В статье приведен анализ взаимосвязи изменения параметров элементов электрической системы, имеющие между собой гальваническую связь по напряжению 500/220/100 кВ, с прогнозированием отказа оборудования и режимы системы. Изменения параметров схемы замещения как элементов системы, так и самой системы фиксируются путем мониторинга частотных характеристик обмоток (авто)трансформаторов и самой системы. Источником высокочастотных гармоник напряжений (ВЧГН) для мониторинга являются переходные процессы в системе, которые рассмотрены в статье. ВЧГН по отдельным диапазонам частот от внешнего источника резонирует с собственными частотами оборудования и самой системы. Большое количество контролируемых параметров, на которых производят снятие характеристик, увеличиваются за счет их сочетаний, числом выборок, их месторасположением в системе и числом мониторингов в течение времени. Для анализа и в дальнейшем, для прогнозирования отказов оборудования и системы, при столь большом количестве контролируемых параметров и большим объемом экспериментальных входных и выходных данных, в статье предложен инструмент — нейронная сеть, которая позволяет отслеживать большие объемы материалов исследования с помощью электронных программ и компьютерно-информационных устройств.
Ключевые слова: частотная характеристика, электрическая система, экстремальная точка, емкостная проводимость, изоляция оборудования, гальваническая связь, резонанс, нейронная сеть.
Электрическая система на напряжении 500/220/110 кВ представляет собой гальванически связанные обмотки автотрансформаторов и трансформаторов с заземленными нейтралями.
Согласно рисункам 1 и 2 индуктивности с емкостью представляют собой колебательный контур. Соотношение параметров контуров соответствуют по схемам замещения контролируемому электротехническому оборудованию. Изменение, по крайней мере, одного параметра влечет за собой изменение собственной частоты элемента оборудования. Если номинальному состоянию оборудования соответствуют определенные параметры, то отслеживая мониторингом дрейф экстремумов характеристики по оси частоты или изменяя величины экстремума на одной частоте (рис. 3), можно контролировать динамику изменения контролируемого параметра или его приближение к определенной предельной величине, позволит прогнозировать отказ контролируемого оборудования
. 
Рис. 1. Поясняющая схема
Рис. 2. Схема замещения электрической системы
Для производства мониторинга упомянутых параметров и их динамики изменений необходим источник высокочастотных гармоник напряжений (ВЧГН) (испытательное напряжение). Определение предельных параметров и динамики их изменений необходимо как для каждого элемента системы, так и для всей системы (рис. 2).
Настоящим предлагается мониторинг по частотным характеристикам изменения параметров и динамики их изменения, как отдельных элементов системы, так и всей системы, отражающие состояние системы на момент мониторинга.
Контрольные точки мониторинга системы определены для каждой ступени напряжения, т. е. по рис.1, 2 это три точки мониторинга для каждого (авто)трансформатора.
В такой электрической системе для организации диагностики переменных параметров в достаточной мере можно использовать распространяющиеся ВЧГН от внешних или внутренних источников.
Источниками ВЧГН является сама система, а именно:
‒ Коммутация крупных электрических нагрузок;
‒ Различные виды коротких замыканий;
‒ Длительные воздействия, например, в интервале 10–20 периодов промышленной частоты от сторонних квазистационарных напряжений на электротехническую сталь магнитопровод а(авто)трансформаторов, вызывая искажение формы номинального рабочего напряжения за счет модуляции с ВЧГН;
‒ Атмосферные электрические явления вызывают в линиях электропередач дополнительные электродвижущие силы (ЭДС);
‒ Несимметричная нагрузка создает несимметрию тока и напряжения;
‒ Воздействия на линии электропередач сверхвысоких напряжений геомагнитной турбуленции, возмущения от солнечных выбросов энергии, вследствие которых возникают в электроприводах сторонние ЭДС;
‒ Частичные пробои изоляции в электрическом оборудовании;
‒ Возникновение кратковременных “провалов” напряжения и перерывов рабочего напряжения;
‒ Коммутации межсистемных связей;
‒ Возникновение “качаний” мощности в системе, возможно от асинхронного хода и других причин;
‒ Возникновение колебаний частоты и напряжения. Перераспределение частотных характеристик в (авто)трансформаторах вследствие изменения емкостной проводимости.
Эти возмущения, турбуленции в электросистемах (рис. 1, 2) приводят к распространению ВЧГН в замкнутой гальванической системе.
