Добавлен: 26.10.2023
Просмотров: 323
Скачиваний: 6
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
СОДЕРЖАНИЕ
от состава нефти 97.
Заключение о состоянии трансформатора и его возможных неисправностях можно сделать на основе анализа трансформаторного масла, а точнее на основе хроматографического анализа растворенных в масле газов.
В расчетном примере анализ трансформаторного масла производился по данным хроматографического анализа растворенных в масле газов на
основе анализа соотношения концентраций пар газов:
C2 H2 / C2 H4
(ацетилен/этил) (обозначим X),
CH4 / H2 (метан/водород) (Y),
C2 H4 / C2 H6
(этил/этилен) ( Z ). По значениям соотношения концентраций этих трех пар делался вывод о воздействиях, которым подвергалось масло, и возможном характере дефектов в трансформаторе.
Практика показывает, что вероятность совпадения прогнозируемого и существующего дефекта трансформатора при использовании ХАРГ составляет 95%, поэтому в данной системе на основе результатов ХАРГ предполагалось не просто определить принадлежность к состоянию, а определить вид дефекта.
Все возможные дефекты, диагностируемые при использовании ХАРГ (Табл. 17), условно были разделены на две группы – электрические и термические. С целью выявления дефектов каждой группы в разработанную модель оценки технического состояния интегрировались отдельные структуры нейро-нечеткого логического вывода, сформированные по индивидуальным правилам. Каждая структура в своем составе в качестве базовой характеристики содержала нормальное состояние оборудования.
Вид функций принадлежности был определен на основе метода нечеткой кластеризации, который описан в третьем разделе настоящей диссертационной работы и представлен в Приложении Б.
В результате анализа были определены три возможных вида функций принадлежности:
Следует отметить, что некоторые значения отношений концентраций газов, приведенных в Табл. 18, совпадают. С целью определения возможности оценки состояний однотипными и/или универсальными функциями принадлежности был выполнен анализ двух возможных решений (Табл. 13):
В ходе расчетов и при настройке системы было определено, что оптимальным является второй вариант – с пятью функциями принадлежности для каждой входной переменной. На основе положений, указанных в третьей главе диссертационной работы, разработаны нечеткие правила продукции, представленные в Табл. 17.
Таблица 17 – Нечеткие правила продукции для оценки состояния трансформатора на основе ХАРГ
Таблица 18 – Возможные виды дефектов на основе ХАРГ
Сформированная структура нейро-нечеткого логического вывода для оценки состояния трансформаторов на основе данных ХАРГ представлена на Рис. 40. Основные характеристические параметры сети нейро-нечеткого логического вывода на основе данных ХАРГ и результаты расчетов приведены в Табл. 19.
Еще раз отметим, что использование такого критерия, как средняя ошибка обучения, уже проанализированного в третьей главе, в качестве основного критерия сравнения (оценивания) результатов расчетов модели с использованием различных видов функций принадлежности еще не гарантирует минимизацию ошибки на тестируемой выборке – ошибки тестирования. Ошибка тестирования характеризует способность модели к
обобщению, т. е. процедуру обучения 98. Поэтому сопоставление результатов работы модели при использовании различных видов функций принадлежности выполнены на базе комплексной характеристики с учетом как ошибки обучения, так и ошибки тестирования
Рисунок 40 – Структура нейро-нечеткого логического вывода для оценки состояния трансформатора на основе данных ХАРГ
Кроме того, необходимо оценить не просто размер ошибок обучения и тестирования, а выявить среди них ошибки первого рода – отказ от правильной гипотезы («ложный дефект») – и второго рода – принятие неправильной гипотезы («пропуск дефекта») 99. Это связано с тем, что предельно допустимое значение параметра имеет рассеивание на граничных областях, и одни и те же значения могут соответствовать как одному, так и другому состоянию.
Ошибка первого рода приводит к дополнительным предупредительным работам, а ошибка второго рода влечет за собой затраты, включающие не
только аварийный ремонт, но и износ оборудования и т.п.
