В статье описываются различные методы оценки трансформаторов, включая простой алгоритм, взвешенное среднее, подход худшего случая, нелинейный математический подход, вероятность отказа, машинное обучение, их преимущества и использование для оценки парка оборудования и функциональности панели мониторинга.
Ключевые слова: индекс состояния трансформаторов (Transformer Assessment Index — TAI), режимы отказа, методы оценки, простой алгоритм, взвешенное среднее, подход худшего случая, нелинейный математический подход, вероятность отказа, машинное обучение, оценка парка оборудования, функциональность панели мониторинга.
Существует несколько способов представления конечного результата индекс состояния трансформаторов (Transformer Assessment Index — TAI). Многие пользователи ожидают, что их индекс остаточного ресурса будет выдавать единственное число, чтобы легко ранжировать трансформаторы внутри индекса. Другие пользователи предпочитают вывод в виде простого цвета, который показывает общее состояние каждого трансформатора. Цветовая кодировка позволяет быстро оценивать состояние парка трансформаторов и использовать функционал панели управления. Результатом работы TAI может быть и число, и цвет; возможно, число, которое представляет «среднее состояние» трансформатора и цвет, который указывает на худший вариант оценки отказа.
В таблице 1 описаны методы расчета индекс состояния трансформаторов балла для трансформатора.
Таблица 1
Методы оценки, их преимущества и недостатки
Метод |
Преимущества |
Недостатки |
Метод суммирования оценок для каждого конкретного режима отказа:
S FM — это оценка для конкретного режима отказа. Простой набор линейных или нелинейных оценок обычно добавляется в матрицу оценок. Также может быть применена взвешивание, как описано в методе #2 |
Простой алгоритм, прозрачный, возможно добавление взвешивания |
Недостаточно точная оценка состояния. Может привести к необоснованной оптимистичной оценке состояния трансформатора. |
Метод средневзвешенного значения:
S FM — это оценка для конкретного режима отказа W FM — это весовой коэффициент для каждого режима отказа N — общее количество режимов отказа Обычно в матрицу оценок добавляют простой набор линейных или нелинейных оценок. Весовые коэффициенты применяются к режимам отказа, которые пользователь хочет подчеркнуть |
Прозрачность. Взвешивание позволяет выделить некоторые режимы отказа |
Как указано выше, взвешивание режимов отказа может замаскировать другие режимы отказа. |
Метод нелинейного математического подхода:
В этом подходе используется система счисления с основанием i, которое равно или превышает количество режимов отказа, включенных в TAI. 𝑥 𝑛 — это количество режимов отказа для каждой категории. 𝑘 — количество категорий, включенных в оценку режима отказа. n — это счетчик в данной формуле |
Передача более плохих результатов оценки отказов не будет маскироваться |
Более сложная система оценки может дать более сложные для интерпретации результаты. Если также используются весовые коэффициенты, потребуется небольшая модификация формулы для предотвращения маскировки |
Метод в ероятности отказ ов Вероятность отказа для каждого режима отказа может быть оценена на основе данных результатов испытаний и другой информации об оценке. Затем можно рассчитать оценку (балл).
|
Индекс TAI может быть масштабирован при необходимости Подчеркивает единственный ранний режим отказа и правильно сочетает несколько менее ранних режимов отказа для общего сравнения. Хорошо работает, при условии, что вероятность или оценка для каждого режима отказа находятся на одной шкале, даже если это не настоящая вероятность |
Обычно возможно только очень грубо оценить вероятность каждого отказа. Этот метод может создавать ложное впечатление точности |
Метод наихудшего случая (Worst case approach)
S FM — это оценка для конкретного режима отказа. Также возможно указать количество режимов отказа, которые были оценены наихудшим баллом. Например, оценка может быть представлена в виде: Балл = Красный 3 (трансформатор имеет 3 режима отказа, которые были оценены как «Красный») |
Простой алгоритм, прозрачен Можно добавлять весовые коэффициенты при необходимости. |
Взвешивание режимов отказа возможно только в случае, если число режимов отказа, оцененных с использованием худшего случая, включено в оценку. |
Гибрид ный метод Подход наихудшего случая может использоваться совместно с одним из численных методов оценки, описанных выше. Например, простая суммированная оценка может быть объединена с оценкой наихудшего случая. Оценки будут иметь следующий вид: Тх 1 = 64 Красный Тх 2 = 64 Оранжевый Ясно, что Тх 1 нуждается в срочном внимании, хотя его числовая оценка такая же, как у Тх 2. |
Комбинирует два простых метода оценки: числовой балл дает представление об общем состоянии трансформатора, а наихудший случай подчеркивает самую опасную неисправность трансформатора. |
Трансформатор с единственным продвинутым режимом отказа не может быть отличен от трансформатора с несколькими продвинутыми режимами отказа |
Машинное обучение (Machine learning): Данный индекс не использует заранее заданную формулу для расчета оценочного балла, а вместо этого применяет современные методы анализа данных, в которых алгоритмы машинного обучения, такие как нейронные сети Такой подход позволяет автоматически выявлять сложные зависимости и особенности в данных, которые могут быть незаметны для человеческого восприятия. Это позволяет сделать оценку более точной и устойчивой к изменениям в данных. |
Эти техники могут найти новые связи между показателями состояния и видами отказов, что потенциально может улучшить качество индекса |
Сложные алгоритмы требуются для применения методов машинного обучения. Необходимы большие объемы данных, включая данные о сбоях. Результаты должны быть проверены на правильность «обучения» машины. Прозрачность методов оценки в этом случае отсутствует. |
В статье описан индекс оценки трансформаторов (TAI), который позволяет оценить состояние и вероятность отказа трансформаторов на основе данных о их эксплуатации и тестировании. Для расчета оценки TAI используются различные методы, включая линейные и нелинейные подходы, взвешенные суммы и математические модели. Кроме того, для повышения точности и надежности оценки можно применять методы машинного обучения.
В зависимости от требований пользователей, оценка TAI может представляться в различных форматах, включая единственное число, цветовой код, количество неисправностей каждого типа и т. д. Это позволяет легко и быстро оценивать состояние всего парка трансформаторов и принимать оперативные решения по их замене, ремонту или обслуживанию.
В целом, TAI является эффективным инструментом для управления и поддержания трансформаторов в хорошем состоянии и снижения рисков неожиданных отказов.
Литература:
1. CIGRE, Technical Brochure 735 — Transformer Post-Mortem Analysis, 2018.
2. CIGRE, “Technical Brochure 445 — Guide for Transformer Maintenance,” 2011.
3. V. Peralta and M. Bouzeghoub, “A framework for analysis of data freshness,” in International Workshop on Information Quality in Information Systems, 2004