Power transformer faults diagnosis using undestructive methods (Roger and IEC) and artificial neural network for dissolved gas analysis applied on the functional transformer in the Algerian north-eastern: a comparative study

Автор(и)

DOI:

https://doi.org/10.20998/2074-272X.2021.4.01

Ключові слова:

аналіз розчинених газів у маслі, діагностика силових трансформаторів, нейронні мережі зі зворотним зв'язком, метод Роджерса, метод МЕК

Анотація

Вступ. У наш час старіння та несправності силових трансформаторів уважно розглядаються у галузі передачі електричної енергії. Аналіз розчиненого газу  виділяється серед найбільш широко використовуваних методів, що застосовуються в контексті політики управління активами для виявлення початкових несправностей на їх попередній стадії в силових трансформаторах. Дотепер для отримання результатів аналізу розчиненого газу було використано кілька процедур. Серед цих корисних засобів зазначимо такі, як метод основних газів, коефіцієнти Роджерса, коефіцієнти МЕК, історичний підхід, менш використовувані сьогодні коефіцієнти Дерненбурга, два типи методів п’ятикутників Дюваля, кілька варіантів методу трикутників Дюваля та логарифмічний номограф. Проблема. Дані аналізу розчиненого газу, отримані з різних об‘єктів, що експлуатуються, слугували для перевірки здатності та надійності цих методів при оцінці стану працездатності силового трансформатора. Мета. Підвищення якості діагностики електричного силового трансформатора за допомогою штучних нейромережевих інструментів, заснованих на двох звичайних методах, у випадку функціонуючого силового трансформатора в провінції Сетіф на північному сході Алжиру. Методологія. Розробка нетипового засобу для діагностики силових трансформаторів з використанням нейронних мереж на основі традиційних методів МЕК і Роджерса, який дозволяє раннє виявлення несправностей, підвищення надійності всієї електроенергетичної системи від передачі енергії до споживачів та покращення безперервності та якості обслуговування. Результати. Розв‘язання проблеми було здійснено за допомогою нейронних мереж зворотного розповсюдження із зворотним зв'язком, реалізованих в середовищі MATLAB-Simulink. Були враховані чотири діючі силові трансформатори, що працюють в різних умовах оточуючого середовища та клімату, таких як: пустеля, волога, холод. Представлені практичні результати діагностики цих силових трансформаторів з використанням аналізу розчиненого газу. Практичне значення. Стисло наведено структуру та специфічні особливості старіння ізоляції обмоток силових трансформаторів та діагностики стану дефектів за допомогою штучної нейронної мережі. Далі були розроблені програми у MATLAB для автоматизації оцінки кожного методу. Ця стаття представляє ще один засіб для аналізу результатів, отриманих за допомогою програмного забезпечення delta X, що широко використовується електричною компанією в Алжирі.

Біографії авторів

L. Bouchaoui, University Ferhat Abbas Setif 1, Algeria

PhD Student, Electrical Engineering Department

K. E. Hemsas, University Ferhat Abbas Setif 1, Algeria

Professor, Electrical Engineering Department

H. Mellah, Bouira University, Algeria

PhD, Associate Professor, Electrical Engineering Department

S. Benlahneche, GRTE /SONELGAZ, Setif, Algeria

Chief of Electricity Transmission

Посилання

Li Z., Jiao Z., He A. Knowledge-based artificial neural network for power transformer protection. IET Generation, Transmission & Distribution, 2020, vol. 14, no. 24, pp. 5782-5791. doi: https://doi.org/10.1049/iet-gtd.2020.0542.

Rozov V.Yu., Kundius K.D., Pelevin D.Ye. Active shielding of external magnetic field of built-in transformer substations. Electrical Engineering & Electromechanics, 2020, no. 3, pp. 24-30. doi: https://doi.org/10.20998/2074-272x.2020.3.04.

Bouchaoui L., Hemsas K.E., Benlahneche S.E. Diagnostic des transformateurs de puissance. France, Omniscriptum Publ., 2018. 210 p. (Fra).

