異なるセクション間で異なる電圧で電力を伝送できるようにします。都市化と経済成長の結果、過去 10 年間の電力消費量の増加により、電力システムと相互接続された電力網は急速に拡大し、より複雑になりました。これらの変化において重要な役割を果たす電源変圧器は、障害に対して脆弱であり、ネットワークの信頼性を低下させます。したがって、障害を正確に特定し、システムから隔離するための保護システムを確立することが重要です。故障診断中に故障を特定することは、運用および保守作業員が変圧器の故障に正しく対応するのにも役立ちます。巻線の故障は電源変圧器ではよく発生します。それらは変圧器の内部で発生し、巻線の絶縁劣化によって引き起こされます1、2。障害に迅速かつ正確に対処できない場合、変圧器に修復不可能な損傷を与える可能性があります。電源変圧器は通常、過電流リレー、圧力リレー、差動リレーの組み合わせを使用して保護されます3。タイ発電庁（EGAT）は現在、溶存ガス分析4、周波数応答分析（FRA）5、巻線インピーダンス測定6などの従来の方法を使用して変圧器の故障を診断しています。これらの方法には長所と短所の両方がありますが、システムの効率と信頼性を高めるために改善することができます。

電力システムの障害を適切に検出、特定、位置特定するために、さまざまな技術を使用した障害分析が研究されてきました。電源変圧器には、一次側の中性電流を使用して故障状態を示すインターターン故障検出システムが実装されています7。無負荷有効電力損失と無効電力を適用して、電力変圧器の相互故障を検出できます8。電流高調波を決定要因として使用することで、電源変圧器が故障状態にあるかどうかを正確に検出できます9、10。モノのインターネットに基づく保護システムは、取得した信号を監視および分析できます11。変圧器にとって、巻線地絡故障は機器の損傷につながる可能性のある異常な状態であるため、正しく診断するために多くの研究がその特徴を分析してきました12、13。ただし、そのようなシステムには追加のコンポーネントが必要であるか、特定のアプリケーションには適していないため、実装は制限されます。したがって、より広い適用性を備えた改良されたアルゴリズムを得るために数学的ツールが使用されてきました。

ウェーブレット変換は、さまざまな目的で信号を分析するために使用できる数学的ツールです。電力システムのアプリケーションでは、信号解析のためのフーリエ変換の欠点を克服できます。解析に使用されるマザーウェーブレットもアルゴリズムのパフォーマンスに影響を与えるため、電力システムアプリケーションにおけるさまざまなマザーウェーブレットのパフォーマンスが比較され、故障解析に最適なマザーウェーブレットが選択されています。以前の研究では、Daubechies ウェーブレットが一時的な故障状態の解析に適していることが示されています 14,15。電源変圧器の差動保護のためのウェーブレットベースのアルゴリズムは、さまざまな種類の障害を正しく検出しました16。連続ウェーブレット変換は、FRA 信号を処理して巻線の変形を特定することによっても実装されています17。高周波成分のみを必要とする別のウェーブレットベースの検出アルゴリズムは、同様の精度で地絡を検出しました18。係数値の特性は以前の研究でも提示されており、この特性が故障診断アプリケーションに使用できることが実証されました19。これらのアプリケーションは、一時的な故障信号を解析するための数学的ツールとしてのウェーブレットの適合性についての洞察を提供しました。しかしながら、精度の向上が望ましい。

近年、人工知能も広く使用され、世界との関わり方を変えることができるツールです20。サポートベクターマシン 21、デシジョンツリー 22、人工ニューラルネットワーク (ANN)9、23、24 などの手法がよく使用されます。さまざまなニューラルネットワークが、さまざまな適切な目的とアプリケーションを提供します。たとえば、に適した PNN は、分類やパターン認識の問題で広く使用されています。畳み込みニューラルネットワーク (CNN) は人工ニューラルネットワーク (ANN) の一種で、視覚的な画像の分析に最も一般的に適用されます。長短期記憶 (LSTM) は、人工知能と深層学習の分野で使用される人工ニューラルネットワークです。たとえば、LSTM のアプリケーションは、手書き認識、音声認識、ビデオゲームなどです。ニューラルネットワークには多くの種類がありますが、さまざまな電力システムの問題を解決するために一般的に使用されるニューロンベースの構造はほんのわずかです。バックプロパゲーションニューラルネットワーク (BPNN) の場合、ほぼすべての種類の問題を解決し、迅速な応答を必要としない効果があるため、広く研究され、障害検出に応用されている最初の種類のニューラルネットワークの 1 つです。、故障検出、設計の最適化、および非常に短期的ではない予測など、電力システムの故障を検出、分類、位置特定する機能が実証されています25、26、27。 BPNN の成功は、オプティマイザーによる誤差の計算とネットワークへの伝播のプロセスにあり、非常に正確な結果が得られます。これまでの研究から、BPNN を使用して電源変圧器を含む電力システムの内部故障と外部故障を分類し、満足の精度を達成することができました28。さらに、BPNN で使用されるアクティベーション関数は、さまざまなアプリケーションに柔軟性を提供します29。その機能により、他の種類のニューラルネットワークよりも適しています。

