Использование машинного обучения и искусственных нейронных сетей для распознавания витковых замыканий в силовых трансформаторах
Ключевые слова:
витковые замыкания в силовых трансформаторах, искусственная нейронная сеть (ИНС), чувствительность, быстродействие, многопараметрическая релейная защита
Аннотация
Эффективность релейной защиты силового трансформатора является одной из самых низких. Лишь в 70–80 % случаев повреждений защита правильно и своевременно реагирует, предотвращая дальнейшее развитие аварийной ситуации. Одной из главных проблем является распознавание внутренних замыканий (витковых замыканий в обмотке трансформатора). Для распознавания витковых замыканий в трансформаторах предложено использовать нейросетевые алгоритмы. Для исследования работы трансформатора в составе электрической сети в нормальном режиме, а также при витковых замыканиях разработаны имитационные MATLAB-модели. По результатам моделирования получен большой объем статистических данных, служащих для обучения искусственной нейронной сети (ИНС). Для распознавания витковых замыканий предложено два варианта защиты трансформатора: первый – использование ИНС непосредственно для принятия решения; второй – применение ИНС для расчета коэффициентов многопараметрической релейной защиты. С использованием нейросетевых алгоритмов проведено тестирование защит. Установлено, что второй вариант защиты является предпочтительным для реализации, так как ИНС используется лишь для вычисления весовых коэффициентов. По сравнению с классической дифференциальной защитой предложенная защита с применением ИНС позволяет эффективнее распознавать витковые замыкания с малым числом замкнутых витков на ранних этапах развития повреждений.
Литература
1. Perez L.G., et al. Training an Artificial Neural Network to Discriminate Between Magnetizing Inrushand Internal Faults. – IEEE Transactions on Power Delivery, 1994, vol. 9, No. 1, pp. 434–441, DOI: 10.1109/61.277715.
2. Куликов А.Л. и др. Применение метода наложения для решения задачи определения места повреждения в сетях среднего напряжения. – Электричество, 2021. № 9. с. 38–44.
3. Balaga H., Vishwakarma D.N, Sinha A. Application of ANN Based Pattern Recognition Technique for the Protection of 3-Phase Power Transformer. – SEMCCO, 2011, pp. 358–365, DOI:10.1007/978-3-642-27172-4_44.
4. Лоскутов А.А., Пелевин П.С., Митрович М. Разработка логической части интеллектуальной многопараметрической релейной защиты. – Электричество, 2020, № 5, с. 12–18.
5. Souza J.R.M.S., et al. Designing and Training an Artificial Neural Network Fed by Harmonic Content of Differential Currents for Inrush Detection. – International Conference on Power Systems Transients, 2017.
6. Shah B.S., Parmar S.B. Transformer Protection Using Artificial Neural Network. – International Journal of Novel Research and Development, 2017, vol. 2, iss. 5, pp. 108–111.
7. Tripathy M. Power Transformer Differential Protection Based on Hindawi Neural Network Principal Component Analysis, Harmonic Restraint and Park’s Plots. – Advances in Artificial Intelligence, 2012, DOI:10.1155/2012/930740.
8. Rebizant W., Bejmert D. Transformer Differential Protection with Neural Network Based Inrush Stabilization. – Power Tech, 2007, DOI:10.1109/PCT.2007.4538488.
9. Jamil M., Singh R., Sharma S.K. Fault Detection and Classification in Electrical Power Transmission System Using Artificial Neural Network. – SpringerPlus, 2015, 4(1), 334, DOI:10.1186/s40064-015-1080-x.
10. Лоскутов А.А., Митрович М., Осокин В.Ю. Повышение распознаваемости режимов функционирования системы электроснабжения на основе методов машинного обучения. – Релейная защита и автоматизация, 2020. № 4 (41), с. 26–34.
11. Santos R., Senger E.C. Transmission Lines Distance Protection Using Artificial Neural Networks. – International Journal of Electrical Power & Energy Systems, 2011, 33(3), pp. 721–730, DOI:10.1016/j.ijepes.2010.12.029.