Bondarenko V.Е., Shutenko O.V. Development of fuzzy neural network for the interpretation of the results of dissolved in oil gases analysis. Electrical Engineering & Electromechanics, 2017, no. 2, pp. 49-56. doi: https://doi.org/10.20998/2074-272x.2017.2.08.

Nizhevskyi I.V., Nizhevskyi V.I. Calculation estimation of overvoltage on insulation of the equipment of a substation at the lightning strike in its lightning arrester. Electrical Engineering & Electromechanics, 2019, no.3, pp. 67-73. doi: https://doi.org/10.20998/2074-272x.2019.3.11.

Faiz J., Soleimani M. Dissolved gas analysis evaluation in electric power transformers using conventional methods a review. IEEE Transactions on Dielectrics and Electrical Insulation, 2017, vol. 24, no. 2, pp. 1239-1248. doi: https://doi.org/10.1109/tdei.2017.005959.

Castro A.R.G., Miranda V. An interpretation of neural networks as inference engines with application to transformer failure diagnosis. International Journal of Electrical Power & Energy Systems, 2005, vol. 27, no. 9-10, pp. 620-626. doi: https://doi.org/10.1016/j.ijepes.2005.08.002.

Wani S.A., Khan S.A., Prashal G., Gupta D. Smart diagnosis of incipient faults using dissolved gas analysis-based fault interpretation matrix (FIM). Arabian Journal for Science and Engineering, 2019, vol. 44, no. 8, pp. 6977-6985. doi: https://doi.org/10.1007/s13369-019-03739-4.

Faiz J., Soleimani M. Assessment of computational intelligence and conventional dissolved gas analysis methods for transformer fault diagnosis. IEEE Transactions on Dielectrics and Electrical Insulation, 2018, vol. 25, no. 5, pp. 1798-1806. doi: https://doi.org/10.1109/TDEI.2018.007191.

Kaur A., Brar Y.S., Leena G. Fault detection in power transformers using random neural networks. International Journal of Electrical and Computer Engineering, 2019, vol. 9, no. 1, pp. 78-84. doi: https://doi.org/10.11591/ijece.v9i1.pp78-84.

Zhang Y., Ding X., Liu Y., Griffin P.J. An artificial neural network approach to transformer fault diagnosis. IEEE Transactions on Power Delivery, 1996, vol. 11, no. 4, pp. 1836-1841. doi: https://doi.org/10.1109/61.544265.

IEEE Guide for the Interpretation of Gases Generated in Mineral Oil-Immersed Transformers. IEEE Std C57.104-2019 (Revision of IEEE Std C57.104-2008), 2019, 98 p. doi: https://doi.org/10.1109/IEEESTD.2019.8890040.

Bouchaoui L. Diagnostic des transformateurs de puissance par la méthode d'analyse des gas dissous : application des réseaux de neurones. Algeria, Université Ferhat Abbas Sétif 1 Publ., 2010. 155 p. (Fra). Available at: https://mmagister.univ-setif.dz/images/facultes/TEC/2010/BOUCHAOUI%20Lahcene.pdf (accessed 20 July 2020).

Fofana I. Power transformer diagnostics, monitoring and design features. Switzerland, MDPI Publ., 2018. 254 p. Available at: https://www.mdpi.com/books/pdfview/book/1073 (accessed 20 July 2020).

Paul D., Sen P., Goswami A.K. A probabilistic approach of fault detection through dissolved gas analysis in transformer and reactor. 2020 IEEE International Conference on Power Electronics, Smart Grid and Renewable Energy (PESGRE2020), 2020, pp. 1-6. doi: https://doi.org/10.1109/pesgre45664.2020.9070495.

Taha I.B.M., Mansour D.-E.A., Ghoneim S.S.M., Elkalashy N.I. Conditional probability-based interpretation of dissolved gas analysis for transformer incipient faults. IET Generation, Transmission & Distribution, 2017, vol. 11, no. 4, pp. 943-951. doi: https://doi.org/10.1049/iet-gtd.2016.0886.

Illias H.A., Chai X.R., Abu Bakar A.H., Mokhlis H. Transformer incipient fault prediction using combined artificial neural network and various particle swarm optimisation techniques. PLOS ONE, 2015, vol. 10, no. 6, p. e0129363. doi: https://doi.org/10.1371/journal.pone.0129363.