文献レビューにより、電源変圧器の障害がネットワークの動作に大きな影響を与える可能性があることが明らかになりました。したがって、正確な障害位置特定アルゴリズムは、運用および保守作業員が問題に正確かつ迅速に対処するのに役立ちます。しかし、ほとんどの研究は、磁化突入電流の影響と、故障分類を含む磁化突入電流と内部故障との区別に焦点を当ててきました。ただし、巻線地絡故障の位置の検出についてはほとんど議論されません。変圧器巻線に沿った障害位置を特定できる機能は非常に役立ちます。したがって、この研究では、従来の方法よりも複雑な解析を必要としない、二巻線三相変圧器の巻線地絡故障を特定する方法を調査しました。

この論文では、ウェーブレット変換と BPNN を使用して巻線地絡故障を検出および位置特定するためのアルゴリズムを提案します。アルゴリズムの性能を評価するために、ATP/EMTP ソフトウェア30 を使用して電力変圧器をシミュレートし、タイの実際の EGAT 二巻線三相変圧器をモデルとしたシステムで故障信号を生成しました。図 1 は、提案されたアルゴリズムの簡略化されたフローチャートを示しています。このアルゴリズムはトリップリレーに信号を送信し、電力変圧器巻線の故障箇所を特定します。このアルゴリズムは、さまざまなサイズの巻線の監視ユニットから取得した電流波形を使用し、離散ウェーブレット変換 (DWT) を適用して最初のスケールの係数を抽出します。比較係数は、ニューラルネットワークをトレーニングするための入力として使用されます。 BPNN の隠れ層と出力層の活性化関数の適切な組み合わせも選択されます。

電源変圧器の故障検出と位置特定アルゴリズムの図。

本稿は以下のように構成されている。ウェーブレット変換については「ウェーブレット変換」セクションで詳細に説明され、方程式が示されています。変圧器モデルとパラメータ計算については、「変圧器巻線モデル」セクションで説明します。故障信号のシミュレーションとアルゴリズムの評価に使用したケーススタディは、「ケーススタディとシステム特性」セクションで説明します。「ニューラルネットワーク決定アルゴリズムとシミュレーション結果」「」セクションでは、提案された故障位置アルゴリズムの結果を示します。最後に、研究の結論を「結論」セクションで示します。

ウェーブレット変換はフーリエ変換などの従来の方法に似ていますが、電力システムの故障に起因する過渡現象の解析ではフーリエ変換よりも優れた利点があります。その理由は、このタイプのアプリケーションで必要な情報は周波数領域と時間領域の両方に存在するためです。 DWT は、システムから取得された信号を分析するために使用されてきました。ウェーブレットは、特定の形状と平均値が 0 の有限持続時間の小さな局所的な波です。ウェーブレット変換は、データ、関数、演算子をさまざまな周波数成分に分割し、そのスケールに適した解像度で各成分を調査するツールです 31,32。この変換により、分析対象の帯域を微調整できるため、高周波成分と低周波成分が正確に検出されます。ウェーブレット変換では、時間のシフトや変換を使用するだけでなく、時間の圧縮やマザーウェーブレットと呼ばれる固定ウェーブレット関数の拡張によって信号を拡張できます。解析が 2 倍にスケールされるウェーブレット変換は DWT と呼ばれ、次のように記述されます。

