L'analisi della risposta in frequenza del trasformatore interpreta i risultati utilizzando una nuova metodologia basata sull'entropia incrociata

Rapporti scientifici volume 13, numero articolo: 6604 (2023) Citare questo articolo

380 accessi

1 Altmetrico

Dettagli sulle metriche

I difetti del trasformatore possono essere identificati mediante la FRA (analisi della risposta in frequenza), che è una tecnica diagnostica promettente. Nonostante la standardizzazione della tecnica di misurazione della FRA, l'interpretazione dei suoi risultati è ancora un'area di ricerca. Poiché diversi tipi di guasti possono essere identificati in vari limiti di frequenza delle firme FRA, è necessario identificare le possibili relazioni tra guasti specifici e intervalli di frequenza in questo contributo. A questo scopo, un vero trasformatore viene utilizzato per condurre i test essenziali, che includono sia circostanze integre che difettose (spostamento assiale (AD), deformazione radiale (RD) e cortocircuiti (SC)). Per identificare caratteristiche efficienti dalle tracce di risposta in frequenza prodotte e migliorare l'accuratezza dell'interpretazione di tali tracce, viene dimostrata una nuova misura di entropia incrociata fuzzy iperbolica (FCE) e quindi utilizzata allo scopo di discriminare e classificare i difetti degli avvolgimenti del trasformatore in intervalli di frequenza predefiniti . Dopo aver normalizzato i risultati FRA del trasformatore in circostanze normali e di guasto, i limiti inferiori di tali risposte sono stati estratti e quindi utilizzati per costruire la forma desiderata degli insiemi fuzzy di circostanze sane e difettose. Quindi, viene offerta una nuova metodologia di discriminazione e classificazione dei guasti degli avvolgimenti basata su misure FCE iperboliche sulla base dei valori di misura FCE più alti e più bassi. Il valore di misura FCE più alto tra gli insiemi fuzzy di circostanze sane e difettose come AD, RD e SC è designato per confermare il verificarsi di guasti negli avvolgimenti in un intervallo di frequenza adeguato. La metodologia suggerita garantisce un'interpretazione intelligente della firma FRA e una classificazione accurata dei guasti degli avvolgimenti in quanto può discriminare efficacemente sia le circostanze sane che quelle difettose negli intervalli di frequenza desiderati. Le prestazioni degli approcci proposti vengono testate e confrontate applicando i dati sperimentali dopo l'estrazione delle caratteristiche.

I trasformatori della rete elettrica sono un'apparecchiatura necessaria ma costosa. Nel corso della loro vita utile, i trasformatori sono soggetti a cambiamenti meccanici o elettrici, come la deformazione dell'avvolgimento, il movimento o il passaggio da un giro all'altro1. Per evitare guasti catastrofici ai trasformatori, i difetti degli avvolgimenti devono essere identificati il prima possibile2. Per le ragioni sopra esposte, il monitoraggio dello stato di funzionamento dei trasformatori è diventato sempre più popolare in tutto il mondo3. Attualmente vengono proposti molti metodi teorici e pratici per diagnosticare i guasti elettrici e meccanici degli avvolgimenti. Il metodo FRA è stato utilizzato negli ultimi anni per verificare lo stato dei trasformatori. Metodi comparativi come l’approccio della funzione di trasferimento (TF) possono essere utilizzati per identificare eventuali discrepanze tra la firma dell’impronta digitale e la firma della FRA4. I guasti agli avvolgimenti come lo spostamento assiale (AD), i cortocircuiti (SC) e la deformazione radiale (RD) sono fin troppo comuni5. Il confronto delle firme FRA può indicare la posizione, la gravità e il tipo di guasto in un trasformatore se si verifica uno dei problemi sopra menzionati. Di conseguenza, questo confronto si basa in larga misura sull’esperienza individuale piuttosto che su codici consolidati e ampiamente accettati. Per il momento, l’interpretazione dei risultati delle misure della FRA non è stata standardizzata, nonostante siano stati prodotti criteri validi6. Pertanto, in questo lavoro di studio è stata sviluppata, testata e valutata una nuova tecnica basata sulla misura dell'entropia incrociata fuzzy per l'interpretazione intelligente dello spettro FRA.