12. Barreira M.L.A. Neural Networks Improving the Performance of the Distance Protection. – Theses, 2013, 77 p.
13. Altaie A.S. Design of a New Digital Relay for Transmission Line Fault Detection, Classification and Localization Based on a New Composite Relay and Artificial Neural Network Approach. – Master’s Thesis., 2015, 652, 113 p., https://scholarworks.wmich.edu/masters_theses/652.
14. Megahed A., Abou-Ghazala A., Hanafy M. A Novel Protective Scheme for Double Circuit Transmission Line Based on Modular Neural Network of Combined Structure. – Przegląd Elektrotechniczny, 2012, pp. 233–237, R. 88 NR 10a/2012.
15. Ayyagari S.B. Artificial Neural Network Based Fault Location for Transmission Lines. – University of Kentucky Master's Theses, 2011, 117 p.
16. Колобанов П.А., Куликов А.Л. Совершенствование аналитических методов исследования внутренних замыканий в двухобмоточных трансформаторах для целей релейной защиты. – Вестник ИГЭУ, 2019, № 1, с. 18–30.
17. Лямец Ю.Я. и др. Эффекты многомерности в релейной защите. – Электричество, 2011, № 9, с. 48–54.
18. Галушкин А.И. Синтез многослойных систем распознавания образов. М.: Энергия, 1974, 366 с.
---
Исследование выполнено при финансовой поддержке в рамках программы «Приоритет 2030»
#
1. Perez L.G., et al. Training an Artificial Neural Network to Discriminate Between Magnetizing Inrushand Internal Faults. – IEEE Transactions on Power Delivery, 1994, vol. 9, No. 1, pp. 434–441, DOI: 10.1109/61.277715.
2. Kulikov A.L., et al. Elektrichestvo – in Russ. (Electricity), 2021. No. 9. pp. 38–44.
3. Balaga H., Vishwakarma D.N, Sinha A. Application of ANN Based Pattern Recognition Technique for the Protection of 3-Phase Power Transformer. – SEMCCO, 2011, pp. 358–365, DOI:10.1007/978-3-642-27172-4_44.
4. Loskutov A.A., Pelevin P.S., Mitrovich M. Elektrichestvo – in Russ. (Electricity), 2020, No. 5. pp. 12–18.
5. Souza J.R.M.S., et al. Designing and Training an Artificial Neural Network Fed by Harmonic Content of Differential Currents for Inrush Detection. – International Conference on Power Systems Transients, 2017.
6. Shah B.S., Parmar S.B. Transformer Protection Using Artificial Neural Network. – International Journal of Novel Research and Development, 2017, vol. 2, iss. 5, pp. 108–111.
7. Tripathy M. Power Transformer Differential Protection Based on Hindawi Neural Network Principal Component Analysis, Harmonic Restraint and Park’s Plots. – Advances in Artificial Intelligence, 2012, DOI:10.1155/2012/930740.
8. Rebizant W., Bejmert D. Transformer Differential Protection with Neural Network Based Inrush Stabilization. – Power Tech, 2007, DOI:10.1109/PCT.2007.4538488.
9. Jamil M., Singh R., Sharma S.K. Fault Detection and Classifica-tion in Electrical Power Transmission System Using Artificial Neural Network. – SpringerPlus, 2015, 4(1), 334, DOI:10.1186/s40064-015-1080-x.
10. Loskutov A.A., Mitrovich M., Osokin V.Yu. Releynaya zashchita i avtomatizatsiya – in Russ. (Relay Protection and Automation), 2020, No. 4 (41). pp. 26–34.
11. Santos R., Senger E.C. Transmission Lines Distance Protection Using Artificial Neural Networks. – International Journal of Electrical Power & Energy Systems, 2011, 33(3), pp. 721–730, DOI:10.1016/j.ijepes.2010.12.029.
12. Barreira M.L.A. Neural Networks Improving the Performance of the Distance Protection. – Theses, 2013, 77 p.
13. Altaie A.S. Design of a New Digital Relay for Transmission Line Fault Detection, Classification and Localization Based on a New Composite Relay and Artificial Neural Network Approach. – Master’s Thesis., 2015, 652, 113 p., https://scholarworks.wmich.edu/masters_theses/652.
