О перспективах развития автоматизированных комплексных систем непрерывного контроля состояния силовых трансформаторов

Автор: Сошинов Анатолий Григорьевич, Атрашенко Ольга Сергеевна, Копейкина Татьяна Васильевна

Журнал: Вестник аграрной науки Дона @don-agrarian-science

Рубрика: Электротехнологии, электрооборудование и энергоснабжение агропромышленного комплекса

Статья в выпуске: 4 (60), 2022 года.

Бесплатный доступ

Силовой трансформатор и его состояние являются одной из составных частей обеспечения надежности электросетевого комплекса. По мере перехода энергокомпаний на техническое обслуживание и ремонт оборудования по фактическому состоянию, различные методики диагностики, в особенности под рабочим напряжением, получили широкое применение. Востребованность контроля также обусловлена большим процентом эксплуатирующегося электрооборудования сверх нормативного срока. Для оценки силового трансформатора применяют методику интегрального показателя технического состояния, который заключает в себе совокупность диагностических параметров на разных узлах трансформатора. Сведения о состоянии электрооборудования традиционно получают в ходе испытания узлов в ходе ремонтных работ, что требует отключения линии. В настоящее время развитие получили автоматизированный мониторинг и техническое диагностирование электрооборудования, что подтверждается рядом регламентирующих и нормативных документов электросетевых компаний. Предлагаемые производителями системы мониторинга отличаются значительным набором измеряемых параметров, многие из которых являются дополнительными, не входящими в перечень НТД. В России такие системы применены в качестве пилотных проектов в ходе реконструкции и строительства объектов в ПАО «Россети Московский регион». Для усовершенствования методов прогнозирования и оптимизации работы электроэнергетической системы логично использование методов искусственного интеллекта, которые имеют решающее значение для расширения когнитивных способностей человека в этих задачах. В мире метод опорных векторов (SVM), машины экстремального обучения (ELM), нечеткая логика и некоторые другие были объединены с методами интерпретации АРГ для анализа зарождающихся неисправностей в трансформаторах. Модели сверточной нейронной сети активно используются для классификации неисправностей электрооборудования в ходе тепловизионной съемки трансформаторных подстанций. Использование сети YOLOv4 позволяет выполнить идентификацию четырех типов силового оборудования на подстанции с предварительной обработкой изображения (выявление фона, помех, вызванных экстремальными погодными условиями, шумом и другими факторами). Недостаточный обмен данными между эксплуатирующими компаниями России ведет к медленному внедрению методов искусственного интеллекта.

Еще

Автоматизированная система мониторинга и диагностики, силовые трансформаторы, надёжность, электротехническое оборудование, машинный интеллект

Короткий адрес: https://sciup.org/140297302

IDR: 140297302   |   DOI: 10.55618/20756704_2022_15_4_95-104

Текст научной статьи О перспективах развития автоматизированных комплексных систем непрерывного контроля состояния силовых трансформаторов

Введение. Силовые трансформаторы являются основными элементами электрических сетей, надежная работа которых обеспечивает эксплуатационную надежность и бесперебойность всей электроэнергетической системы. В настоящее время в России, в связи с сокращением ввода новых мощностей и одновременным расширением электрических сетей, всё более актуальной становится проблема продления жизненного цикла силовых трансформаторов, совершенствования системы технического обслуживания и ремонта силовых трансформаторов [1]. Для решения этих задач проводят контроль состояния и анализ работы силовых трансформаторов. Более востребованной и развивающейся является предиктивная диагностика, способная выявить дефекты электрооборудования на ранних стадиях развития, принять необходимые действия по увеличению срока службы трансформаторов.

Методика исследования. Из отчета об исследовании CIGRE [2] следует, что более 80% отказов трансформаторов 110 кВ и выше происходит из-за выхода из строя таких узлов, как обмотки, вводы и переключатели ответвлений устройств регулирования напряжения под нагрузкой.

Большой процент отказов силового трансформатора приходится на 20-30-й год его функционирования. В условиях эксплуатации и аварийных режимов перегрузок система части трансформатора подвергается тепловым и электрическим воздействиям, следствием которых является изнашивание изоляции уже через 8 лет эксплуатации [3].