Таблица 19 – Основные характеристические параметры сети для оценки состояния трансформатора на основе ХАРГ
Заключение о состоянии трансформатора и его возможных неисправностях можно сделать на основе анализа трансформаторного масла, а точнее на основе хроматографического анализа растворенных в масле газов.
В расчетном примере анализ трансформаторного масла производился по данным хроматографического анализа растворенных в масле газов на
основе анализа соотношения концентраций пар газов:
C2 H2 / C2 H4
(ацетилен/этил) (обозначим X),
CH4 / H2 (метан/водород) (Y),
C2 H4 / C2 H6
(этил/этилен) ( Z ). По значениям соотношения концентраций этих трех пар делался вывод о воздействиях, которым подвергалось масло, и возможном характере дефектов в трансформаторе.
Практика показывает, что вероятность совпадения прогнозируемого и существующего дефекта трансформатора при использовании ХАРГ составляет 95%, поэтому в данной системе на основе результатов ХАРГ предполагалось не просто определить принадлежность к состоянию, а определить вид дефекта.
Все возможные дефекты, диагностируемые при использовании ХАРГ (Табл. 17), условно были разделены на две группы – электрические и термические. С целью выявления дефектов каждой группы в разработанную модель оценки технического состояния интегрировались отдельные структуры нейро-нечеткого логического вывода, сформированные по индивидуальным правилам. Каждая структура в своем составе в качестве базовой характеристики содержала нормальное состояние оборудования.
Вид функций принадлежности был определен на основе метода нечеткой кластеризации, который описан в третьем разделе настоящей диссертационной работы и представлен в Приложении Б.
В результате анализа были определены три возможных вида функций принадлежности:
-
гауссова, -
пи-подобная;
-
колоколообразная.
Следует отметить, что некоторые значения отношений концентраций газов, приведенных в Табл. 18, совпадают. С целью определения возможности оценки состояний однотипными и/или универсальными функциями принадлежности был выполнен анализ двух возможных решений (Табл. 13):
-
вариант с помощью объединения одинаковых значений в единые универсальные функции принадлежности; -
вариант с пятью функциями принадлежности для каждой входной переменной.
В ходе расчетов и при настройке системы было определено, что оптимальным является второй вариант – с пятью функциями принадлежности для каждой входной переменной. На основе положений, указанных в третьей главе диссертационной работы, разработаны нечеткие правила продукции, представленные в Табл. 17.
Таблица 17 – Нечеткие правила продукции для оценки состояния трансформатора на основе ХАРГ
| № | Нечеткие правила продукции |
| 1 | if (gr1 is f1) and (gr2 is f1) and (gr3 is f1) then (output1 is NF) |
| Электрический дефект | |
| 2 | if (gr1 is f1) and (gr2 is f2) and (gr3 is f1) then (output1 is LEPD) |
| 3 | if (gr1 is f2) and (gr2 is f1) and (gr3 is f1) then (output1 is HEPD) |
| 4 | if (gr1 is f3) and (gr2 is f2) and (gr3 is f2) then (output1 is LED) |
| 5 | if (gr1 is f2) and (gr2 is f2) and (gr3 is f3) then (output1 is HED) |
| Термический дефект | |
| 6 | if (gr1 is f1) and (gr2 is f1) and (gr3 is f2) then (output1 is T1) |
| 7 | if (gr1 is f1) and (gr2 is f2) and (gr3 is f1) then (output1 is T2) |
| 8 | if (gr1 is f1) and (gr2 is f2) and (gr3 is f2) then (output1 is T3) |
| 9 | if (gr1 is f1) and (gr2 is f2) and (gr3 is f3) then (output1 is T0) |
Таблица 18 – Возможные виды дефектов на основе ХАРГ
| Характер прогнозируемого дефекта | Отношение концентраций характерных газов | Обозначение функции | ||
| X | Y | Z | ||
| Нормальное состояние (NF) | <0.1 | 0.1-1 | <1 | f1 |
| Электрический дефект | ||||
| Частичные разряды с низкой плотностью энергии (LEPD) | <0.1 | <0.1 | <1 | f2 |
| Частичные разряды с высокой плотностью энергии (HEPD) | 0.1-3 | <0.1 | <1 | f3 |
| Разряды малой мощности (LED) | >0.1 | 0.1-1 | 1-3 | f4 |
| Разряды большой мощности (HED) | 0.1-3 | 0.1-1 | >3 | f5 |
| Термический дефект | ||||
| Термический дефект низкой температуры (<150°С) (T1) | <0.1 | 0.1-1 | 1-3 | f6 |
| Термический дефект в диапазоне низких температур (150-300°С) (T2) | <0.1 | >1 | <1 | f7 |
| Термический дефект в диапазоне средних температур (300-700°С) (T3) | <0.1 | >1 | 1-3 | f8 |
| Термический дефект высокой температуры (>700°С ) (T0) | <0.1 | >1 | >3 | f9 |
Сформированная структура нейро-нечеткого логического вывода для оценки состояния трансформаторов на основе данных ХАРГ представлена на Рис. 40. Основные характеристические параметры сети нейро-нечеткого логического вывода на основе данных ХАРГ и результаты расчетов приведены в Табл. 19.