ここで $\psi \left[ {\frac{{n - k2^{m} }}{{2^{m} }}} \right]$ はマザーウェーブレットです。

Daubechies 4 (db4) マザーウェーブレットは、電力システムの過渡現象の解析に適しているため、DWT に選択されました 14、30、31、32。

この研究では、各相に個別の一次巻線と二次巻線を備えた二巻線三相変圧器が使用されました。変圧器の内部故障は、ATP/EMTP ソフトウェア 30 の BCTRAN サブルーチンを変更することによってシミュレートされました。 BCTRAN は通常、変圧器を表すために 6 × 6 インダクタンス行列を使用します。ただし、ここでは内部故障状態 (具体的には巻線地絡故障) を考慮しているため、7 × 7 マトリックスが使用されました 33。モデルは検証され、測定結果との比較によってその精度が証明されました。ただし、故障時に発生する可能性のある高周波成分の影響はこのモデルには含まれていません。故障の種類と故障の場所は、変圧器の周波数応答に影響を与えることが示されています34。さらに、故障電流の高周波成分を使用した過渡ベースの保護を使用して、送電線の故障の位置を特定して分類できることが証明されています35。したがって、変圧器の過渡ベースの保護システムを開発するには、故障電流信号に重畳された高周波成分を調査することが有用です。そこで、この研究では、Bastard et al.33 が提案した変圧器モデル (図 2) を、変圧器の静電容量を含む IEEE ワーキンググループ 36 が推奨する高周波モデル (図 3) と組み合わせます。このモデルは、変圧器巻線の巻線地絡故障をシミュレートするために使用されます。

巻線地絡故障を伴う電源変圧器の ATP/EMTP モデル33。

浮遊容量の影響を示す 2 巻線トランスの図 36。

EMTP の BCTRAN ルーチンに基づいて巻線地絡故障をシミュレーションするプロセスは、次のように要約できます。

最初のステップ: 式 1、2、3 に示すように、巻線地絡故障 33 を考慮せずに、製造テストデータ 37 から電源変圧器の行列 R および L を計算します。 (2)と(3)。

第 2 ステップ: 式を変更します。 (2) と (3) を使用して、新しい内部巻線故障行列 $\left[ R \right]^{*}$ と $\left[ L \right]^{*}$ を取得します。等式 (4) と (5) それぞれ 33.

第 3 ステップ: 変圧器の端子に接続された集中静電容量を追加することにより、高電圧巻線と低電圧巻線の巻線間静電容量と対地静電容量をシミュレートします。

ATP/EMTP ソフトウェア30 を使用して、正常な状態と障害状態の下でシステム信号をシミュレートしました (サンプリングレート: 200 kHz、サンプリング時間: 5 μs)。このケーススタディで使用された変電所は、115 kV EGAT 送電システムの一部をモデルとしてモデル化されました。 23 kV 州電力局 (PEA) の配電線に接続されています。この変電所で使用されている電源変圧器は 2 巻線の三相降圧変圧器 (50 MVA、115/23 kV) です。メーカーによって提供された構成と仕様が使用されました37。図 4 に、電源トランスと接続コンポーネントの単線図を示します。さらに、ケーススタディで使用する電源トランスのパラメータの構成は、表 1 に示すように要約できます。さまざまな条件下で提案アルゴリズムを評価するために徹底的なシミュレーションが実行されました。シミュレーションのパラメータは以下の通りです。

故障が発生するさまざまな相の一次および二次巻線 (高電圧および低電圧コイル) が使用されました。

故障信号の開始角度 (A 相電圧が基準として使用される) は、0° から 330° まで 30° ずつ変化しました。

巻線上の障害位置は、コイルの端子からの距離として測定され、10 ～ 90% まで 10% 刻みで変化しました。

故障抵抗は5Ωでした。

ケーススタディで使用した伝送線路セクションの単線図。

電力システムの障害は電流信号に大きな影響を与えるため、システムに障害が発生したかどうかを判断するために使用できます。したがって、提案された故障検出アルゴリズムは、電源変圧器の一次側と二次側の両方の測定装置から得られた三相電流波形への DWT の適用に基づいています。図 5 と図 6 は、それぞれ、一次 (高電圧) 巻線と二次 (低電圧) 巻線の巻線 A 相からアースまでの故障の一次側と二次側から得られる三相電流信号の例を示しています。 ATP/EMTP ソフトウェア30.