В сетях 6–10 кВ количество эксплуатируемых подстанций 6(10)/0,4 кВ значительно превышает 35-110/6-10 кВ, в которых установлено устаревшее аналоговое оборудование, не подлежащее модернизации. Анализ технического состояния электрических сетей в сельской местности показывает, что из эксплуатируемых ТП 6-35/0,38 кВ в хорошем, удовлетворительном состоянии находятся 87,1%, неудовлетворительном – 10%, непригодном - 2,9%. Доля потерь электроэнергии в ТП 10/0,4 кВ составляет 25% от общего количества элементов электрической сети [4].

Для сельского электроснабжения характерно однофазное подключение к сети и концентрация в узле нагрузки нелинейных электроприемников. Большая часть силовых трансформаторов напряжением 10/0,4 кВ в сельском электроснабжении имеют схему соединения обмоток «звезда/звезда с нулем». Такие трансформаторы для токов обладают большим сопротивлением нулевой последовательности, значение которых увеличивается из-за токов несимметрии и высших гармоник, особенно кратных трем [5].

Наибольшую опасность представляют внезапные отказы оборудования, которые чаще всего приводят к необратимым изменениям. Поэтому своевременное выявление и устранение дефектов на ранней стадии их развития способно увеличить физический ресурс силового трансформатора [6].

Для оценки и прогноза работы силового трансформатора, а также большинства электрооборудования ТП разработана и утверждена методика интегрального показателя технического состояния - индекс технического состояния ( Итс ), который описывает состояние оборудования в условиях полного жизненного      цикла     оборудования, включающего в себя несколько межремонтных периодов.

Согласно Приказу Минэнерго России от 26 июля 2017 г. № 676 «Об утверждении методики оценки технического состояния основного технологического оборудования и линий электропередачи электрических станций и электрических сетей», для каждого электрооборудования классом напряжения 35 кВ и выше применяются единые логические и математические алгоритмы расчета И ТС , учитывающие совокупность диагностических параметров:

  • -    в функциональных или обобщенных узлах электрооборудования

т* _ 1 ЛП V (КВі+ОГПі)     /их

Итсу 100 • Xi    ~    ,   (1)

где КВі - значение весового коэффициента для i -ой группы параметров технического состояния;

ОГПі - балльная оценка / -ой группы параметров технического состояния (для оборудования, кроме ВЛ);

  • -    основного технологического оборудования

И тс Х(КВУ і И тсуі ) ,    (2)

где КВУі - значение весового коэффициента для i -го функционального узла или обобщенного узла;

Итсуі - индекс технического состояния i -го функционального узла или обобщенного узла;

  • -    группы оборудования и сооружений объектов электроэнергетики

H^Ltt-H^y^, (3)

где И ТСi – индекс технического состояния i -ой единицы основного технологического оборудования в оцениваемой группе;

P i – характерный для вида основного технологического оборудования показатель приведения (для силовых трансформаторов (автотрансформаторов) – номинальная полная электрическая мощность).

Индекс технического состояния принимает значения в диапазоне от 0 (наихудшее значение) до 100 (наилучшее значение) с округлением и делением на 100.

При мониторинге силовых трансформаторов может быть использован единый коэффициент текущего технического состояния трансформатора ( К ТТС ), который отличается от применяемого и нормированного индекса технического состояния И тс (рисунок 1) [7].

МРЦ – межремонтный цикл; К ТТС – коэффициент текущего технического состояния;

И тс – нормированный индекс технического состояния

Рисунок 1 – Коэффициенты оценки состояния трансформатора

OHC – overhaul cycle; C СTC – coefficient for current technical condition;

I ntс – normalized technical condition index

Figure 1 – Coefficients to assess the condition of a transformer

Еще одним показателем для контроля состояния трансформаторов является так называемый К-фактор (K-Factor). Представляет собой коэффициент влияния искажений тока (напряжения), вносимых нелинейными нагрузками в электрической сети, которые влияют на увеличение потерь в силовом трансформаторе за счет нелинейности нагрузки.

Если К-фактор равен единице, то это означает, что нагрузка линейная и в цепи протекает синусоидальный ток. Значения К-фактора выше единицы указывают на дополнительные тепловые потери при нелинейных нагрузках, которые трансформатор способен безопасно рассеять [8].

Согласно [1], оценка технического состояния основного технологического оборудования должна производиться при формировании и актуализации перспективных (многолетних) графиков ремонта, годовой ремонтной программы, комплекса мероприятий по техническому перевооружению и реконструкции, а также после технического воздействия, которое привело к изменению технического состояния, но не реже одного раза в год.

