Upload
lethuy
View
221
Download
1
Embed Size (px)
Citation preview
POLITECHNIKA OPOLSKA
w Opolu Wydział Elektrotechniki Automatyki i Informatyki
mgr inż. Tomasz Klistala
OCENA SKUTECZNOŚCI BADAŃ
DIAGNOSTYCZNYCH UKŁADÓW
IZOLACYJNYCH TRANSFORMATORÓW
DUŻEJ MOCY
AUTOREFERAT PRACY DOKTORSKIEJ
Promotor
prof. dr hab. inż. Jerzy Skubis
Opole 2010
2
Spis treści
1. WPROWADZENIE ........................................................................................ 3
1.1 Cel pracy ............................................................................................................. 3 1.2 Teza pracy .......................................................................................................... 3 1.3 Zakres pracy ....................................................................................................... 3
2. CHARAKTERYSTYKA UKŁADÓW IZOLACYJNYCH TRANSFORMATORÓW DUŻEJ MOCY ..................................................... 4
3. METODY I PARAMETRY WYKORZYSTYWANE W OCENIE STANU IZOLACJI TRANSFORMATORÓW ............................................................ 5
4. OKREŚLENIE KIERUNKU I SPOSOBU UMOŻLIWIAJĄCEGO OBIEKTYWIZACJĘ WYNIKÓW BADAŃ DIAGNOSTYCZNYCH. ........ 6
5. SZTUCZNE SIECI NEURONOWE ............................................................... 7
6. BADANIA SKUTECZNOŚCI ROZPOZNAWANIA KLAS STANU UKŁADU IZOLACYJNEGO TRANSFORMATORÓW DUŻEJ MOCY PRZY UŻYCIU SIECI NEURONOWEJ ........................................................ 7
6.1 Dobór struktury sieci .......................................................................................... 7
6.2 Dobór ilości parametrów .................................................................................... 8 6.3 Dobór klas stanu układu izolacyjnego transformatorów grupy I ....................... 9
6.4 Dobór klas stanu układu izolacyjnego transformatorów grupy II .................... 10 6.5 Przykładowe histogramy wartości parametrów................................................ 10 6.6 Dobór metody uczenia ...................................................................................... 11
6.7 Badanie powtarzalności uczenia sieci neuronowej .......................................... 12
6.8 Wpływ rozmiaru ciągu uczącego na skuteczność klasyfikacji ........................ 13
6.9 Dobór rozmiaru warstwy ukrytej...................................................................... 14 6.10 Wpływ rodzajów parametrów na skuteczność klasyfikacji.............................. 14
7. PRZYKŁADOWE WYNIKI ANALIZ WPŁYWU PARAMETRÓW DIAGNOSTYCZNYCH NA ŚREDNIĄ SKUTECZNOŚĆ ROZPOZNAWANIA PODSTAWOWYCH RODZAJÓW USZKODZEŃ IZOLACJI W TRANSFORMATORACH ................................................... 16
8. WNIOSKI ..................................................................................................... 19
9. BIBLIOGRAFIA .......................................................................................... 20
10. WYKAZ DOROBKU NAUKOWEGO AUTORA ..................................... 21
3
1. WPROWADZENIE
Względy ekonomiczne i techniczne powodują, że korzystne jest centralne wytwarzanie
energii elektrycznej w źródłach dużej mocy, a następnie jej rozprowadzanie. Z tych powodów w
systemie elektroenergetycznym zachodzi konieczność stosowania transformatorów. Są to
najbardziej ekonomiczne w eksploatacji urządzenia elektryczne, bowiem ich sprawności
nierzadko przekraczają 99%. W dającej się przewidzieć perspektywie czasowej nie można ich
zastąpić innymi urządzeniami [152]. Transformatory dużych mocy (U > 36 kV; S > 10 MVA)
posiadają papierową izolację uzwojeń, które są zalewane olejem elektroizolacyjnym.
Zastosowanie izolacji papierowo – olejowej wynika z następujących przyczyn:
efektu synergetycznego w wytrzymałości na przebicie papieru impregnowanego olejem.
Wytrzymałość dielektryczna papieru i oleju wynosi odpowiednio 12 i 40 kV/mm.
Natomiast wytrzymałość dielektryczna układu papierowo – olejowego wynosi ok. 64
kV/mm, jest więc znacznie większa,
możliwości względnie łatwego wykonania izolacji, o skomplikowanej geometrii z
efektywnym układem chłodzenia [122].
Pod wpływem obciążenia i czasu, w transformatorze zachodzi starzenie, które ostatecznie
prowadzi do jego zużycia. Czas pracy transformatora zależy głównie od trwałości izolacji, która
z kolei zależy od wielu czynników, takich jak: temperatura, wilgotność, zabrudzenie,
przesunięcia uzwojeń przy wydłużeniach i skurczach, oraz wibracje. Nominalny czas życia
transformatora szacuje się na 25 ÷ 30 lat. Rozsądnym horyzontem czasowym wydłużenia czasu
życia transformatora jest 40 ÷ 50 lat [117]. Na czas życia transformatora duży wpływ mają
sposób eksploatacji i staranność obsługi.
Ze względu na wspomniane procesy starzeniowe, duże znaczenie ma odpowiedni dobór i
stosowanie metod diagnostycznych, ponieważ usuwanie skutków awarii może być bardzo drogie.
Ocena stanu transformatorów energetycznych jest zagadnieniem o znacznym stopniu
skomplikowania, szczególnie w aspekcie zarządzania majątkiem sieciowym [9]. Skuteczność
metod stosowanych w diagnostyce układów izolacyjnych zależy od możliwości jednoznacznego
zdefiniowania zbioru cech przypisywanych stanowi badanego obiektu, podlegającego procedurze
diagnostyki [27].
Prowadzenie właściwej diagnostyki transformatorów jest zasadne z ekonomicznego i
technicznego punktu widzenia, ponieważ relatywnie małe nakłady na diagnostykę mogą zapobiec
olbrzymim stratom powstałym w wyniku awarii transformatora.
1.1 Cel pracy
Ogólnym celem pracy jest zobiektywizowanie oceny skuteczności aktualnie stosowanych
metod diagnostycznych i określenie ich przydatności w diagnostyce izolacji transformatorów
energetycznych dużej mocy.
1.2 Teza pracy
W rozprawie przyjęto następującą tezę:
Jest korzystnie, aby klasyczne metody umożliwiające rozpoznawanie uszkodzeń izolacji
transformatorów w oparciu o dostępne parametry diagnostyczne rozbudować o procedury
wnioskowania wykorzystujące metodę sztucznych sieci neuronowych.
1.3 Zakres pracy
Rozprawa obejmuje następujące zagadnienia:
charakterystykę konstrukcji układów izolacyjnych transformatorów dużej mocy,
opis metod i parametrów wykorzystywanych w ocenie stanu izolacji,
przedstawiono przykładowe rezultaty, wybrane z wieloletnich zbiorów pomiarów
obejmujących wyniki badań diagnostycznych izolacji transformatorów,
4
przedstawiono przykładowe przebiegi poważniejszych awarii transformatorów,
przeanalizowano skuteczność różnych metod wykorzystywanych w badaniach układów
izolacyjnych,
opisano zasady działania sztucznych sieci neuronowych pod kątem ich wykorzystania do
wspomagania diagnostyki układów izolacyjnych,
dobrano odpowiedni rodzaj sieci neuronowej użytecznej dla rozpoznawania rodzaju
uszkodzenia układu izolacyjnego,
zaproponowano odpowiedni algorytm uczenia się dobranej sieci neuronowej, dla
rozpoznawania rodzaju uszkodzeń,
przedstawiono zobiektywizowany sposób identyfikowania rodzaju uszkodzenia izolacji ze
wspomaganiem dobranej sztucznej sieci neuronowej.