La capacità di FRA di rilevare guasti nei trasformatori è in continua espansione a seguito del crescente utilizzo di questa tecnologia. La FRA è ora in grado di rilevare un numero di problemi relativi ai trasformatori più elevato che mai. L’interpretazione della firma della FRA è stata ampiamente studiata7,8,9, ma un’analisi affidabile delle tracce della FRA rimane una difficile sfida di ricerca. I concetti di analisi di testabilità e guasti parametrici sono di grande importanza nel campo della diagnosi dei guasti per circuiti analogici basata su FRA. Il numero totale di parametri del sistema testabile è chiamato grado di testabilità. I guasti possono essere classificati in guasti parametrici e guasti catastrofici. In questa ricerca vengono esaminati i difetti parametrici, in particolare la deviazione dei valori dei parametri da un certo intervallo di tolleranza. Per questo tipo di guasti vengono utilizzati metodi diagnostici chiamati simulazione dopo test. In questi metodi, i valori degli elementi vengono identificati utilizzando le relazioni ingresso-uscita e il confronto tra le risposte del circuito. Da questo confronto si ottiene una serie di equazioni. Da queste equazioni sono costituite le equazioni di rilevamento dei guasti che considerano i valori reali dei parametri come incognite. Nel circuito in prova, la testabilità è data dal grado di risolvibilità di queste equazioni. Pertanto, sono necessari sforzi per isolare i guasti non rilevabili per evitare sprechi di risorse e tempo. Per migliorare l'accuratezza dell'interpretazione delle tracce di risposta in frequenza prodotte e per identificare caratteristiche efficienti di tali tracce, gli approcci riportati si sono rivelati difficili nel raggiungere gli obiettivi desiderati. A partire da ora, esistono diversi approcci per interpretare i FRA, compresi quelli che coinvolgono la modellazione di modelli elettrici, l’intelligenza artificiale e la matematica. Il primo modo utilizza diverse parti del circuito per rappresentare ciascuna sezione dell'avvolgimento10. Innanzitutto, le variazioni nella costruzione del trasformatore si traducono nelle corrispondenti modifiche nei componenti del circuito. Di conseguenza, le parti variabili vengono poi incorporate in un modello di circuito per l'analisi11. Questo metodo presenta numerosi inconvenienti12. Il problema fondamentale del modello circuitale è la difficoltà di incorporare i guasti meccanici. Per aiutare a spiegare le curve FRA, l'analisi degli elementi finiti (FEA) comunemente utilizzata per generare un modello elettrico analogo dell'avvolgimento del trasformatore13. La curva FRA oltre 1 MHz può essere studiata utilizzando il modello ibrido di Zhang e FEA14. Trovare un modello preciso dell’avvolgimento dalla risposta in frequenza, d’altro canto, rimane una sfida difficile.

|x_{i} \in U} \right)\) where \(\mu_{{P^{a} }} \left( {x_{i} } \right):U \in \left[ {0,1} \right]\) refers to as membership function and satisfies \(0 \le \mu_{{P^{a} }} (x_{i} ) \le 1\). Also, the complement \(C\left( {P_{FS}^{a} } \right)\) of the fuzzy set \(P_{FS}^{a} \in U\) is an object represented by \(C\left( {P_{FS}^{a} } \right) = \left( {x_{i} ,1 - \mu_{{P^{a} }} (x_{i} ) > |x_{i} \in U} \right)\)./p> |x_{i} \in U} \right)\) and \(Q_{FS}^{a} = \left( { < x_{i} ,\mu_{{Q^{a} }} \left( {x_{i} } \right) > |x_{i} \in U} \right)\) are any two fuzzy sets in \(U = \left( {x_{1} ,x_{2} ,...,x_{n} } \right)\) which are quantified by membership functions \(\mu_{{P^{a} }} \left( {x_{i} } \right),\mu_{{Q^{a} }} \left( {x_{i} } \right):U \to \left[ {0,1} \right]\) with the condition \(0 \le \mu_{{P^{a} }} \left( {x_{i} } \right),\mu_{{Q^{a} }} \left( {x_{i} } \right) \le 1.\) Then, a function \(H_{CE} :F\left( U \right) \times F\left( U \right) \to Rz^{ + }\) is called as symmetric fuzzy cross entropy29,30 based on two fuzzy sets \(P_{FS}^{a}\) and \(Q_{FS}^{a}\) if/p> |x_{i} \in U} \right)\) and \(Q_{FS}^{a} = \left( { < x_{i} ,\mu_{{Q^{a} }} \left( {x_{i} } \right) > |x_{i} \in U} \right)\) are two fuzzy sets in \(U = \left( {x_{1} ,x_{2} ,...,x_{n} } \right).\) Set \(T_{0} = \mu_{{P^{a} }} \left( {x_{i} } \right) + \mu_{{Q^{a} }} \left( {x_{i} } \right),T_{1} = \mu_{{p^{a} }}^{2} \left( {x_{i} } \right) + \mu_{{Q^{a} }}^{2} \left( {x_{i} } \right),T_{2} = \sqrt {\mu_{{P^{a} }} \left( {x_{i} } \right)} + \sqrt {\mu_{{Q^{a} }} \left( {x_{i} } \right)} ,T_{3} = \left( {1 - \mu_{{P^{a} }} \left( {x_{i} } \right)} \right)^{2} + \left( {1 - \mu_{{Q^{a} }} \left( {x_{i} } \right)} \right)^{2} ; T_{4} = \sqrt {1 - \mu_{{P^{a} }} \left( {x_{i} } \right)} + \sqrt {1 - \mu_{{Q^{a} }} \left( {x_{i} } \right)} ,T_{5} = \sqrt {\mu_{{P^{a} }} \left( {x_{i} } \right)\mu_{{Q^{a} }} \left( {x_{i} } \right)} .\)/p>