Основные причины возникновения ВЧГН на элементах системы:
- индукционная наводка ЭДС от атмосферных турбуленций; от аварийных ситуаций в системе на индуктивности (L) воздушной линии (ВЛ);
- от коммутации нагрузки; от высокочастотных помех; от несимметрии в системе в цепях нагрузки;
- от частичных разрядов; от витковых пробоев; от насыщения стали магнитопроводов на контурах (KLC) обмоток (авто)трансформаторов.
Электросистеме соответствуют определенные параметры схемы замещения, находящиеся в зависимости от температуры изоляции жидкой, твердой и газообразной, от старения или износа изоляционных свойств в электротехническом оборудовании, а также от геометрии, конструкции, и изменений параметров обмоток вследствие вибрации.
Как всей системе, так и каждому элементу электросистемы соответствует собственная частотная характеристика, определяемая соответствующими параметрами рабочему режиму и рабочей температуре.
При использовании соответствующих технических средств и электронных программ возможен мониторинг смещения экстремумов и изменения величин экстремумов на фиксированных частотах упомянутых характеристик.
Для определения динамики изменяющихся процессов фиксируются экстремальные по величине, причем с наращением или убыванием, величины экстремума, а также их смещения, как правило, к началу координат по оси частоты.
Контрольной точкой для снятия параметров является нейтраль обмотки, которая присоединена к заземляющему устройству, либо емкостной делитель напряжения, подключенный к фазному проводнику, а также с помощью антенны, размещенной в баке, в области днища, (авто)трансформатора.
Все эти экстремумы частотных характеристик снимаются с электротехнического оборудования, которые отражают в динамике состояние изоляционных свойств и деформации конструкции обмоток.
Частотные характеристики от ВЧГН просматриваются на экране монитора или осциллографа с фиксацией изменения величины экстремума или смещения для каждого оборудования и всей системы.
Рис. 3. Фрагмент обмотки схемы замещения (авто)трансформатора
На рис. 3 показан фрагмент обмотки схемы замещения (авто)трансформатора, состоящий из (L) индуктивности (витка, слоя, катушки или фазной обмотки) и емкостей: долевой (К), параллельной индуктивности и поперечной (С), между индуктивностями или элементами заземленного корпуса трансформатора.
Этим возможен прогноз состояния емкостных проводимостей и индуктивностей обмоток элементов схемы замещения системы:
- Снижение габаритов пролетов дальних линий электропередач (ДЛЭП) сверхвысокого напряжения (СВН);
- Ухудшение изоляционных свойств (авто)трансформаторов;
- Возникновение в части системы новых источников ВЧГН (как сигнал ремонтной бригаде системы).
При этом известны предельные величины контролируемых параметров элементов системы, которые при дальнейшем изменении чревато отказом оборудования.
Для прогнозирования изменений параметров элементов системы от номиналов по видам воздействующих на нее возмущений, которые могут привести к отказу оборудования статьей, предлагается задействовать аппарат нейронной сети, который способен не только выполнять однажды запрограммированную последовательность действий над заранее определенными данными, но и способен сам анализировать вновь поступающую информацию, находить в ней закономерности, производить прогнозирование и т. д. Нейронная сеть — самообучающаяся система. Как известно, чтобы нейронная сеть работала, ее нужно сначала обучить.
Классификация объектов нейронной сети:
‒ по всем контрольным точкам на заданных частотах по запросу периодически мониторят:
- величину параметров: емкостную проводимость К и С;
- напряжение гармоник ВЧГН;
- индуктивность L составляющих обмоток: слой, катушка или всей обмотки;
- активные утечки токов через К и С и по всей обмотки;
- величины напряжений составляющих обмоток ВН,СН1,СН2, и НН.
Распознавание объектов нейронной сети:
‒ сравнение всех замеров мониторинга в динамике развития;
‒ сравнение по всем контрольным точкам параметров в сравнении с нормативами и квотами.
Предсказание:
‒ по данным периодического мониторинга упомянутых параметров осуществляется прогноз динамики развития;
‒ прогноз вероятности отказа в течение пяти лет.
Используемый математический аппарат в данном упомянутом мониторинге — функция активации — сигмоид:
Рис. 4. Сигмоидальная функция активации
или также логистическая функция.
При этом используются параметры на одной частоте или относительно их уменьшения (увеличения).
Счет информации происходит больше большего или меньше меньшего, т. е. в динамике. Метод называется итерация.
Возможная ошибка вычисляется (формула приведена ниже) методом Root MSE, при этом используется принцип сохранения баланса при вычислении ошибки.