高電圧巻線の長さの 10% で A 相巻線対地絡事故が発生した場合の一次電流と二次電流。

低電圧巻線の長さの 10% で A 相巻線対地絡事故が発生した場合の一次電流と二次電流。

故障中、故障箇所を流れる電流により、一次側の故障相の電流が大幅に増加しました。対照的に、一次側の故障により伝達される電力が減少したため、二次側の電流は減少しました。ただし、二次側の障害により小さな過渡現象が発生し、二次側から測定される電流の減少も小さくなりました。この動作は、システムの障害状態を診断するために使用できます。

電源トランスの一次側と二次側から得られる電流信号を用いて差動電流を計算しました。三相電流も正相、負相、零相電流に変換されます。三相電流の 4 分の 1 サイクルと故障開始後のゼロシーケンス波形を入力として使用しました。ウェーブレット変換では、スケール 1 からスケール 5 までの波形係数が抽出されます。図 2 に示すように、信号から係数値を抽出し、2 乗することで係数値の変化を強調します。 7 と 8 はそれぞれ一次巻線と二次巻線の故障です。

長さの 10% における高電圧 (一次) 巻線の A 相巻線対地絡故障時の三相および零相差動電流の係数。

長さの 10% における低電圧 (2 次) 巻線の A 相巻線対地絡故障時の三相および零相差動電流の係数。

抽出された係数は、システムに障害が発生したときに強いピークを示し、その後通常のレベルまで減少します。この動作は、定常状態ではなく過渡状態では反応するウェーブレットの特性に起因します。ウェーブレット変換の係数出力を使用して、試行錯誤によって決定アルゴリズムを構築しました。このアルゴリズムは、さまざまなスケールの係数を使用して適用され、スケール 1 の係数は、アルゴリズムが内部障害の開始を識別するのに十分に異なることが判明しました。したがって、高速アルゴリズムを取得するために、DWT から取得されたスケール 1 係数のみがニューラルネットワークのトレーニングデータとして使用されました。

人工知能、特にニューラルネットワークは、電気工学を含むさまざまな分野で広く応用されています。 BPNN は、パターン認識と障害分類に適したニューロンベースの構造です。これは、入力層、少なくとも 1 つの隠れ層、および出力層の 3 つの層で構成されます。これらのレイヤーは重みとバイアスによって接続されています。提案されたアルゴリズムは、図 9 に示すように、1 つの入力層、2 つの隠れ層、1 つの出力層を備えた BPNN アーキテクチャを使用します。

提案アルゴリズムで使用されるBPNN。

アルゴリズムのニューラルネットワーク構造では 2 つの隠れ層が使用されています。これは、1 つの隠れ層を持つ構造よりも機能的に優れているためです。ただし、さまざまな活性化関数によって、アルゴリズムの精度も広範囲になります。したがって、電源変圧器の故障位置アルゴリズムに適した起動関数が選択されました。双曲線正接シグモイド、ロジスティックシグモイド、および一次関数が考慮されました。表 2 に、隠れ層と出力層で使用される活性化関数の 12 個の組み合わせを示します。

BPNN のトレーニングプロセスは、次のように 3 つの部分に分けることができます38。

フィードフォワード入力パターン

フィードフォワード入力パターンは、データを入力層から隠れ層に伝播し、最後に出力層に伝播します。入力パターンからの応答は、式を使用して計算できます。 (6)と(7)。

どこ。

p = BPNN の入力ベクトル、

iw1,1 = 入力層と最初の隠れ層の間の重み、

lw2,1 = 最初の隠れ層と 2 番目の隠れ層の間の重み、

lw3,2 = 2 番目の隠れ層と出力層の間の重み、

b1、b2 = それぞれ最初と 2 番目の隠れ層のバイアス、

b3 = 出力層のバイアス、

f1、f2 = 活性化関数（双曲線正接シグモイド関数：tanh）、

f3 = 活性化関数 (一次関数)。

関連する誤差の逆伝播

BPNN に関連する誤差は、ニューラルネットワークとターゲット出力の間の誤差です。これは、下の層のすべてのニューロンに伝播され、重みとバイアスを調整するための参照としても使用されます。

ウェイトとバイアスの調整

重みとバイアスは、計算された出力とターゲット出力に一致するように、Levenberg-Marquardt (trainlm) プロセスを使用して調整されました。 BPNN の効率を決定するために、平均絶対パーセント誤差 (MAPE) インデックスが使用されました。それは式を使用して計算されます。 (8)。