2. CHARAKTERYSTYKA UKŁADÓW IZOLACYJNYCH TRANSFORMATORÓW DUŻEJ MOCY
Podstawowym elementem transformatora obok rdzenia i cewek jest jego izolacja. Układ
izolacyjny transformatora energetycznego składa się z preszpanowych barier i odstępników oraz
przestrzeni olejowych. W transformatorach występuje izolacja także między elementami obwodu
magnetycznego. Kryterium jakości układu izolacyjnego stanowi to, czy spełnia on wymagania
sformułowane w stosownych normach i przepisach. Odpowiednio do charakteru zachodzących
oddziaływań dla układu izolacyjnego odróżniamy wymagania cieplne, elektryczne, mechaniczne
i chemiczne.
Papier nawojowy używany jest jako izolacja drutów nawojowych w transformatorach
[13]. Papier transformatorowy jest mniej zagęszczony od papieru kablowego, aby olej mógł go
równomiernie nasączyć. Wytrzymałość papieru na przebicie rośnie przez nasączenie go olejem
pięciokrotnie [81]. Papier izolacyjny musi być wykonany z celulozy siarczanowej. Winien mieć
barwę naturalną, powierzchnię bez prześwitów i dziur, nie powinien zawierać zanieczyszczeń
mechanicznych.
Ważną rzeczą jest, aby w papierach elektrotechnicznych włókna były rozłożone
równomiernie, co łatwo kontroluje się przy oglądaniu papieru pod światło. Szczeliny powietrzne
w papierze są niebezpieczne, gdyż są one znacznie silniej naprężone niż papier, co może
powodować powstanie WNZ w szczelinie. WNZ powodują zmiany w papierze, co może
doprowadzić do przebicia papieru. Do specjalnych zastosowań izolacyjnych stosuje się preszpan.
Preszpan jest to sprasowana tektura z siarczanowej masy celulozowej. Napięcie przebicia
preszpanów jest wysokie nawet w stanie nienasyconym, gdyż przez prasowanie otrzymuje się
strukturę o małej porowatości.
Oleje izolacyjne do transformatorów winny być mało lepkie, posiadać dużą zdolność
przewodzenia ciepła przy dużej elektrycznej wytrzymałości na przebicie i odporności na WNZ
[87]. Oleje mineralne są produktami destylacji ropy naftowej. W wypadku, gdy ropa zawiera
znaczną ilość stałych węglowodorów jest nazywana parafinową, gdy przeważają ciekłe
węglowodory – bezparafinową. Olej izolacyjny otrzymuje się przez oczyszczanie pierwszych
frakcji oddestylowanych w temperaturze 170 ÷ 200 oC. Rafinacja polega na oczyszczeniu z
żywic, siarki, kwasów i węglowodorów nienasyconych. Najłatwiej i najtaniej uzyskuje się dobrej
jakości oleje izolacyjne z rop naftenowych [65]. Najczęściej stosowane są oleje naftenowe, o
małej lepkości i dużej wytrzymałości dielektrycznej, która w eksploatacji maleje z 200 kV/cm do
60 kV/cm. Zalety olejów mineralnych są następujące:
duża wytrzymałość elektryczna przy napięciu przemiennym i udarowym,
mała stratność dielektryczna; przy napięciu przemiennym: tg = 0, 003 ÷ 0,005;
nieduża konduktywność; dla olejów technicznie czystych: γ = 10-11
÷ 10-13
S/m;
duża płynność; przesycanie włóknistej izolacji stałej i jej ochrona przed wilgocią,
duża zdolność do efektywnego chłodzenia i do gaszenia łuku elektrycznego.
Oleje te posiadają także wady:
5
niską odporność na utlenianie,
stosunkowo niską temperaturę zapłonu par oleju,
tendencję do rozkładu chemicznego i wydzielania gazów pod wpływem WNZ.
W olejach izolacyjnych występuje zjawisko elektryzacji statycznej. Badania wykazały,
ze może ona zagrażać izolacji transformatora wskutek rozwoju wyładowań w wytworzonym
przez siebie polu elektrostatycznym. Środkiem zapobiegawczym jest zmniejszenie prędkości
przepływu oleju [63]. Wytrzymałość oleju jest ograniczona przez zjawisko przebicia, które
polega na rozwoju przewodzącego kanału iskrowego. W projektowaniu izolacji olejowej zakłada
się zwykle średnie wartości parametrów dielektrycznych oleju mineralnego [147]. Oleje
izolacyjne są higroskopijne. W transformatorach dąży się do ograniczenia, lub uniemożliwienia
bezpośredniego kontaktu oleju z atmosferą [55].
3. METODY I PARAMETRY WYKORZYSTYWANE W OCENIE STANU IZOLACJI TRANSFORMATORÓW
Metody badań pozwoliły na jakościowe i ilościowe podejście do zjawisk, a ostatnio
umożliwiają nie tylko detekcję uszkodzeń, lecz także predykcję groźby uszkodzenia [116].
Dotychczas nie ma powszechnie uznanej i stosowanej normy na wykonywanie badań
diagnostycznych, ale istnieje szereg instrukcji opracowanych przez przedsiębiorstwa
energetyczne i organizacje naukowo – techniczne [122].
Właściwości dielektryczne oleju charakteryzują następujące parametry [142]:
napięcie przebicia,
próba napięciowa przy napięciu 50 Hz,
próba napięciowa przy napięciach udarowych,
współczynnik stratności tg ,
rezystywność 0,
przenikalność dielektryczna .
Najważniejszymi parametrami określającymi właściwości fizyczne i chemiczne olejów
są [142]:
zawartość wody,
lepkość,
temperatura zapłonu,
zawartość stałych ciał obcych,
napięcie powierzchniowe,
kolor,
gęstość,
liczba kwasowa.
W wyniku przegrzań izolacji papierowo – olejowej powstaje charakterystyczna grupa
produktów: tlenki węgla, metan, etan, etylen, acetylen i woda [62]. W pęcherzykach gazu
rozwijają się WNZ. Powstające elektrony i jony uzyskują energię wystarczającą do rozbicia
wiązań C-H i C-C. W przypadku wyładowania zupełnego temperatura może dochodzić do
3000 oC. Występuje wówczas intensywny rozpad łańcuchów węglowodorów [62]. Gazy
rozpuszczone w cieczach można analizować metodą chromatografii gazowej DGA [38].
Do określenia związków furanów rozpuszczonych w oleju stosuje się chromatografię
cieczową. Związki furanu są rozpuszczalnymi w oleju produktami degradacji cieplnej, lub
hydrolitycznej celulozy. Znajomość ich ilości jest pomocna przy ocenie stopnia zestarzenia
izolacji celulozowej transformatora. Identyfikuje się następujące związki: 2-furfural (2FAL),
5-hydroksymetylo-2-furfural (5HMF), alkohol 2-furfurylowy (2FOL), 2-acetylofuran (2ACF), 5-
metylo-2-furfural (5MEF), oraz oznaczenia ich ilości w [ppm], przez porównanie ze wzorcami.
Dotychczas zabrane doświadczenia wskazują, że analiza związków furanu w oleju jest dobrym
narzędziem oceny zestarzenia izolacji papierowej [71].
6
Mikrowyładowania występujące na powierzchni izolacji stałej w próżni generują sygnały
akustyczne rozchodzące się w postaci fal sprężystych w materiale stałym, które mogą być
wykrywane przez odpowiednio czułą aparaturę pomiarową [91]. Pojedyncze WNZ można
porównać do mikroeksplozji w dielektryku. W rzeczywistości występują WNZ wielokrotne, w
pewnym obszarze dielektryka. Taka fizyka procesu powoduje, że w izolacji występuje cała grupa
impulsów EA. W dielektryku można wówczas zaobserwować ciąg impulsów EA, który stanowi
sumowany obraz zjawiska. Najczęściej stosowanym parametrem, który charakteryzuje
intensywność sygnału akustycznego od WNZ jest maksymalna amplituda sygnału akustycznego.