Zhang W., Yang X., Deng Y., Li A. An inspired machine-learning algorithm with a hybrid whale optimization for power transformer PHM. Energies, 2020, vol. 13, no. 12, p. 3143. doi: https://doi.org/10.3390/en13123143.

Enriquez A.R.S., Lima S.L., Saavedra O.R. K-NN and mean-shift algorithm applied in fault diagnosis in power transformers by DGA. 2019 20th International Conference on Intelligent System Application to Power Systems (ISAP), 2019, pp. 1-6. doi: https://doi.org/10.1109/isap48318.2019.9065948.

Cover T., Hart P. Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 1967, vol. 13, no. 1, pp. 21-27. doi: https://doi.org/10.1109/TIT.1967.1053964.

Seifeddine S., Khmais B., Abdelkader C. Power transformer fault diagnosis based on dissolved gas analysis by artificial neural network. 2012 First International Conference on Renewable Energies and Vehicular Technology, 2012, pp. 230-236. doi: https://doi.org/10.1109/revet.2012.6195276.

Jasim S.Y., Shrivastava J. Dissolved gas analysis of power transformers. International Journal of Electrical and Electronics Engineering Research (IJEEER), 2013, vol. 3, no. 5, pp. 1-10.

Taecharoen P., Kunagonniyomrattana P., Chotigo S. Development of Dissolved Gas Analysis Analyzing Program using Visual Studio Program. 2019 IEEE PES GTD Grand International Conference and Exposition Asia (GTD Asia), 2019, pp. 785-790. doi: https://doi.org/10.1109/gtdasia.2019.8715892.

Wang Z., Liu Y., Griffin P.J. A combined ANN and expert system tool for transformer fault diagnosis. IEEE Transactions on Power Delivery, 1998, vol. 13, no. 4, pp. 1224-1229. doi: https://doi.org/10.1109/61.714488.

Rogers R.R. IEEE and IEC Codes to Interpret Incipient Faults in Transformers, Using Gas in Oil Analysis. IEEE Transactions on Electrical Insulation, 1978, vol. EI-13, no. 5, pp. 349-354. doi: https://doi.org/10.1109/TEI.1978.298141.

IEC 60599:2015. Mineral oil-filled electrical equipment in service – Guidance on the interpretation of dissolved and free gases analysis. 2015. Available at: https://webstore.iec.ch/publication/23323 (accessed 20 July 2020).

Mellah H., Hemsas K.E., Taleb R., Cecati C. Estimation of speed, armature temperature and resistance in brushed DC machines using a CFNN based on BFGS BP. Turkish Journal of Electrical Engineering & Computer Sciences, 2018, vol. 26, no. 6, pp. 3181-3191. doi: https://doi.org/10.3906/elk-1711-330.

Da Silva I.N., de Souza A.N., Hossri R.M.C., Hossri J.H.C. Intelligent system applied in diagnosis of transformer oil. 2000 Eighth International Conference on Dielectric Materials, Measurements and Applications (IEE Conf. Publ. No. 473), 2000, pp. 330-334. doi: https://doi.org/10.1049/cp:20000528.

Mellah, H., Hemsas, K., Taleb, R. Intelligent sensor based Bayesian neural network for combined parameters and states estimation of a brushed DC motor. International Journal of Advanced Computer Science and Applications, 2016, vol. 7, no. 7, pp. 230-235. doi: https://doi.org/10.14569/ijacsa.2016.070731.

##submission.downloads##

Опубліковано

2021-07-29

Як цитувати

Bouchaoui, L., Hemsas, K. E., Mellah, H., & Benlahneche, S. (2021). Power transformer faults diagnosis using undestructive methods (Roger and IEC) and artificial neural network for dissolved gas analysis applied on the functional transformer in the Algerian north-eastern: a comparative study. Електротехніка і Електромеханіка, (4), 3–11. https://doi.org/10.20998/2074-272X.2021.4.01

Номер

Розділ

Електричні машини та апарати