ここで、n はテストセットの数です。

計算結果に基づいて提案された BPNN の構造は、4 つのニューロン入力、2 つの隠れ層、および 1 つのニューロン出力で構成されます。ニューラルネットワークの入力パターンは、故障後の差動電流からの三相電流とゼロ相電流のスケール 1 最大係数 (cD1) で構成されます。ニューラルネットワーク構造の出力変数には、巻線地絡故障が発生する位置に応じて 0.1 ～ 0.9 のラベルが付けられます。入力データセットは正規化され、トレーニング用に 216 セットとテスト用に 108 セットに分割されます。ニューラルネットワークをトレーニングするために、両方の隠れ層のニューロンの数が増加し、最適なパフォーマンスを持つものを選択するために活性化関数のさまざまな組み合わせが使用されました。 MAPE が計算される前に重みとバイアスが調整され、トレーニングサイクルが 20,000 回繰り返されて、最適な MAPE 値が決定されました。最初の隠れ層が最終ニューロン数に達するか、テストセットの MAPE が 0.5% 未満になったときに、トレーニングは停止されました。図 10 に、提案された BPNN トレーニングプロセスのフローチャートを示します。

BPNN トレーニングプロセスのフローチャート。

トレーニングプロセスの後、最小の MAPE を生成する重みとバイアスを使用して、BPNN ベースの決定アルゴリズムがテストされました。次に、保存されたデータは、ターゲット出力や正しいターゲット出力に類似した計算値ではなく、入力値のみを使用して計算されました。提案されたアルゴリズムの入力として使用されるケーススタディとデータセットの数は、表 3 に示すように要約できます。図 11 は、活性化関数と高レベルと高レベルの両方のテストセットデータのさまざまな組み合わせを使用して得られた結果を示しています。低電圧巻線。

活性化関数のさまざまな組み合わせにおける障害位置の平均誤差。

活性化関数の 4 つの組み合わせにより、平均誤差が 5% 未満で正確な結果が得られることがわかりました。

双曲線正接 – ロジスティック – 線形

双曲線正接 – 双曲線正接 – 線形

ロジスティック – ロジスティック – 線形

ロジスティック – 双曲線正接 – 線形

トレーニングプロセスの後、アルゴリズムがシステムに実装され、巻線地絡信号を使用して故障箇所を特定するパフォーマンスが評価されました。アルゴリズムのパフォーマンスを検証し、活性化関数の適切な組み合わせを特定するために、さまざまな条件下で合計 324 のケースが検査されました。表 4 は、最高のパフォーマンスを示した活性化関数の 4 つの組み合わせを使用して取得された障害位置の平均誤差を示しています。

4 つの最適な活性化関数の組み合わせでは、高電圧巻線に対して同様の誤差が生じます。ただし、低電圧巻線の場合、双曲線正接 - 双曲線正接 - 線形の組み合わせは、他の組み合わせよりも誤差が大幅に少なく、より高い精度を達成できます。

図 12 は、A 相から C 相までの高電圧巻線と低電圧巻線の起動関数のさまざまな組み合わせにおける故障位置の平均誤差を示しています。高圧巻線の故障位置の平均誤差は 2.5% ですが、高電圧巻線の故障位置の平均誤差は 2.5% です。低電圧巻線は、変圧器巻線のさまざまな長さで 6% です。これらの結果は、さまざまな条件下での各活性化関数のパフォーマンスを示しています。双曲線正接、双曲線正接、線形の組み合わせでは、低電圧巻線の長さの 10% および 20% にある故障箇所など、一部の故障状況では最高の精度が得られない可能性があります。ただし、巻線と地絡の故障箇所を特定する場合には、平均して最高の精度を提供できます。

4 つの最適な活性化関数の組み合わせを使用した障害位置の平均誤差。

表 4 と図 12 は、双曲線正接 - 双曲線正接 - 線形が活性化関数の適切な組み合わせであることを示しています。したがって、これは、巻線地絡故障を特定するための BPNN の活性化関数の組み合わせとして選択されました。図 13 は、これらの活性化関数を含むアルゴリズムが適用された場合の障害位置の平均誤差を示しています。三相変圧器の高電圧巻線と低電圧巻線の両方のさまざまな故障位置について、決定アルゴリズムの予測に基づく故障位置の精度は優れていました。提案されたアルゴリズムのパフォーマンスに対するさまざまなパラメーターの影響を表 5、6、7、8 に示します。