Wykorzystywane są także inne parametry, takie jak suma i tempo impulsów, prędkości i gęstości
zdarzeń typowych funkcji stochastycznych [111].
Do wczesnego wykrycia odkształceń uzwojeń, a w konsekwencji zestarzenia papieru
izolacyjnego, najczęściej stosowana jest metoda analizy odpowiedzi częstotliwościowej
uzwojenia FRA [18]. Napięcie probiercze jest doprowadzane do przepustu, odpowiedź uzwojenia
jest rejestrowana przy jego krańcu neutralnym. Zmiana geometrii uzwojenia powodowana
przesunięciem bądź odkształceniem powoduje lokalną zmianę pojemności i indukcyjności
rozproszenia uzwojenia, a w konsekwencji zmianę charakterystycznych częstotliwości
rezonansowych obwodu [3, 17, 94, 131].
Badania szacowania zawilgocenia izolacji papierowej zaowocowały praktyczną aparaturą
pomiarową oraz opracowaniem skutecznych metod diagnostycznych [135]. Należy wymienić tu
metodę napięcia powrotnego (RVM), spektroskopię dielektryczną w dziedzinie częstotliwości
(FDS) oraz prądu polaryzacji i depolaryzacji (PDC) [36].
Przeprowadzając kontrolę stanu technicznego transformatorów, wskazane jest wykonanie
pomiarów poziomu hałasu: jego ciśnienia akustycznego i obliczenia mocy akustycznej.
Osiągnięciem ostatnich lat jest skonstruowanie urządzeń do monitoringu on-line wielu
parametrów oleju transformatorowego. Głównym celem ich stosowania jest zwiększenie
niezawodności eksploatacji transformatorów. Dokładność pomiarów urządzeń diagnostycznych
pracujących w trybie on-line jest gorsza niż klasycznych chromatografów używanych w
laboratoriach. Zaletą pomiaru w trybie on-line jest prognozowanie stanu oparte na
zarejestrowanych wynikach pomiarów i przeliczeń przy wykorzystaniu analizy trendów [59].
Podejście do diagnostyki jako procesu, w ewidentny sposób implikuje potrzebę zastosowania
oprogramowania nadającemu mu ergonomiczną formę [33, 121].
4. OKREŚLENIE KIERUNKU I SPOSOBU UMOŻLIWIAJĄCEGO OBIEKTYWIZACJĘ WYNIKÓW BADAŃ DIAGNOSTYCZNYCH
W opisowej części rozprawy przedstawiono: charakterystykę układów izolacyjnych
transformatorów dużej mocy – rozdział 3, metody i pomiary wykorzystywane w ocenie stanu
izolacji transformatorów – rozdział 4, przedstawiono przykładowe wyniki badań
diagnostycznych transformatorów w eksploatacji – rozdział 5, opisano przebiegi awarii
transformatorów dużej mocy – rozdział 6, przedstawiono przykładowe skuteczne procedury
diagnostyki, które uchroniły układ izolacyjny transformatorów dużej mocy przed awarią –
rozdział 7.
Przedstawione procedury charakteryzują sposób aktualnie stosowany w ocenie stanu
układów izolacyjnych. Sposób ten bazuje na wiedzy i doświadczeniu inżynierskim prowadzenia
nadzoru nad transformatorami. Sposób ten opiera się na doświadczeniu technicznym i wiedzy
eksperckiej osoby sprawującej nadzór nad bezawaryjną eksploatacją transformatorów. Ogólnym
celem pracy jest znalezienie takich metod wykrywania i rozpoznawania uszkodzeń, które by
obiektywizowały to wnioskowanie diagnostyczne.
W rozprawie przyjęto założenie, że cel ten można osiągnąć poprzez wykorzystanie metod
sztucznej inteligencji. Po wykonanym przez autora rozpoznaniu literaturowym przyjęto
założenie, że najbardziej przydatna do tego celu może być metoda sztucznych sieci
neuronowych.
W części badawczej rozprawy (rozdział 9) przedstawiono wyniki badań polegających na
wykorzystaniu SSN do wykrywania i rozpoznawania różnych rodzajów defektów w oparciu o
wyniki parametrów diagnostycznych opisanych we wcześniejszych rozdziałach pracy.
7
5. SZTUCZNE SIECI NEURONOWE
Inspiracją dla stworzenia sztucznych sieci neuronowych (SSN) był mózg, który można
porównać do naturalnego komputera, wykazującego się zdolnością do równoległego
przetwarzania danych. Takie przetwarzanie różni się od stosowanego we wcześniejszych
programach komputerowych, wykorzystujących szeregową procedurę obliczeń [130, 161].
Przedstawione powyżej rozumowanie zawierające analogię do mózgu człowieka zawiera
duże uproszczenia. Nie jest to jednak przeszkodą w zastosowaniu tak pojmowanej elementarnej
cząstki w skomplikowanych systemach informatycznych pracujących na SSN. W celu
rozwiązania konkretnego zadania konieczne jest użycie zoptymalizowanej liczby neuronów.
Dla rozwiązania konkretnych zadań z dziedziny techniki bardziej przydatne i skuteczne
okazuje się wykorzystanie sieci o strukturze jednokierunkowej [21, 93, 148]. Największą
stosowalność mają sieci jednokierunkowe, wielowarstwowe, posiadające przynajmniej trzy
warstwy: wejściową, wyjściową oraz ukrytą [93, 130, 148]. Do zalet SSN należą: zdolność do
adaptacji i samoorganizacji, mała wrażliwość na uszkodzenia elementów (sieć może dalej działać
nawet po uszkodzeniu dużej liczby elementów), zdolność do generalizowania posiadanej wiedzy,
właściwości pozwalające na równoległe przetwarzanie danych i możliwość wygodnego
programowania przez uczenie.
6. BADANIA SKUTECZNOŚCI ROZPOZNAWANIA KLAS STANU UKŁADU IZOLACYJNEGO TRANSFORMATORÓW DUŻEJ MOCY PRZY UŻYCIU SIECI NEURONOWEJ
W celu sprecyzowania stanu układu izolacyjnego transformatora w niniejszej rozprawie
wprowadzono pojęcie klas. Transformatory ze względu na stosowane sposoby diagnostyki
podzielono na dwie grupy:
grupa I – o mocy S ≥ 100 MVA lub napięciu U ≥ 220 kV.
grupa II – o mocy S < 100 MVA, niewchodzące do grupy I.
6.1 Dobór struktury sieci
Do podstawowych zadań klasyfikatora neuronowego zalicza się: poprawność
identyfikacji zagrożenia oraz jego lokalizację. Decydując o metodyce postępowania autor
skorzystał z wiedzy na temat stosowania SSN do klasyfikowania stanów na podstawie wyników
badań. Użycie sieci neuronowej do takiej klasyfikacji umożliwiło przeniesienie eksperckiej
wiedzy człowieka do komputera. System komputerowy realizujący takie funkcje może być przez
użytkownika traktowany jak ekspert posiadający określoną wiedzę i umiejętności, który służyć
może użytkownikowi jak doradca przy podejmowaniu decyzji. Stąd często używana nazwa
system ekspertowy [12].
W zastosowanej strukturze SSN występują: warstwa wejściowa, warstwa ukryta i
warstwa wyjściowa. Na warstwę wejściową składa się N neuronów. Ich liczba jest równa liczbie
badań diagnostycznych, których ocenę przydatności podjęto w pracy. Ilość neuronów w warstwie
wyjściowej odpowiada liczbie klas stanu układu izolacyjnego transformatora. Zwykle warstwa
wejściowa normalizuje parametry wejściowe w celu dalszego przetwarzania. Zadaniem warstwy
ukrytej jest identyfikacja cech charakterystycznych sygnału wejściowego wraz z czynieniem
skojarzeń dotyczących parametrów i rodzajów wejść. Warstwa wyjściowa jest dyskryminatorem
wyników wykonanych obliczeń.