Еще раз отметим, что использование такого критерия, как средняя ошибка обучения, уже проанализированного в третьей главе, в качестве основного критерия сравнения (оценивания) результатов расчетов модели с использованием различных видов функций принадлежности еще не гарантирует минимизацию ошибки на тестируемой выборке – ошибки тестирования. Ошибка тестирования характеризует способность модели к
обобщению, т. е. процедуру обучения 98. Поэтому сопоставление результатов работы модели при использовании различных видов функций принадлежности выполнены на базе комплексной характеристики с учетом как ошибки обучения, так и ошибки тестированияРисунок 40 – Структура нейро-нечеткого логического вывода для оценки состояния трансформатора на основе данных ХАРГ
Кроме того, необходимо оценить не просто размер ошибок обучения и тестирования, а выявить среди них ошибки первого рода – отказ от правильной гипотезы («ложный дефект») – и второго рода – принятие неправильной гипотезы («пропуск дефекта») 99. Это связано с тем, что предельно допустимое значение параметра имеет рассеивание на граничных областях, и одни и те же значения могут соответствовать как одному, так и другому состоянию.
Ошибка первого рода приводит к дополнительным предупредительным работам, а ошибка второго рода влечет за собой затраты, включающие не
только аварийный ремонт, но и износ оборудования и т.п.
Таблица 19 – Основные характеристические параметры сети для оценки состояния трансформатора на основе ХАРГ
| ANFIS данные | Значения | ||
| Электрический дефект | |||
| Тип функций принадлежности | Гауссова | Колоколо- образная | Пи-подобная |
| Число пар в обучающей выборке | 42 | 42 | 42 |
| Число пар в тестируемой выборке | 40 | 40 | 40 |
| Число узлов | 286 | 286 | 286 |
| Число линейных параметров | 500 | 500 | 500 |
| Число нелинейных параметров | 60 | 60 | 60 |
| Общее число параметров | 560 | 560 | 560 |
| Число нечетких правил | 125 | 125 | 125 |
| Средняя ошибка обучения, % | 0,051 | 0,054 | 0,046 |
| Средняя ошибка тестирования, % | 6,8 | 7,5 | 4,9 |
| Ошибки первого рода, шт. | 2 | 2 | 2 |
| Ошибки второго рода, шт. | 1 | 1 | 0 |
| Термический дефект | |||
| Тип функций принадлежности | Гауссова | Колоколо- образная | Пи-подобная |
| Число пар в обучающей выборке | 42 | 42 | 42 |
| Число пар в тестируемой выборке | 40 | 40 | 40 |
| Число узлов | 286 | 286 | 286 |
| Число линейных параметров | 500 | 500 | 500 |
| Число нелинейных параметров | 60 | 60 | 60 |
| Общее число параметров | 560 | 560 | 560 |
| Число нечетких правил | 125 | 125 | 125 |
| Средняя ошибка обучения, % | 0,053 | 0,054 | 0,047 |
| Средняя ошибка тестирования, % | 7,0 | 7,9 | 5,2 |
| Число ошибок первого рода | 2 | 3 | 2 |
| Число ошибок второго рода | 1 | 1 | 0 |