14. Megahed A., Abou-Ghazala A., Hanafy M. A Novel Protective Scheme for Double Circuit Transmission Line Based on Modular Neural Network of Combined Structure. – Przegląd Elektrotechniczny, 2012, pp. 233–237, R. 88 NR 10a/2012.
15. Ayyagari S.B. Artificial Neural Network Based Fault Location for Transmission Lines. – University of Kentucky Master's Theses, 2011, 117 p.
16. Kolobanov P.A., Kulikov A.L. Vestnik IGEU – in Russ. (Vestnik of ISPEU), 2019, No. 1, pp. 18–30.
17. Lyamets Yu.Ya., et al. Elektrichestvo – in Russ. (Electricity), 2011, No. 9, pp. 48–54.
18. Galushkin А.I. Sintez mnogosloynyh sistem raspoznavaniya obrazov (Synthesis of Multilayer Pattern Recognition Systems). М.: Energiya, 1974, 366 p
---
The study was carried out with financial support under the "Priority 2030" program
2. Куликов А.Л. и др. Применение метода наложения для решения задачи определения места повреждения в сетях среднего напряжения. – Электричество, 2021. № 9. с. 38–44.
3. Balaga H., Vishwakarma D.N, Sinha A. Application of ANN Based Pattern Recognition Technique for the Protection of 3-Phase Power Transformer. – SEMCCO, 2011, pp. 358–365, DOI:10.1007/978-3-642-27172-4_44.
4. Лоскутов А.А., Пелевин П.С., Митрович М. Разработка логической части интеллектуальной многопараметрической релейной защиты. – Электричество, 2020, № 5, с. 12–18.
5. Souza J.R.M.S., et al. Designing and Training an Artificial Neural Network Fed by Harmonic Content of Differential Currents for Inrush Detection. – International Conference on Power Systems Transients, 2017.
6. Shah B.S., Parmar S.B. Transformer Protection Using Artificial Neural Network. – International Journal of Novel Research and Development, 2017, vol. 2, iss. 5, pp. 108–111.
7. Tripathy M. Power Transformer Differential Protection Based on Hindawi Neural Network Principal Component Analysis, Harmonic Restraint and Park’s Plots. – Advances in Artificial Intelligence, 2012, DOI:10.1155/2012/930740.
8. Rebizant W., Bejmert D. Transformer Differential Protection with Neural Network Based Inrush Stabilization. – Power Tech, 2007, DOI:10.1109/PCT.2007.4538488.
9. Jamil M., Singh R., Sharma S.K. Fault Detection and Classification in Electrical Power Transmission System Using Artificial Neural Network. – SpringerPlus, 2015, 4(1), 334, DOI:10.1186/s40064-015-1080-x.
10. Лоскутов А.А., Митрович М., Осокин В.Ю. Повышение распознаваемости режимов функционирования системы электроснабжения на основе методов машинного обучения. – Релейная защита и автоматизация, 2020. № 4 (41), с. 26–34.
11. Santos R., Senger E.C. Transmission Lines Distance Protection Using Artificial Neural Networks. – International Journal of Electrical Power & Energy Systems, 2011, 33(3), pp. 721–730, DOI:10.1016/j.ijepes.2010.12.029.
12. Barreira M.L.A. Neural Networks Improving the Performance of the Distance Protection. – Theses, 2013, 77 p.
13. Altaie A.S. Design of a New Digital Relay for Transmission Line Fault Detection, Classification and Localization Based on a New Composite Relay and Artificial Neural Network Approach. – Master’s Thesis., 2015, 652, 113 p., https://scholarworks.wmich.edu/masters_theses/652.
14. Megahed A., Abou-Ghazala A., Hanafy M. A Novel Protective Scheme for Double Circuit Transmission Line Based on Modular Neural Network of Combined Structure. – Przegląd Elektrotechniczny, 2012, pp. 233–237, R. 88 NR 10a/2012.
15. Ayyagari S.B. Artificial Neural Network Based Fault Location for Transmission Lines. – University of Kentucky Master's Theses, 2011, 117 p.
16. Колобанов П.А., Куликов А.Л. Совершенствование аналитических методов исследования внутренних замыканий в двухобмоточных трансформаторах для целей релейной защиты. – Вестник ИГЭУ, 2019, № 1, с. 18–30.