Po rozpoznaniu literaturowym przedmiotu, autor rozprawy podał propozycję
zastosowania do rozpoznawania klas stanu układu izolacyjnego transformatora na podstawie
wyników badań sieci neuronowej typu jednokierunkowego, pokazaną na rys. 6.1.
8
Rys. 6.1. Schematyczna budowa wielowarstwowej sieci neuronowej. [148]
6.2 Dobór ilości parametrów
Dla transformatorów grupy I, po analizie i w oparciu o wieloletnie doświadczenie autora
oraz wiedzę ekspercką dotyczącą oceny skuteczności rozpoznawania uszkodzeń, poddano
badaniom skuteczności w SSN wyniki z następujących 26 rodzajów parametrów
diagnostycznych, zestawionych w tabeli 6.1. Tabela 6.1
Zestawienie 26 parametrów diagnostycznych, z których wyniki poddano badaniom skuteczności w SSN,
dla transformatorów grupy I (S ≥ 100 MVA; lub U ≥ 220 kV)
Lp. Parametr Wartość
normatywna
Jednostka
1 Wygląd zewnętrzny 0 0 lub 1
2 Wodór 260 ppm
3 Metan 250 ppm
4 Etan 160 ppm
5 Etylen 250 ppm
6 Acetylen 20 ppm
7 Propan 40 ppm
8 Propylen 40 ppm
9 Tlenek węgla 280 ppm
10 Dwutlenek węgla 3500 ppm
11 Woda met. K. Fischera w 50 oC < 15 ppm
12 Liczba kwasowa < 0,2 mg KOH/g
13 Temperatura zapłonu > 130 oC
14 Gęstość < 0,900 g/cm3
15 Lepkość kinematyczna < 30 mm2/s
16 Napięcie przebicia > 45 kV
17 Rezystywność w 50 oC > 1 x 1010 Ωm
18 Tg oleju w 50 oC < 0,06 –
19 Napięcie powierzchniowe > 20 mN/m
20 Wskaźnik polarności < 0,0600 –
21 2-furfural 2FAL < 1 ppm
22 WNZ mierzone metodą EA < 10 mV
23 R izolacji GN – DN/Z > 52 MΩ
24 R izolacji DN – GN/Z > 22 MΩ
25 R izolacji GN – DN – E ≥ 555 MΩ
26 ∆R uzwojeń międzyfazowo 5% %
Neurony
warstwy
wejściowej
Neurony warstwy
wyjściowej
Neurony pierwszej
warstwy
ukrytej
neuron neuron
neuron
neuron
neuron neuron neuron neuron neuron
neuron neuron neuron neuron
neuron neuron neuron
Neurony
n – tej warstwy
ukrytej
Sygnały wejściowe
9
Dla transformatorów grupy II ocenie skuteczności poddano wyniki badania z 24
rodzajów pomiarów diagnostycznych, zestawionych w tabeli 6.2.
Tabela 6.2
Zestawienie 24 parametrów diagnostycznych, których wyniki poddano badaniom skuteczności, dla
transformatorów grupy II (S < 100 MVA, U < 220 kV).
Lp. Parametr Wartość
normatywna
Jednostka
1 Wygląd zewnętrzny 0 0 lub 1
2 Wodór 350 ppm
3 Metan 200 ppm
4 Etan 170 ppm
5 Etylen 260 ppm
6 Acetylen 70 ppm
7 Propan 30 ppm
8 Propylen 40 ppm
9 Tlenek węgla 260 ppm
10 Dwutlenek węgla 4000 ppm
11 Woda met. K. Fischera w 50 oC < 25 ppm
12 Liczba kwasowa < 0,3 mg KOH/g
13 Temperatura zapłonu > 130 oC
14 Napięcie przebicia > 40 kV
15 Rezystywność w 50 oC > 5 x 109 Ωm
16 Tg oleju w 50 oC < 0,08 –
17 Napięcie powierzchniowe > 20 mN/m
18 Wskaźnik polarności < 0,0600 –
19 2-furfural 2FAL < 1 ppm
20 WNZ mierzone metodą EA < 10 mV
21 R izolacji GN – DN/Z > 70 MΩ
22 R izolacji DN – GN/Z > 70 MΩ
23 R izolacji GN – DN – E ≥ 150 MΩ
24 ∆R uzwojeń międzyfazowo 5% %
6.3 Dobór klas stanu układu izolacyjnego transformatorów grupy I
Zaproponowano 6 klas reprezentujących typowe stany układu izolacyjnego dla
transformatorów grupy I. Nazwy symboliczne klasy, proponowany opis diagnostyczny oraz ilość
zestawów parametrów wykonanych dla poszczególnych stanów zestawiono w tabeli 6.3.
Tabela 6.3
Zestawienie klas w opisie diagnostycznym transformatorów grupy I
Numer
klasy
Nazwa
symboliczna
klasy
Opis diagnostyczny Ilość zestawów
parametrów
1 BOK Poprawny stan układu izolacyjnego 116
2 BWNZ Wyładowania niezupełne w układzie izolacyjnym 10
3 BTEMP Przegrzanie układu izolacyjnego 75
4 BISKRY Wyładowania iskrowe w układzie izolacyjnym 47
5 BOLEJ Zły stan oleju izolacyjnego 72
6 BPAPIER Zestarzenie papieru izolacyjnego 2
Dla oceny izolacji transformatorów blokowych (grupy I) wykorzystano łącznie 8372
wyniki pomiarów tzn. 322 zestawy po 26 parametrów dla każdego transformatora blokowego.
Najwięcej wektorów pomiarów uzyskano dla transformatorów blokowych z poprawnym stanem
układu izolacyjnego (116). Stany niepoprawne reprezentowane są łącznie przez 206 wektorów
pomiarowych.
Zestawy parametrów są wykorzystywane w procesie uczenia oraz testowania sieci
neuronowej w postaci ciągu uczącego (CU) oraz ciągu testowego (CT). Niezależnie od
10
rozmiarów, CU oraz CT są całkowicie rozdzielne, to znaczy, że wektory wykorzystywane do
uczenia sieci nie były stosowane do testowania.
6.4 Dobór klas stanu układu izolacyjnego transformatorów grupy II
Dla transformatorów grupy II zaproponowano 5 klas reprezentujących stany układu
izolacyjnego (tabl. 6.4). Nazwy symboliczne klas, proponowany opis diagnostyczny oraz ilość
zestawów parametrów wykonanych dla poszczególnych stanów zestawiono w tabeli 6.4.
Tabela 6.4
Symboliczne nazwy klas, proponowany opis oraz ilość zestawów parametrów przyjęte w opisie
diagnostycznym, dla transformatorów grupy II.
Numer
klasy
Nazwa
symboliczna
klasy
Opis diagnostyczny Ilość zestawów
parametrów
1 SOK Poprawny stan układu izolacyjnego 109
2 SWNZ Wyładowania niezupełne w układzie izolacyjnym 7
3 STEMP Przegrzanie układu izolacyjnego 45
4 SOLEJ Zły stan oleju izolacyjnego 48
5 SPAPIER Zestarzenie papieru izolacyjnego 8
Dla transformatorów grupy II wykorzystano łącznie 5208 wyników pomiarów tzn. 217
zestawów po 24 parametry dla każdego transformatora. Najwięcej wektorów pomiarów uzyskano
dla transformatorów grupy II z poprawnym stanem układu izolacyjnego (109). Stany
niepoprawne reprezentowane są łącznie przez 108 wektorów pomiarowych.
Podobnie jak w przypadku transformatorów grupy I, ciągi uczące nie były
wykorzystywane do testowania sieci neuronowej i odwrotnie.