При обучении нейронной сети используется функция сигмоида
где 
— вес Н1;
— вес нейрона смещения b1.
Рис. 5. Схема алгоритма обучения нейронной сети
Однако, может быть использована также следующая функция:
К методу обучения нейронной сети для решения поставленной цели близок метод упругого распространения (Resilient propagation или Rprop).
Данные для обучения нейронной сети в рассматриваемой задаче случаи берутся параметры из системы мониторинга за некоторый промежуток времени, по крайней мере, за пять лет.
Данные с датчиков через соответствующие контроллеры передаются на сервер, где создается база данных.
Для обучения и тестирования существует специальные программные средства, которые называются программы-нейроимитаторы. Каждая из таких программ обеспечивает обучение заданной сети по заложенному алгоритму (их может быть несколько на выбор), тестирование обученной сети и расчет ошибок сети на обучающей и тестирующей выборках. Входными данными является обучающая выборка (примеры входных значений и соответствующие им выходные значения) и тестирующая выборка. Выходными данными является информация о весовых коэффициентах, под которыми подразумевается как изменение параметров оборудования, так и самой системы; активационных функциях, под которыми подразумевается динамика изменения во времени и частоте в структуре сети и ошибках при тестировании и обучении.
Одной из таких программ является NeuroSolution. Для обучения необходим набор входных и соответствующих им выходных сигналов (обучающая выборка), содержащийся в файле образцов (pattern file). Его необходимо создать перед процессом обучения. Формат файла — текстовая база данных с разделителями — символ табуляции. Файл может быть текстовым. Необходимо отметить, что здесь и далее в качестве разделителя целой и дробной части числа используется точка. Тестовый файл (test file) используется для тестирования нейронной сети и имеет такой же формат, как и файл образцов. Выходной файл (output file) служит для вывода результатов работы программы и может содержать в себе (в зависимости от выбранных параметров программы) номер образца, входные сигналы, соответствующие им выходные сигналы образца и полученные на выходе сети и состояние каждого нейрона сети [1].
Помимо упомянутой программы можно воспользоваться математическим процессором MatLab. Нейронные сети представлены в MatLab пакетом подпрограмм Neural Network и Fuzzy Logic, содержащем в себе различные варианты построения сети и методы их обучения [2].
С упомянутых контрольных точек на каждой ступени напряжения за счет снятия частотных характеристик при воздействии ВЧГН: с нейтрали, с емкостных делителей напряжения на каждой ступени напряжения, (авто)трансформатора, а также антенной, размещенной в баке (авто)трансформатора (в придонной части), ежегодно (зима, лето) в определенные часы снимаются параметры величин экстремумов (max и min) на определенных частотах или их смещения по оси частоты. Снимаются параметры только больше большего и меньше меньшего по величине с фиксацией да, часа и температуры.
При этом динамика сопоставляется с определенными предельными величинами, за которыми чревато возникновение отказа. Так, для линий электропередач поперечные емкостные проводимости фиксируются и сопоставляются с предельными величинами, а также в динамике изменений отслеживается габарит проводов или прогнозируется пробой изоляции.
По частотной характеристике отслеживаются и фиксируются с предельными параметрами индуктивность, емкостная и активная проводимость, как для всей системы, так и для любого ее элемента.
Выводы
ВЧГН в зависимости от их мощности могут вызвать нагрев металла магнитопровода, что чревато коротким замыканием (КЗ) в обмотке (авто)трансформатора или витковым замыканием вследствие резонансного явления в ней.
При этом на токи ВЧГН не реагируют средства релейной защиты, которые срабатывают лишь при возникновении КЗ.
Разработка системы прогнозирования с помощью инструмента нейронной сети позволит в системе онлайн превентивно предотвратить отказ оборудования и разрушение системы, а также позволяет разработать инженерные устройства сигнализации, автоматики и управления, работающие на определении отказа оборудования.
Литература:
- Черномашенцев М. С. Что такое нейронная сеть http://www.np.vspu.ac.ru/show.php?id=43&st=5&t=1 [Электронный ресурс] (19.06.2017 г.).
- Ахметшин Р. С., Рыбаков Л. М. «Технические средства диагностирования силовых трансформаторов 10/0,4кВ на основе частотных характеристик»//Электричество. 2005.№ 5.с.20–26. [«Диагностика оборудования энергосистем» IDA-200, Журнал «Электрические станции», № 5,2003 г., НТФ «Энергопрогресс», 4 л.].