17. Лямец Ю.Я. и др. Эффекты многомерности в релейной защите. – Электричество, 2011, № 9, с. 48–54.
18. Галушкин А.И. Синтез многослойных систем распознавания образов. М.: Энергия, 1974, 366 с.
---
Исследование выполнено при финансовой поддержке в рамках программы «Приоритет 2030»
#
1. Perez L.G., et al. Training an Artificial Neural Network to Discriminate Between Magnetizing Inrushand Internal Faults. – IEEE Transactions on Power Delivery, 1994, vol. 9, No. 1, pp. 434–441, DOI: 10.1109/61.277715.
2. Kulikov A.L., et al. Elektrichestvo – in Russ. (Electricity), 2021. No. 9. pp. 38–44.
3. Balaga H., Vishwakarma D.N, Sinha A. Application of ANN Based Pattern Recognition Technique for the Protection of 3-Phase Power Transformer. – SEMCCO, 2011, pp. 358–365, DOI:10.1007/978-3-642-27172-4_44.
4. Loskutov A.A., Pelevin P.S., Mitrovich M. Elektrichestvo – in Russ. (Electricity), 2020, No. 5. pp. 12–18.
5. Souza J.R.M.S., et al. Designing and Training an Artificial Neural Network Fed by Harmonic Content of Differential Currents for Inrush Detection. – International Conference on Power Systems Transients, 2017.
6. Shah B.S., Parmar S.B. Transformer Protection Using Artificial Neural Network. – International Journal of Novel Research and Development, 2017, vol. 2, iss. 5, pp. 108–111.
7. Tripathy M. Power Transformer Differential Protection Based on Hindawi Neural Network Principal Component Analysis, Harmonic Restraint and Park’s Plots. – Advances in Artificial Intelligence, 2012, DOI:10.1155/2012/930740.
8. Rebizant W., Bejmert D. Transformer Differential Protection with Neural Network Based Inrush Stabilization. – Power Tech, 2007, DOI:10.1109/PCT.2007.4538488.
9. Jamil M., Singh R., Sharma S.K. Fault Detection and Classifica-tion in Electrical Power Transmission System Using Artificial Neural Network. – SpringerPlus, 2015, 4(1), 334, DOI:10.1186/s40064-015-1080-x.
10. Loskutov A.A., Mitrovich M., Osokin V.Yu. Releynaya zashchita i avtomatizatsiya – in Russ. (Relay Protection and Automation), 2020, No. 4 (41). pp. 26–34.
11. Santos R., Senger E.C. Transmission Lines Distance Protection Using Artificial Neural Networks. – International Journal of Electrical Power & Energy Systems, 2011, 33(3), pp. 721–730, DOI:10.1016/j.ijepes.2010.12.029.
12. Barreira M.L.A. Neural Networks Improving the Performance of the Distance Protection. – Theses, 2013, 77 p.
13. Altaie A.S. Design of a New Digital Relay for Transmission Line Fault Detection, Classification and Localization Based on a New Composite Relay and Artificial Neural Network Approach. – Master’s Thesis., 2015, 652, 113 p., https://scholarworks.wmich.edu/masters_theses/652.
14. Megahed A., Abou-Ghazala A., Hanafy M. A Novel Protective Scheme for Double Circuit Transmission Line Based on Modular Neural Network of Combined Structure. – Przegląd Elektrotechniczny, 2012, pp. 233–237, R. 88 NR 10a/2012.
15. Ayyagari S.B. Artificial Neural Network Based Fault Location for Transmission Lines. – University of Kentucky Master's Theses, 2011, 117 p.
16. Kolobanov P.A., Kulikov A.L. Vestnik IGEU – in Russ. (Vestnik of ISPEU), 2019, No. 1, pp. 18–30.
17. Lyamets Yu.Ya., et al. Elektrichestvo – in Russ. (Electricity), 2011, No. 9, pp. 48–54.
18. Galushkin А.I. Sintez mnogosloynyh sistem raspoznavaniya obrazov (Synthesis of Multilayer Pattern Recognition Systems). М.: Energiya, 1974, 366 p
---
The study was carried out with financial support under the "Priority 2030" program