6.5 Przykładowe histogramy wartości parametrów
Na rys. 6.2, 6.3 i 6.4 pokazano przykładowe histogramy ilości wystąpień w przedziale w
funkcji wartości parametrów analizowanych w klasie poprawnej oraz klasach błędnych. Ilości
wystąpień w przedziałach normatywnym i poza nim dają pogląd na przydatność danego
parametru jako wskaźnika konkretnej usterki występującej wewnątrz transformatora. Z uwagi na
fakt, iż histogramy zawierają bardzo istotną diagnostycznie informację o przydatności każdego z
parametrów, mimo bardzo znacznej objętości w rozprawie doktorskiej zamieszczono pełne
wyniki, dotyczące histogramów odnoszących się do poszczególnych parametrów oraz
interpretację wyciągniętych wniosków.
Rys. 6.2
Histogramy
wartości
parametru
„acetylen” dla
klasy
oznaczającej
poprawny stan
układu
izolacyjnego
(linia ciągła
granatowa)
oraz dla klas
powiązanych z
rodzajami
uszkodzeń
w klasie
poprawnej oraz
w klasach
błędnych.
11
Rys. 6.3
Histogramy
wartości
parametru
„propan” dla
klasy
oznaczającej
poprawny stan
układu
izolacyjnego
(linia ciągła
granatowa)
oraz dla klas
powiązanych z
rodzajami
uszkodzeń
układu
izolacyjnego
Rys. 6.4
Histogramy
wartości
parametru
„woda
rozpuszczona
w oleju” dla
klasy
oznaczającej
poprawny stan
układu
izolacyjnego
(linia ciągła
granatowa)
oraz dla klas
powiązanych z
rodzajami
uszkodzeń
Pokazana na rys. 6.2 ilość wystąpień acetylenu w przedziale powyżej wartości
normatywnej jest zwiększona dla klasy BISKRY, co świadczy, że acetylen jest bardzo dobrym
wskaźnikiem iskrzeń wewnętrznych w transformatorach. Na rys. 6.3 ilości wystąpień propanu
powyżej jego wartości normatywnej zachodzą dla klasy BTEMP, co świadczy, że gaz ten jest
dobrym wskaźnikiem przegrzań wewnętrznych transformatora. Pokazana na rys. 6.4 ilość
wystąpień wody w przedziale powyżej wartości normatywnej jest zwiększona dla klasy BOLEJ
co świadczy, że zawartość wody jest dobrym wskaźnikiem niewłaściwej jakości oleju
izolacyjnego.
W rozprawie przedstawiono 50 tego typu histogramów, dla dobranych wcześniej
parametrów diagnostycznych.
6.6 Dobór metody uczenia
Najważniejszym z punktu widzenia skuteczności poprawnego rozpoznawania stanu
układu izolacyjnego transformatora na podstawie danych wejściowych, jest właściwy dobór
algorytmu uczącego zbudowaną strukturę SSN. W rozprawie scharakteryzowano tylko procedurę
uczenia zastosowaną dla oceny skuteczności badań diagnostycznych układów izolacyjnych
transformatorów dużej mocy.
W niniejszej rozprawie wykorzystano algorytm Resilient Backpropagation (RPROP).
Rozwiązanie takie zapewnia wysoką jakość identyfikacji klas stanu układu izolacyjnego
transformatora. Dowodzą tego rezultaty uzyskane podczas prób. Wykazuje się on najkrótszym
czasem uczenia, dużą stabilnością nauczania dążącą do uzyskania zbieżności i maksymalną
12
skutecznością poprawnej identyfikacji klas stanu układu izolacyjnego. Współcześnie algorytm
ten jest jednym z najczęściej używanych sposobów trenowania SSN.
Algorytm propagacji wstecznej wykazuje się wieloma zaletami. Maleje złożoność
obliczeń i staje się możliwe równoległe przetwarzanie. W celu aktualizacji wag połączenia,
konieczny jest jedynie dostęp do wartości dostępnych na obu jego krańcach. Zasada działania
procedury uczącej polega na specjalnym (wstecznym) obliczaniu błędów we wszystkich
warstwach SSN. Proces ten zachodzi od warstwy wyjścia do warstwy wejścia. Błąd dotyczący
neuronów warstw ukrytych jest obliczany jako pewna funkcja błędów neuronów kolejnych
warstw [21, 93, 130].
6.7 Badanie powtarzalności uczenia sieci neuronowej
Podczas prowadzonych badań analizowano powtarzalność procesu uczenia sieci
neuronowej (rozdział 9 rozprawy). W ustalonej strukturze sieci neuronowej oraz przy
określonym ciągu uczącym i testowym może zmieniać się skuteczność klasyfikacji. Wynika to
między innymi z następujących faktów:
kolejność podawania ciągu uczącego na wejście sieci neuronowej jest w każdym przypadku
losowa,
wartości wag początkowych są w początkowym okresie losowane jako małe wartości,
większe od zera,
struktura sieci jest złożona, nie ma możliwości wyznaczenia analitycznego wartości wag.
Przykładowy przebieg zmian skuteczności klasyfikacji dla wybranego przypadku przy
1000 powtórzeń uczenia, przedstawiono na rys. 6.5.
Rys. 6.5 Przebieg zmian skuteczności klasyfikacji dla kolejnych powtórzeń
procesu uczenia i testowania sieci.
W przedstawionym na rys. 6.5 przypadku, do uczenia wykorzystano wektory 24
parametrowe z transformatorów grupy II. Rozmiar warstwy ukrytej stanowił 3 neurony. Rozmiar
warstwy wyjściowej wynosił 2 neurony (dwie decyzje klasyfikacyjne SOK-SOLEJ). W
neuronach zastosowano sigmoidalne funkcje przejścia. Jako ciąg uczący wykorzystano 40
13
wektorów dla transformatorów grupy II. Do testowania wykorzystano także 40 wektorów z
transformatorów grupy II.
Na rysunku 6.6 przedstawiono histogram wartości skuteczności klasyfikacji. Rozkład
prawdopodobieństwa skuteczności klasyfikacji ma kształt asymetryczny. Wartość modalna
wynosi 96 %. Rozmiar warstwy ukrytej oraz zmiany parametrów nie wpływają znacząco na
kształt rozkładu prawdopodobieństwa skuteczności. Zmianie ulega jedynie wartość modalna,
oraz rozrzut.
Rys. 6.6 Histogram wartości skuteczności klasyfikacji dla zbioru powtórzeń procesu uczenia w ustalonych
CU, CT oraz struktury sieci.
Przedstawione wyniki pokazują, że mimo ustabilizowania parametrów uczenia sieci
neuronowej, proces uczenia nie zawsze gwarantuje jednakowe nauczenie sieci neuronowej. Może
się zdarzyć, że podczas uczenia sieć będzie utykać w lokalnym minimum. Nigdy nie ma
pewności, że sieć jest optymalna pod względem jakości rozpoznawania. Aby zwiększyć
niezawodność systemu diagnostycznego, warto przeprowadzić uczenie wielokrotnie (mimo jego
czasochłonności), dla różnych rozmiarów warstwy ukrytej i przy użyciu różnych algorytmów
uczenia, tak, aby zapewnić optymalny dobór sieci.
Właściwy dobór architektury sieci, liczby warstw ukrytych, ilości neuronów w nich
zawartych oraz procedury uczącej jest bardzo ważnym zagadnieniem. Poprawny wybór tych
elementów, wykonany w celu szybkiego i poprawnego nauczenia sieci oczekiwanych reakcji jest
w znacznym stopniu uzależniony od doświadczenia posiadanego przez programistę.
6.8 Wpływ rozmiaru ciągu uczącego na skuteczność klasyfikacji
Na rys. 6.7 i 6.8 pokazano efektywność skuteczności identyfikacji klas stanu układu
izolacyjnego transformatora w funkcji ilości zestawów uczących. Wyniki przedstawione na rys.