Приводит к изменению Leads to changes

Диагностические параметры оборудования Х 1 Diagnostic parameters for the equipment Х 1

Интегральная оценка по индексу технического состояния Integral assessment on technical condition index

C»XG

Условия эксплуатации оборудования Operating conditions for the equipment

Безотказность. Вероятность отказа Q Reliability. Failure probability Q

Предельный срок эксплуатации Maximum service lifetime

Долговечность.

Технический ресурс R Durability.

Technical resource R

Индекс состояния Condition index

Рисунок 2 – Алгоритм определения индекса технического состояния электрооборудования

Figure 2 – Algorithm for determining the technical condition index of electrical equipment

Для получения данных параметров применяют методы, которые разделяются на неразрушающие и испытательные. Первые работают «онлайн» без необходимости отключения исследуемого трансформатора (анализ растворенных газов (АРГ), измерение параметров вибрации, обнаружение локальных перегревов тепловизионным методом, измерение частичных разрядов). Вторые основаны на испытании отдельных узлов трансформатора, который необходимо предварительно вывести в ремонт (определение частичных разрядов, спектроскопия в частотной области, испытания изоляции).

Из неразрушающих методов АРГ является одним из наиболее широко используемых диагностических инструментов для оценки состояния трансформатора, поскольку опыт доказал его эффективность. Однако пробы могут быть неправильно собраны, идентифицированы, обработаны. Для более целостного и комплексного подхода к мониторингу силовых трансформаторов необходимо дополнительно использовать результаты комплексного обследования [2].

Результаты исследований и их обсуждение. Автоматизированные системы непрерывного контроля состояния электрооборудования в последние годы получили широкое распространение, обусловленное цифровизацией энергетической отрасли.

Одной из задач Положения ПАО «Россети» «О единой технической политике в электросетевом комплексе» является внедрение и развитие современных систем контроля технического состояния, диагностики и мониторинга технологического оборудования, систем защиты и автоматики, противоаварийной автоматики, систем связи, инженерных систем, коммерческого и технического учета электроэнергии, создание и развитие цифровых подстанций и «умных» электрических сетей. Согласно СТО 56947007-29.200.10.011-2008. Стандарт организации. Трансформаторы силовые, автотрансформаторы и реакторы. Автоматизированная система мониторинга и технического диагностирования, данной функциональностью обладают автоматизированные системы мониторинга и технического диагностирования (АСМД), в которых используется комплекс датчиков, реагирующих на максимально возможное число видов развивающихся дефектов и проблем при работе силовых трансформаторов. Расчетно-аналитические модели в составе системы должны устанавливать логическую связь технического состояния с измеряемыми параметрами отдельных устройств и узлов, а также содержать зависимости и методику расчета опасного уровня дефектов.

В России в рамках стратегии внедрения АСМД были проанализированы технические решения мировых энергетических компаний GE Energy, АВВ, Areva, Serveron, а также отечественных производителей АСУ ВЭИ, DimRus [9, 10]. Авторами отмечено, что предлагаемые производителями системы мониторинга отличаются значительным набором измеряемых параметров, многие из которых являются дополнительными, не входящими в перечень НТД, такие как СТО 5694700729.200.10.011-2008.

В ходе реализации программы при реконструкции и строительстве объектов в ПАО «Россети Московский регион» произведена установка оборудования, оснащенного встроенными датчиками для мониторинга состояния силового трансформатора 110/10 кВ. Для трансформаторов с низким индексом технического состояния до замены или капитального ремонта установлены мобильные АСМД, состоящие из набора быстромонтируемых датчиков и блоков контроля [9].

Для контроля над состоянием электрооборудования подстанций 10/0,4 кВ целесообразно сначала оснастить объекты аналого-цифровыми преобразователями (АЦП) для преобразования путем оцифровки аналоговых сигналов с дискретизацией по времени и обработки полученной информации по соответствующему алгоритму. Далее будет возможна передача полученной информация об объекте по телекоммуникационным каналам в центр управления сетями (ЦУС) сетевой организации и в диспетчерскую службу распределительной сети. Такая структура устройства мониторинга обеспечивает непрерывный контроль состояния оборудования ТП 6(10) кВ и переводит её в класс цифровых подстанций [11].