アルゴリズムを双曲線正接 - 双曲線正接 - 線形活性化関数で使用した場合の障害位置の平均誤差。

表 5 と表 6 に、それぞれ高電圧巻線と低電圧巻線の A 相における巻線地絡故障の予測故障位置とその誤差を示します。実際の障害位置は巻線の長さの 10% に固定され、障害信号の開始角度は変化しました。このアルゴリズムは、すべての開始角度で 3% 未満の誤差で高電圧巻線の障害位置を予測しました。低電圧巻線の予測は、高圧巻線の予測ほど正確ではありませんでした。ただし、全体的な誤差は 5% 未満でした。したがって、開始角度は、提案された故障位置アルゴリズムのパフォーマンスに大きな影響を与えません。

表 7 と表 8 に、固定開始角度による A 相の巻線地絡故障の予測故障位置とその誤差、および高電圧巻線と低電圧巻線のさまざまな故障位置をそれぞれ示します。開始角度は、高圧巻線では 240°、低電圧巻線では 210°に固定されました。このアルゴリズムは、高電圧巻線の障害位置を 1% 未満の誤差で予測しました。この場合も、低電圧巻線の予測は高電圧巻線よりも精度が低かった。ただし、全体的な誤差は 3% 未満でした。これらの結果は、アルゴリズムがあらゆる可能な場所で障害を正確に特定できることを示しています。

提案された故障位置特定方法を電力変圧器のさまざまな巻線と地絡の故障に適用すると、アルゴリズムが 0.5% 未満の誤差で故障を正確に検出できることが明らかになりました。故障位置、開始角度、巻線電圧はアルゴリズムのパフォーマンスに影響を与えません。この研究では、提案されたアルゴリズムを変圧器保護システムに実装することで、電力会社の運用および保守作業員に正確な情報を提供し、変圧器の障害に迅速かつ正確に対応できることが実証されました。

電源変圧器は電力システムの重要なコンポーネントであり、障害、特に内部障害に対して脆弱になる可能性があります。したがって、障害を正確に特定して隔離し、機器の損傷を最小限に抑える保護システムが必要です。さらに、障害を特定できるため、メンテナンスおよび運用担当者が障害に正しく対応し、ネットワークの信頼性を確保することができます。提案されたアルゴリズムは、DWT と BPNN を組み合わせて使用し、三相電力変圧器の巻線と地絡の故障を特定します。三相故障後差動電流信号と零相電流のスケール 1 最大係数は、BPNN をトレーニングするための入力として使用されました。さまざまな条件下での故障のケーススタディを使用して、提案されたアルゴリズムのパフォーマンスを評価しました。結果は、アルゴリズムが BPNN のさまざまな層で双曲線正接 - 双曲線正接 - 線形の組み合わせを組み合わせた活性化関数を使用して、巻線と地絡の故障を検出し、位置を特定できることを実証しました。提案されたアルゴリズムの全体的な精度は 95% を超え、場合によっては 99.5% に達します。さらに、障害位置特定のパフォーマンスは、さまざまなシステムパラメーターの影響を受けませんでした。この技術は、電源変圧器の巻線と地絡の故障を特定して修復するのに役立つはずです。将来の研究では、変圧器の巻線に沿った巻線間故障の位置を特定できるようにアルゴリズムが改善される予定です。

現在の研究中に使用および分析されたデータセットは、合理的な要求に応じて責任著者から入手できます。

クリスティーナ、AJ 他変圧器の故障の原因と診断方法 - レビュー。更新します。持続する。エネルギー改訂 82(1)、1442–1456 (2018)。

Google スカラー

Faiz, J. & Heydarabadi, R. 電源変圧器の故障の診断。ラス。エレクトロ。工学 85(12)、785–793 (2015)。

記事 Google Scholar

Horowitz, SH、Phadke, AG & Niemira, JK パワーシステムリレー第 4 版（ワイリー、ニューヨーク、2013）。

Google スカラー

de Faria Jr, H.、Costa、JGS & Olivas、JLM 溶存ガス分析に基づく電力変圧器の予知保全のためのモニタリング方法のレビュー。更新します。持続する。エネルギー改訂 46、201–209 (2015)。

記事 Google Scholar

Senobari, RK、Sadeh, J. & Borsi, H. 故障検出および位置特定のためのツールとしての変圧器の周波数応答解析 (FRA): レビュー。エレクトロ。パワーシステム。解像度 155、172–183 (2018)。

記事 Google Scholar

Soni, R. & Mehta, B. さまざまなテスト手法を使用した初期故障の診断と故障の特定による、電源変圧器の資産管理に関するレビュー。工学失敗。アナル。 128、105634 (2021)。