6.7 odnoszą się do badań dla następujących decyzji klasyfikacyjnych: stan poprawny (SOK) –
niewłaściwy stan oleju (SOLEJ) dla transformatorów grupy II. Wyniki przedstawione na rys. 6.8
odnoszą się do badań wykonywanych także dla transformatorów grupy II, dla dwóch innych
decyzji klasyfikacyjnych: stan poprawny (SOK) – przegrzanie (STEMP).
14
Rys. 6.7 Przebieg zmian skuteczności uczenia w zależności od rozmiarów ciągu uczącego. Decyzja
klasyfikacyjna SOK (109 wektorów) – SOLEJ (48 wektorów)
Rys. 6.8 Przebieg zmian skuteczności uczenia w zależności od rozmiarów ciągu uczącego. Decyzja
klasyfikacyjna SOK (109 wektorów) – STEMP (45 wektorów).
Skuteczność klasyfikacji początkowo jest niewielka, lecz rośnie wraz ze wzrostem ilości
zestawów uczących. W celu jak największej skuteczności klasyfikacji należy wprowadzać na
wejście możliwie jak największą liczbę zestawów uczących.
6.9 Dobór rozmiaru warstwy ukrytej
Rozmiar warstwy ukrytej dobiera się eksperymentalnie kierując się osiągnięciem
możliwie najwyższej skuteczności rozpoznania. Zbyt mała warstwa ukryta może być przyczyną
trudności w uczeniu się sieci, natomiast zbyt rozbudowana warstwa ukryta niekoniecznie wpływa
pozytywnie na osiąganie optymalnych rezultatów pracy sztucznej sieci neuronowej. Mimo braku
zasad precyzyjnego doboru ilości neuronów warstwy ukrytej, często przyjmuje się wartość
optymalną, którą jest pierwiastek drugiego stopnia z iloczynu elementów warstwy wejścia i
wyjścia. W przedstawionych przypadkach stosowano 10 neuronów w warstwie ukrytej.
6.10 Wpływ rodzajów parametrów na skuteczność klasyfikacji
W rozprawie zbadano także, w jaki sposób rodzaj parametrów wykorzystywanych do
uczenia wpływa na skuteczność klasyfikacji. Zgrupowano parametry oraz wyznaczono przebiegi
skuteczności w funkcji rozmiaru ciągu uczącego. Wybrano 2 zestawy przypadków diagnostyki
2-wartościowej: BOK-BOLEJ i SOK-STEMP. Zestawienie wyników przedstawiono na
rysunkach 6.9 i 6.10. Grupy parametrów przyjęto w sposób zestawiony w tabeli 6.5.
15
Tabela 6.5.
Przyjęty sposób grupowania parametrów w celu oceny skuteczności metod diagnostycznych
Lp. Rodzaj parametrów Wyszczególnienie poszczególnych parametrów
1 Parametry
chromatograficzne
Wodór, metan, etan, etylen, acetylen, propan,
propylen, tlenek węgla, dwutlenek węgla, 2-furfural
2 Parametry
elektryczne
Napięcie przebicia, rezystywność, tanδ oleju,
wyładowania niezupełne, rezystancje izolacji:
GN / Ziemia, DN / Ziemia, GN / DN, różnica
między rezystancjami uzwojeń
3 Parametry fizyko-
chemiczne
Zawartość wody rozpuszczonej w oleju, liczba
kwasowa, temperatura zapłonu, gęstość, lepkość,
napięcie powierzchniowe, wskaźnik polarności
Rys. 6.9. Zależność skuteczności klasyfikacji od rozmiaru ciągu uczącego dla wybranych grup parametrów
diagnostycznych; Klasyfikacja BOK-BOLEJ.
Dla wybranych zestawów parametrów diagnostycznych BOK – BOLEJ z których wyniki
badań zależności skuteczności klasyfikacji od rozmiaru ciągu uczącego przedstawiono na rys. 6.9
wynika, że wraz ze wzrostem rozmiaru ciągu uczącego najszybciej wzrasta skuteczność
klasyfikacji uszkodzeń w oparciu o wyniki badań elektrycznych. Na drugim miejscu są wyniki
badań fizykochemicznych i dalej wyniki badań chromatograficznych. Mając na uwadze, że
wykonanie pomiarów elektrycznych transformatora wymaga wyłączenia go z ruchu i że część
pomiarów elektrycznych oleju: wartości napięcia przebicia, rezystywności, tanδ oleju wykonuje
się łącznie z badaniami własności fizykochemicznych parametrów pobranej próbki oleju, z
punktu widzenia użyteczności diagnostycznej najważniejsze są badania własności
fizykochemicznych oleju.
16
Rys. 6.10. Zależność skuteczności klasyfikacji od rozmiaru ciągu uczącego dla wybranych grup
parametrów diagnostycznych; Klasyfikacja SOK-STEMP
W wyniku analiz stwierdzono, że dla wybranych zestawów parametrów diagnostycznych
SOK – STEMP, z których wyniki badań zależności skuteczności klasyfikacji od rozmiaru ciągu
uczącego przedstawiono na rys. 6.10 wynika, że wraz ze wzrostem rozmiaru ciągu uczącego
najszybciej wzrasta skuteczność klasyfikacji poprzez wyniki badań chromatograficznych. Wyniki
badań elektrycznych i fizykochemicznych są mniej przydatne do detekcji anomalii
temperaturowych wewnątrz transformatora. Mogą one być pomocne w wykazaniu przegrzania
wewnętrznego dla transformatorów obciążonych przez dłuższy czas w niewielkim stopniu, jeżeli
źródłem lokalnego przegrzania jest tor wielkoprądowy transformatora.
7. PRZYKŁADOWE WYNIKI ANALIZ WPŁYWU PARAMETRÓW DIAGNOSTYCZNYCH NA ŚREDNIĄ SKUTECZNOŚĆ ROZPOZNAWANIA PODSTAWOWYCH RODZAJÓW USZKODZEŃ IZOLACJI W TRANSFORMATORACH
Najważniejszymi wynikami naukowymi w pracy są wyniki szczegółowych analiz
wpływu różnych parametrów diagnostycznych na średnią skuteczność rozpoznawania rodzaju
uszkodzenia występującego w transformatorach grupy I i II (rys. 9.60 do 9.68 rozprawy). Poniżej
przedstawiono przykładowe wyniki analiz wpływu parametrów diagnostycznych na średnią
skuteczność rozpoznawania uszkodzeń dla transformatorów grupy I i II.
Całość wektorów uczących i testowych była losowana przed każdym testem. Następnie z
wszystkich wektorów wybrano CU i CT. Rozmiar ciągu uczącego wynosił 80% całkowitego
rozmiaru danych. Rozmiar ciągu testowego wynosił 20% całkowitego rozmiaru. Dla każdego
parametru sieć testowano 50 razy. Wyniki przedstawione na rys. 7.1, 7.2, 7.3 i 7.4 stanowią dla
każdego parametru średnią z tych 50 testów.
Wyniki analizy wpływu 26 parametrów diagnostycznych na średnią skuteczność
klasyfikacji uszkodzenia typu „niewłaściwa jakość oleju izolacyjnego” dla transformatorów
grupy I przedstawiono na rys. 7.1.
17
Rys. 7.1 Zestawienie wyników analizy wpływu 26 parametrów diagnostycznych na średnią skuteczność
rozpoznawania uszkodzenia typu „niewłaściwa jakość oleju izolacyjnego” w transformatorach
grupy I.
Wyniki przedstawione na rys. 7.1 wskazują, że dla rozpoznania uszkodzenia typu
„niewłaściwa jakość oleju izolacyjnego” najważniejszymi parametrami diagnostycznymi są:
zawartość wody i wzrost tan oleju.
Wyniki analizy wpływu 24 parametrów diagnostycznych na średnią skuteczność
rozpoznawania uszkodzenia typu „przegrzanie wewnętrzne” w izolacji transformatorów grupy II
przedstawiono na rys. 7.2.