При увеличении автоматизации в области технического диагностирования силового электрооборудования отмечается проблема недостаточной интерпретации полученных данных, зависящих от множества факторов. Для усовершенствования методов прогнозирования и оптимизации работы электроэнергетической системы приходится обрабатывать большие объемы разнородных данных, и логично использование методов искусственного интеллекта, которые имеют решающее значение для расширения когнитивных способностей человека в этих задачах [12].

Например, чтобы преодолеть ограничения метода растворенных концентраций газов в трансформаторном масле традиционного треугольника Дюваля, использованы различные методы вычислений и машинного обучения, такие как метод опорных векторов (SVM), нейронные сети (NN), машины экстремального обучения (ELM). Нечеткая логика и некоторые другие были объединены с методами интерпретации АРГ для анализа зарождающихся неисправностей в трансформаторах. Эти новые методы повысили точность диагностики неисправностей и решили проблему интерференции между классами неисправностей. Метод k-ближай-ших соседей (KNN), дополняющий треугольник Дюваля, позволяет в 93% случаев правильно провести расшифровку данных, по сравнению с методом соотношений Роджерса. Недостатком данного метода является относительная применимость при выявлении локальных перегревов тепловым методом и диэлектрических потерь [13].

Тепловой метод контроля трансформаторной подстанции предполагает определение мест локального повышения температуры отдельных узлов оборудования вследствие проблем окисления металла, проблем электрохимической коррозии, ослабления болтовых соединений, превышения номинальных токов. По термограмме, получаемой в ходе диагностики тепловизором, можно определить исправность электрооборудования. Но для правильной интерпретации результатов контроля необходим определенный объем базы данных, полученных от аналогичного оборудования. Вывод о состоянии оборудования выполняется в ходе сравнения: с предыдущими термограммами, с нормативными значениями температур отдельных узлов оборудования, разницы температур между фазами и т.д. [14].

Исследования увеличения потерь в силовом трансформаторе за счет нелинейности нагрузки в соответствии со стандартами Underwriters Laboratories также применимы для контроля силовых трансформаторов. Полностью нагруженный сухой трансформатор при К-факторе, равном 4, выделяет на 10% больше тепла, чем при линейной нагрузке (K = 1), а при K = 13 он выделяет уже на 25% больше тепла, которое должно куда-то отводиться, если трансформатор полностью нагружен, или на такую же величину должна быть уменьшена нагрузка трансформатора [15].

Модели сверточной нейронной сети активно используются для классификации неисправностей электрооборудования, например для вводов трансформатора [16]. Более точные характеристики электрооборудования, учитывая сложный фон подстанций, могут быть получены с помощью многомасштабного сверточного ядра и алгоритма обнаружения объектов сегментацией [17].

Использование сети YOLOv4 позволяет выполнить идентификацию 4 типов силового оборудования на подстанции: изоляторы, кабели, грозозащитные разрядники и трансформаторы, которые являются наиболее ответственными узлами. Такая система может выполнить обработку информации для характеристик инфракрасного изображения по нескольким тепловым параметрам с предварительной обработкой изображения (выявление фона, помех, вызванных экстремальными погодными условиями, шумом и другими факторами) [18].

Одним из основных барьеров развития автоматизированной системы диагностики электрооборудования с помощью нейронной сети является недостаточность использования технологии больших данных на всех этапах электроэнергетического цикла: от генерации до конечного потребителя.

Выводы. Таким образом, решение сложной задачи диагностирования состояния силовых трансформаторов нуждается в контроле многих эксплуатационных параметров с учетом особенностей работы объекта, а также режимов работы и описания процесса его эксплуатации. Необходимый объем обрабатываемых данных невозможен без автоматизации этого процесса.

Наиболее перспективным средством обнаружения, регистрации и прогнозирования технического состояния являются автоматизированные системы мониторинга и диагностики силовых трансформаторов [9], которые охватывают узлы системы, благодаря большому количеству датчиков, и позволяют на ранней стадии выявить начало негативных процессов. Данные системы необходимо активно внедрять в работу электроэнергетической системы. Наличие большого количества данных, накапливаемых в ходе работы измерительных комплексов, обмен данными внутри отрасли и технологии Big Data позволят успешно внедрить программу искусственного интеллекта для оценки и прогнозирования состояния электрооборудования, в особенности силовых (авто)трансформаторов.

Статья научная