記事 Google Scholar

Ballal、MS、Suryawanshi、HM、Mishra、MK、Chaudhari、BN 中性電流の診断による変圧器の巻線間故障検出。 IEEEトランス。 Power Delivery 31(3)、1096–1105 (2016)。

記事 Google Scholar

Ehsanifar、A. et al。無負荷有効電力損失と無効電力に基づいた変圧器巻線間故障検出。内部。Ｊ．Ｅｌｅｃｔｒ．電力エネルギーシステム 130、107034 (2021)。

記事 Google Scholar

Bagheri, S.、Moravej, Z. & Gharehpetian, GB 巻線の機械的欠陥、内部および外部の電気的欠陥、変圧器の突入電流の分類と識別。 IEEEトランス。業界情報 14(2)、484–493 (2018)。

記事 Google Scholar

Raichura, M.、Chothani, N.、Patel, D. & Mistry, K. [2_TD$DIFF] 全高調波歪み (THD) に基づいた、電源変圧器の正常、突入、障害状態の識別。更新します。エネルギーフォーカス 36、43–55 (2021)。

記事 Google Scholar

Zhang、C.ら。 IoTベースの監視システムとアンサンブル機械学習を用いた変圧器の故障診断手法。未来のジェネレーター。計算します。システム。 108、533–545 (2020)。

記事 Google Scholar

Pham、DAK、Pham、TMT、Borsi、H.、Gockenbach、E. 変圧器巻線の機械的故障の診断のための標準的な周波数応答解析評価をサポートする新しい診断方法。 IEEE Electr. インスル。マグ。 30(2)、34–41 (2014)。

記事 Google Scholar

サティシュ、L. & サフー、SK 変圧器巻線の故障箇所の特定: 実験的研究。電気電源システム解像度 79(1)、89–97 (2009)。

記事 Google Scholar

Klomjit, J.、Ngaopitakkul, A.、Sreewirote, B. ハイブリッド伝送路システムの分類障害に対するマザーウェーブレットの比較。第8回IEEE国際アウェアネス科学技術会議（iCAST 2017）にて。 527–532 (2017)。

ポティサーン、C.ら。電気システムの障害分類のためのさまざまなマザーウェーブレットの比較。応用科学。 10、1–15 (2020)。

記事 Google Scholar

メデイロス、RP、コスタ、FB 差動変流器の飽和とクロスカントリー障害検出を備えたウェーブレットベースの変圧器差動保護。 IEEEトランス。電力供給 33(2)、789–799 (2018)。

記事 Google Scholar

Cheng, Q.、Zhao, Z.、Tang, C.、Qian, G.、Islam, S. パルス応答の連続ウェーブレット変換を使用した変圧器巻線変形故障タイプの診断。測定 140、197–206 (2019)。

記事 ADS Google Scholar

アイレス、MNO 他ウェーブレットベースの制限付き地絡電源変圧器の差動保護。エレクトロ。パワーシステム。解像度 196、107246 (2021)。

記事 Google Scholar

Gururajapathy、SS、Mokhlis、H. & Illias、HA 分散型発電による配電システムにおける障害位置と検出技術: レビュー。更新します。持続する。エネルギー改訂 74、949–958 (2017)。

記事 Google Scholar

Rumkidkarn, J.、Ngaopitakkul, A. 離散ウェーブレット変換の高周波成分と低周波成分を使用した、変圧器の巻線から地絡までの挙動解析。 2017 年応用システムイノベーション国際会議 (ICASI)、1102–1105 (2017)。

Shah, M. & Bhalja, BR サポートベクターマシンベースの保護スキームを使用した、変圧器の内部故障とその他の障害の識別。 IEEEトランス。電力供給 28(3)、1508–1515 (2013)。

記事 Google Scholar

Beheshtaein, S. 他の過渡現象からの鉄共鳴の検出におけるウェーブレットベースの方法と DT の応用。 2012 年、インテリジェントシステムおよびアプリケーションのイノベーションに関する国際シンポジウム。（2012年）。

Fernandes、JF、Costa、FB、de Medeiros、RP ウェーブレット変換と人工ニューラルネットワークに基づく電源変圧器の外乱分類。ニューラルネットワークに関する国際合同会議（IJCNN）にて。 640–646 (2016)。