Rys. 7.2. Zestawienie wyników analizy wpływu 24 parametrów diagnostycznych na średnią skuteczność
rozpoznawania uszkodzenia typu „przegrzanie wewnętrzne” w izolacji transformatorów
grupy II.
Wyniki przedstawione na rys. 7.2 wskazują, że najważniejszymi parametrami dla
rozpoznania uszkodzenia typu „przegrzanie wewnętrzne” są następujące parametry
diagnostyczne: etan, propan i metan.
Wyniki analizy wpływu 26 parametrów diagnostycznych na średnią skuteczność
klasyfikacji uszkodzenia typu „wyładowania iskrowe wewnątrz kadzi” dla transformatorów
18
grupy I przedstawiono na rys. 7.3.
Rys. 7.3 Zestawienie wyników analizy wpływu 26 parametrów diagnostycznych na średnią skuteczność
rozpoznawania uszkodzenia typu „wyładowania iskrowe wewnątrz kadzi” w transformatorach
grupy I.
Wyniki przedstawione na rys. 7.3 wskazują, że dla rozpoznania uszkodzenia typu
„wyładowania iskrowe wewnątrz kadzi” najważniejszymi parametrami diagnostycznymi są:
koncentracja acetylenu, wodoru i propanu, rozpuszczonych w oleju.
Wyniki analizy wpływu 24 parametrów diagnostycznych na średnią skuteczność
rozpoznawania uszkodzenia typu „zestarzenie papieru izolacyjnego” w izolacji transformatorów
grupy II przedstawiono na rys. 7.4.
Rys. 7.4. Zestawienie wyników analizy wpływu 24 parametrów diagnostycznych na średnią skuteczność
rozpoznawania uszkodzenia typu „zestarzenie papieru izolacyjnego” w izolacji transformatorów
grupy II.
Wyniki przedstawione na rys. 7.4 wskazują, że najważniejszym parametrem dla
rozpoznania uszkodzenia typu „zestarzenie papieru izolacyjnego” jest koncentracja 2-furfuralu
rozpuszczonego w oleju.
19
8. WNIOSKI
Przedstawione w rozprawie wyniki potwierdzają tezę, że jest korzystnie, aby klasyczne
metody rozpoznawania uszkodzeń izolacji transformatorów dużej mocy w oparciu o dostępne
wyniki z pomiarów diagnostycznych rozbudować o procedury wnioskowania, wykorzystujące
metody sztucznych sieci neuronowych. Przyjętej w rozprawie tezy dowodzą także wyniki
odnoszące się do doboru sposobu uczenia SSN, badania powtarzalności uczenia SSN, analizy
ciągu uczącego na skuteczność klasyfikacji a także wyniki szczegółowych analiz odnoszące się
do skuteczności poszczególnych parametrów diagnostycznych. W oparciu o powyższe można
stwierdzić, iż przyjęta na początku rozprawy teza została udowodniona.
Problem naukowy podjęty w rozprawie wyniknął z 20-letniego doświadczenia autora,
dotyczącego wiedzy na temat nadzoru nad eksploatacją transformatorów w jednej z krajowych
dużych elektrowni węglowych. W ramach tej działalności wkładem własnym, naukowym i
inżynierskim autora jest: dobór metod pomiarowych, terminów ich realizacji, interpretacja
wyników i decyzyjność odnośnie dalszej pracy lub remontów transformatorów. W ramach tej
wieloletniej pracy autor zdobył bardzo obszerne doświadczenie i zasób wiedzy. Wiedza ta ma
charakter ekspercki i stąd wynika dążenie autora do jej zobiektywizowania.
Badania wykonane w ramach rozprawy zostały przeprowadzone w oparciu o
przygotowany przez autora bardzo obszerny zbiór wyników z wieloletnich badań
diagnostycznych transformatorów. Po selekcji, wykorzystywany w rozprawie zbiór stanowiło
13580 wyników różnych badań diagnostycznych. W tej grupie 8372 wyników odnosiło się do
transformatorów o mocy powyżej 100 MVA (grupy I), 5208 wyników odnosiło się do badań
transformatorów o mocach do 100 MVA (grupy II). Odszukanie, dobór, zgromadzenie i
klasyfikacja tak znacznej liczby wyników badań diagnostycznych z różnych podmiotów
elektroenergetycznych wymagała pokonania wielu trudności i dwóch lat pracy. Problemem
naukowym związanym z przygotowaniem tak znacznej liczby wyników różnorodnych badań
fizykochemicznych i elektrycznych było takie ich opracowanie i przetworzenie, aby było
możliwe ich numeryczne opracowanie i analizy. Zbudowanie takiego zbioru danych
wynikającego z badań diagnostycznych i zobiektywizowanie doboru parametrów stanowi
osiągnięcie rozprawy i własny wkład naukowy do tej problematyki.
Podjęta w rozprawie problematyka ma znaczący aspekt ekonomiczny. Prowadzenie
właściwej diagnostyki transformatorów jest zasadne z ekonomicznego i technicznego punktu
widzenia, ponieważ relatywnie małe nakłady na diagnostykę mogą zapobiec olbrzymim stratom
powstałym w wyniku awarii transformatora.
Korzystając z informacji o średniej skuteczności rozpoznawania dla parametrów
wyznaczanych podczas badań dla konkretnych niesprawności transformatorów można
wnioskować, że istniejąca diagnostyka transformatorów powinna zostać w celu większej
skuteczności uzupełniona o systemy nadzoru on-line reagujące na zawartość wody, oraz na gazy
takie jak etan, propan i acetylen, które wykazują przegrzania wewnętrzne. Celowe byłoby
wyposażenie takich systemów w urządzenia mierzące w trybie on-line WNZ w układzie
izolacyjnym.
Kierunkiem dalszych prac badawczych, wynikających z rezultatów rozprawy będzie
dalsze doskonalenie stworzonej SSN poprzez wprowadzanie nowych wyników badań, zwłaszcza
z nowych i stale udoskonalanych metod relaksacyjnych RVM, PDC, FDS, stosowanych do
pomiaru zawilgocenia i zestarzenia układów izolacyjnych. Z powodu zbyt małego zbioru danych,
poza opisem w części teoretycznej, nie zostały one poddane analizom w badawczej części pracy.
Drugim kierunkiem może być (po zgromadzeniu niezbędnych danych) bardziej
selektywne (wybór większej liczby klas powiązanych z defektami) rozwinięcie możliwych
defektów i wypracowanie mierników ilościowych (np. w skali od 1 do 10).
20
9. BIBLIOGRAFIA
[3] AUSTIN A.: „Australian Practice of Periodic Checks of Transformer Winding Displacements”,
CIGRE-2000, Panel P-1, 2000.
[9] BOLHUIS J. P., GULSKI E., SMIT J.: „Monitoring and Diagnostic of Transformer Solid
Insulation”, IEEE Transactions On Power Delivery, Vol. 17, No. 2, April 2002, pp. 528-536.
[12] BUBNICKI Z.: „Wstęp do systemów ekspertowych”, PWN, Warszawa, 1980.
[13] CELIŃSKI Z.: „Materiałoznawstwo elektrotechniczne”, Of. Wyd. Pol. War., Warszawa 1998.
[17] CSÉPES G., KISPÁL I.: „Case stories of FRA results used to detect the winding movement and
geometric changes detection in power transformers (Hungarian experience)”, Cigre SC. A2,
Merida Colloquium, June 2003.
[18] DICK E. P., ERVEN C. C.: „Transformer Diagnostic Testing by FRA”, IEEE Transactions,
Vol. PAS-97, No. 6, 1978, pp. 2144-2153.
[21] DUCH W., KORBICZ J., RUTKOWSKI L., TADEUSIEWICZ R.: „Biocybernetyka i
inżynieria biomedyczna. Tom 6: sieci neuronowe”, Of. Wyd. Exit, Warszawa, 2000.