600, 100–600, and < 100 kHz, respectively./p> 600, 100–600, and < 100 kHz, respectively. In this research, 30 levels of fault are simulated that the first, second, and third ten fault levels present the SC, AD, and RD faults, respectively, which these faults can be represented by the set \(A_{1} = \left( {F_{1} ,F_{2} ,...,F_{10} } \right).\), \(\,A_{2} = \left( {F_{11} ,F_{12} ,...,F_{20} } \right)\), \(A_{3} = \left( {F_{21} ,F_{22} ,...,F_{30} } \right).\) We have extracted the truth membership degrees from the normalized frequency responses of short circuit, AD and RD faults types in the low, medium and high frequency ranges. The results are displayed in Table 5./p>

AD ≈ RD". Furthermore, in Table 6, a comparative analysis of the results presented reveals that existing Bhandari and Pal measures23, and Shiang and Jiang measures23 also return the same fault identified classification order as returned by our proposed FCE measure. This comparison can be seen in Fig. 6b. This justifies the compatibility and reliability of the proposed FCE measure./p> SC ≈ RD". Furthermore, in Table 6, a comparative analysis of the results presented reveals that existing Bhandari and Pal23, and Shiang and Jiang23measures also return the same fault identified classification order as returned by our proposed FCE measure. Figure 7-b shows this comparison between the proposed and mentioned methods in the middle frequency. This justifies the compatibility and reliability of the proposed FCE measure./p> AD ≈ SC". This comparison in the high frequency is illustrated in Fig. 8b. This justifies the compatibility and reliability of the proposed FCE measure./p> 600, 100–600 and < 100 kHz to better interpret. Then, a new FCE-based approach is offered on the basis of highest and lowest cross entropy measure values. The highest FCE measure values between the fuzzy sets of healthy and faulted circumstances is designated to the detection of occurrence and type of fault. Further examination of the suggested methods results reveals that: (a) In fault occurrence diagnosis, the suggested approach can detect correctly whether the transformer is healthy or faulty, (b) In diagnosing the type of fault, all conditions of the fault are identified correctly, (c) Various fault types of the winding place in various cluster, and there are clear boundaries between them that shows the separability of three types of the winding deformation fault, and (d) The suggested methodology is more accurate and sensitive to mentioned defects than FRA./p> AD ≈ RD". This indicates that transformer winding faults in the low frequency band occur due to the defects in short circuits. Furthermore, in low frequency band, there is low possibility of AD and RD winding faults in the transformer. The results obtained through the suggested hyperbolic fuzzy cross entropy-based method have been compared those obtained from the existing fuzzy cross entropy measures. It is revealed that the our proclaimed FCE measure-based distinction and taxonomy of transformer winding faults methodology is compatible and reliable. The proposed approaches' performance is tested and compared by applying the experimental data after feature extraction. The efficiency of the suggested hyperbolic symmetric fuzzy cross entropy is justified by categorizing the transformer faults with the help of existing Bhandari and Pal and Shiang and Jiang asymmetric fuzzy cross entropy measures. A powerful predictive tool can be found in the strategy described here./p>

Blog

L'analisi della risposta in frequenza del trasformatore interpreta i risultati utilizzando una nuova metodologia basata sull'entropia incrociata