Bhasker, SK、Bera, PK、Kumar, V. & Tripathy, M. ウェーブレットと ANN を使用した間接対称移相変圧器の差動保護と内部故障分類。 TENCON 2015—2015 IEEE リージョン 10 カンファレンス。 1–6 (2015)。

Ngaopitakkul, A. & Bunjongjit, S. 単回路伝送路の障害診断のための離散ウェーブレット変換と逆伝播ニューラルネットワークアルゴリズムの応用。内部。Ｊ．Ｓｙｓｔ．科学。 44(9)、1745–1761 (2013)。

記事 MATH Google Scholar

Kaitwanidvilai, S.、Pohiran, C.、Jettanasen, C.、Chiradeja, P. & Ngaopitakkul, A. 地下ケーブルの障害分類のための離散ウェーブレット変換および逆伝播ニューラルネットワークアルゴリズム。 International MultiConference of Engineers and Computer Scientists 2011 (IMECS 2011) にて。 996 ～ 1000 年 (2011 年)。

ジン、AAM、サイニ、M.、ムスタファ、MW、スルタン、AR、ラヒムディン。クラーク変換に基づく DWT と BPNN を使用した並列伝送路の検出と障害分類のための新しいアルゴリズム。ニューロコンピューティング。 168、983–993 (2015)。

記事 Google Scholar

Ngaopitakkul, A.、Jettanasen, C.、Asfani, DA & Negara, Y. 変圧器の内部および外部の故障分類のための離散ウェーブレット変換と逆伝播ニューラルネットワークの応用。内部。 J. 回路システム信号プロセス。 13、458–463 (2019)。

Google スカラー

Bunjongjit, S. & Ngaopitakkul, A. 単一回路伝送路の障害分類のための適切な人工ニューラルネットワークの選択。内部。Ｊ．イノフ．計算します。情報コントロール。 8(1A)、361–374 (2012)。

数学 Google Scholar

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

Kim, CH & Aggarwal, R. 電力システムにおけるウェーブレット変換: パート I。ウェーブレット変換の概要。 IEE電力工学 J. 14(2)、81–87 (2000)。

記事 Google Scholar

Makming, P.、Bunjongjit, S.、Kunakorn, A.、Jiriwibhakorn, S.、Kando, M. ウェーブレット変換を使用した伝送路の障害診断。 IEEE 伝送および配信カンファレンスにて。 2246 ～ 2250 年 (2002 年)。

Bastard, P.、Bertrand, P.、Meunier, M. 巻線故障研究用の変圧器モデル。 IEEEトランス。 Power Delivery 9(2)、690–699 (1994)。

記事 Google Scholar

Islam, SM & Ledwich, G. 伝達関数アプローチを使用した高周波モデリングの感度解析による変圧器の故障の特定。電気絶縁に関するIEEE国際シンポジウムにて。 38–41 (1996)。

Bo、ZQ、マサチューセッツ州レッドファーン、GC ウェラー障害により生成された高周波過渡信号を使用した送電線の位置保護。 IEEEトランス。 Power Delivery 15(3)、888–894 (2000)。

記事 Google Scholar

IEEE ワーキンググループ 15.08.09。デジタルプログラムを使用したシステム過渡現象のモデリングと分析 (IEEE PES 特別出版物、2009)

ABB タイランド、テストレポート No. 56039。

Demuth, H. & Beale, M. Neural Network Toolbox ユーザーガイド (The Math Work、2001 年)。

リファレンスをダウンロードする

シーナカリンウィロート大学工学部、バンコク、タイ

パトムタットチラデジャ

タイ、バンコク、モンクット王工科大学ラーカバン校工学部

アタポール・ガオピタクン

PubMed Google Scholar でこの著者を検索することもできます

AN は分析を実行し、主要な原稿テキストを書き、図と表を準備しました。 PC から提供されたデータと分析ツールを使用して原稿をレビューしました。著者全員が原稿をレビューしました。

アタポル・ンガオピタクン氏への通信。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Chiradeja, P.、Ngaopitakkul, A. 離散ウェーブレット変換と逆伝播ニューラルネットワークの組み合わせを使用した、電力変圧器巻線の巻線から地絡までの故障位置。 Sci Rep 12、20157 (2022)。 https://doi.org/10.1038/s41598-022-24434-9

引用をダウンロード

受信日: 2022 年 4 月 29 日

受理日: 2022 年 11 月 15 日

公開日: 2022 年 11 月 23 日

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

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。