[27] FLORKOWSKA B.: „Wyładowania niezupełne w układach izolacyjnych wysokiego napięcia –
analiza mechanizmów, form i obrazów”, IPPT – PAN, Warszawa, 1997.
[33] GEORG E.W., STURM F.A.: „The environment for plant management, monitoring and
maintenance”, VGB Power Tech. 2003, No. 9.
[36] GUBANSKI S. M., BOSS P., CSEPES G., HOUHANESSIAN V. D., FILIPPINI J.,
GUUINIC P., GAFVERT U., KARIUS V., LAPWORTH J., URBANI G., WERELIUS P.,
ZAENGL W. S.: „Dielectric response methods for diagnostics of power transformers, Report of
the TF 15.01.09”, CIGRE, 2001.08.27.
[55] JEZIERSKI E.: „Transformatory. Podstawy teoretyczne”, WNT, Warszawa, 1965.
[59] KAŹMIERSKI M., OLECH W., PAWŁOWSKI D.: „Aktualne problemy zarządzania
eksploatacją transformatorów”, Energetyka sierpień/wrzesień 2008, Of. Wyd. Energia COSiW
SEP.
[62] KĘDZIA J.: „Metody elektryzacji statycznej w badaniach dielektryków”, Of. Wyd. Pol.
Opolskiej, Opole, 2004.
[63] KĘDZIA J.: „Zagrożenia izolacji transformatorów energetycznych wywołane elektryzacją
statyczną”, Of. Wyd. PO, Opole, 1999.
[65] KOLBIŃSKI K., SŁOWIKOWSKI J.: „Materiałoznawstwo elektrotechniczne” WNT,
Warszawa 1988.
[71] LEIBFRIED T., KOMAGK C., GISELBRECHT D., STACH M.: „Isolierstoffuntersuchungen
an einen geaalten Maschinentransformator – Vergleich mit Ergebnissen der Gas – in – Öl und der
Furfurol – Analyse. VGB PowerTech Kraftwerktechnik 8/2006, pp. 75.
[81] MIZIA W.: „Transformatory”, Wyd. Pol. Śl., Gliwice, 1998.
[87] NITSCHE K., ULLRICH H. J.: „Funktionswerkstoffe der Elektrotechnik und Elektronik”, VEB
Deutscher Verlag für Grundstoffindustrie, Lepzig, 1985.
[91] OPYDO W., MILA J., RANACHOWSKI J.: „Próba wykorzystania emisji akustycznej w
badaniu izolacji stałej w próżni”, IPPT – PAN, Warszawa, 1996.
[93] OSOWSKI S.: „Sieci neuronowe w ujęciu algorytmicznym”, WNT, Warszawa, 1996.
[94] PASSAGLIA R., RIZZI G.: „Frequency response analysis of power transformers”, CIGRE
WG 3303, Dresden 1999, paper 29.
[111] PRACA ZBIOROWA.: „Ageing phenomena in electric al insulating materials and systems. V
Symposium”, AGH, Kraków, 1986.
[116] PRACA ZBIOROWA.: „New construction, technologies and calculation methods of electrical
machines”, XXXVIII International Symposium On Electrical Machines, SME’2002, Wyd. Pol.
Świetokrzyskiej, Kielce, 2002.
[117] PRACA ZBIOROWA: „Ramowa Instrukcja Eksploatacji Transformatorów”, ZPBE
ENERGOPOMIAR – ELEKTRYKA Sp. z o. o., Gliwice, 2006.
[121] PRACA ZBIOROWA.: „Transformatory w eksploatacji”, Konf. Nauk.-Tech., Energo-Complex,
Sieniawa, 2003.
[122] PRACA ZBIOROWA: „Transformatory w eksploatacji”, Wydawnictwo Energo-Complex,
kwiecień, 2007.
[130] RUTKOWSKA D., PILIŃSKI M., RUTKOWSKI L.: „Sieci neuronowe, algorytmy genetyczne
i systemy rozmyte”, Wyd. Nauk. PWN, Warszawa-Łódź, 1997.
[131] RYDER S. A.: „Diagnosing a wider range of transformer faults using frequency response
analysis”, XIII IS on HV Engineering, Delft, Netherlands, 2003.
21
[135] SAHA T. K.: „Review of time-domain polarization measurements for assessing insulation
condition in aged transformers”, IEEE Trans. on Power Delivery, vol. 18, No. 4, October 2003,
pp. 1293- 1301.
[142] SKUBIS J.: „Wybrane zagadnienia z techniki i diagnostyki wysokonapięciowej”, Of. Wyd. PO,
Opole, 1998.
[147] SZPOR S., DZIERŻEK H., WINIARSKI W.: „Technika wysokich napięć”, WNT, Warszawa
1978.
[148] TADEUSIEWICZ R.: „Elementarne wprowadzenie do techniki sieci neuronowych z
przykładami programowania”, Akademicka Of. Wyd. PLJ, Warszawa, 1998.
[152] TOMCZUK B.: „Metody numeryczne w analizie pola układów transformatorowych” Of. Wyd.
Pol. Op., Opole, 2007.
[161] ŻURADA J., BARSKI M., JEDRUCH W.: „Sztuczne sieci neuronowe. Podstawy teorii i
zastosowania”, Wyd. Nauk. PWN, Warszawa, 1996.
10. WYKAZ DOROBKU NAUKOWEGO AUTORA
[1] BANASZAK SZ., KLISTALA T.: „Wykorzystanie metody FRA do identyfikacji zwarć
zwojowych w transformatorach”, Przegląd Elektrotechniczny nr 09/2010 lub 10/2010 (przyjęty do
druku).
[2] BORUCKI S., CICHOŃ A., KLISTALA T.: „Analiza wpływu stopnia obciążenia
transformatora blokowego na wyniki pomiarów wibroakustycznych”, Konferencja naukowo –
techniczna: XVI Konferencja Energetyki Innowacje Rozwój Perspektywy, pałac Wojanów
9 – 11.09.2009, materiały konferencyjne str. 131 – 139.
[3] KOCIMA B., KLISTALA T., KARPETA K.: „Modernizacja układu zasilania elektrycznego”
Energetyka 08/2007 str. 550 do 552.
[4] KOPEL A., DYRDA P., KLISTALA T., GANCARZ E.: „Modernizacja układu chłodzenia
transformatorów WS1 i WS2 oraz dławików na instalacji odsiarczania IOS”, Projekt wynalazczy
PKE SA, Elektrownia Łaziska, nr 8/2006.
[5] KLISTALA T.: Cykl komunikatów technicznych i informacji dotyczących funkcjonowania
Elektrowni Łaziska w biuletynach Południowego Koncernu Energetycznego: Koncern Nr. 9 (81)
wrzesień 2007; Elektro Łaziska 2003/11.
[6] KLISTALA T.: „Przegląd metod diagnostycznych układów izolacyjnych transformatorów dużej
mocy w eksploatacji”, Konferencja naukowo - techniczna: Pomiary i diagnostyka w
elektroenergetyce. Karlova Studanka Republika Czeska 14 - 17 października 2008. Pomiary,
Automatyka, Kontrola vol. 54, nr 11/2008, str. 754 do 759.
[7] KLISTALA T.: „Przyczyny wzrostu rezystancji uzwojeń transformatorów” ZN Politechniki
Opolskiej „Elektryka” nr 65/2010 (w druku).
[8] KLISTALA T.: „Wytłumienie transformatorów blokowych i potrzeb własnych w Elektrowni
Łaziska”, Konferencja naukowo - techniczna: Pomiary i diagnostyka w elektroenergetyce.
Karlova Studanka Republika Czeska 14 - 17 października 2008. Pomiary, Automatyka, Kontrola
vol. 54, nr 11/2008, str. 799 do 801.
[9] KLISTALA T. SKUBIS J., ZMARZŁY D.: „Sposób oceny stanu technicznego układu
izolacyjnego transformatora” Zgłoszenie Patentowe do Urzędu Patentowego RP, październik,
2010.