Вероятная модель для оценки состояния электротрансформатора на основе интегрированных диагностических характеристик

Точная оценка технического состояния силовых трансформаторов является одной из фундаментальных проблем современных энергетических систем. Традиционные подходы к диагностике часто основаны на эвристических пороговых значениях или экспертной интерпретации отдельных показателей, что ограничивает их способность учитывать неопределенность и изменчивость измерений.

В данной статье предлагается вероятностная модель оценки состояния силовых трансформаторов, основанная на комплексном наборе диагностических характеристик. Состояние трансформатора моделируется как скрытая случайная переменная, выводимая из наблюдаемых диагностических данных в рамках байесовской модели. Предлагаемый подход обеспечивает математически строгое представление диагностической неопределенности и позволяет вероятностно интерпретировать состояния трансформатора. Исследованы аналитические свойства модели, а численные эксперименты с использованием синтетических данных демонстрируют ее устойчивость к шуму и корреляции характеристик. Представленная модель предназначена для теоретического анализа и электронного моделирования диагностики трансформаторов.

1. Bishop, C. M. Pattern Recognition and Machine Learning. Springer.

2. . Murphy, K. P. Machine Learning: A Probabilistic Perspective. MIT Press.

3. . Kundur, P. Power Transformer Engineering. McGraw-Hill.

4. . IEC 60599. Guide to the Interpretation of Dissolved Gas Analysis.

5. . IEEE Std C57.104. Guide for the Interpretation of Gases Generated in Oil-Immersed Transformers.

6. . Zhou, H., Zhang, Y., & Li, P. Smart IoT Applications in Transformer Condition Monitoring // IEEE Access. – 2021; 9:124557-124568.

7. . Kumar, V., & Singh, R. Artificial Intelligence for Predictive Transformer Maintenance // Electric Power Systems Research. – 2022; 208:107864.

8. . Gupta, A. Statistical Modelling of Transformer Health in IoT-Integrated Networks // Energies. – 2023; 16(4):1442.

9. . Patel, R., Desai, M., & Khan, S. IoT-Enabled SCADA Systems for Smart Substations // IEEE Transactions on Industrial Informatics. – 2021; 17(9):6045-6057.

10. . Aliyev, F., & Yusupov, D. Real-Time Transformer Monitoring Using Edge Computing // Sensors. – 2024; 24(1):52-66.

11. . Li, J., Wang, X., & Zhang, Y. Intelligent condition monitoring of power transformers using IoT-enabled sensors and machine learning models // IEEE Transactions on Industrial Informatics. – 2023; 19(8):6543-6555. https://doi.org/10.1109/TII.2023.3248761

12. . Sharma, P., & Singh, R. Integration of IoT and SCADA for real-time monitoring and fault diagnosis in electrical substations // Electric Power Systems Research. – 2022; 212:108389. https://doi.org/10.1016/j.epsr.2022.108389

13. . Kumar, S., & Khan, M. A. A hybrid AI model for transformer health prediction based on ANN and SVM classifiers // Energy Reports. – 2021; 7:876-884. https://doi.org/10.1016/j.egyr.2021.01.039

14. . Bakar, A., Mohamad, H., & Yusuf, M. Internet of Things-based monitoring architecture for oil-immersed transformers. Sensors. – 2023; 23(5):2541. https://doi.org/10.3390/s23052541

15. . Tabrizi, M., & Gholami, M. Condition assessment of power transformers using health index and fuzzy inference systems // IEEE Access. – 2022; 10:100234100245. https://doi.org/10.1109/ACCESS.2022.3204523

16. . Rahman, M. A., & Islam, S. Machine learning and deep learning approaches for transformer fault diagnosis: A comparative study // Energies. – 2021; 14(17):5329. https://doi.org/10.3390/en14175329

17. . Ahmed, M. F., & Ali, Z. Thermal modeling and lifetime prediction of power transformers under IoT-based monitoring systems // Applied Energy. – 2023; 337:120929. https://doi.org/10.1016/j.apenergy.2023.120929

18. . Zhou, H., & Lin, J. Development of cloudbased predictive maintenance systems for smart grids using IoT data analytics // Renewable and Sustainable Energy Reviews. – 2022); 169:113013. https://doi.org/10.1016/j.rser.2022.113013

19. . Raj, A., & Mehta, R. Smart transformer monitoring through wireless sensor networks and SCADA integration // Measurement. – 2023; 215:112889. https://doi.org/10.1016/j.measurement.2023.112889

20. . Chen, D., & Zhao, L. Reliability estimation of power transformers using real-time IoT data and Bayesian networks // Electric Power Components and Systems. – 2024; 52(4-5):312-326. https://doi.org/10.1080/15325008.2024.2331123

21. . Aizpurua, J. I. Power transformer dissolved gas analysis through Bayesian networks and hypothesis testing / J. I. Aizpurua, V. M. Catterson, B. G. Stewart, S. D. J. McArthur, B. Lambert, J. G. Cross // IEEE Transactions on Dielectrics and Electrical Insulation. – 2018. – Vol. 25, No. 2. – Pp. 494-506. – DOI: 10.1109/TDEI.2018.006766

22. . Ali, M. S. A comprehensive review on dissolved gas analysis methods for power transformer condition monitoring / M. S. Ali, S. H. Bakar, N. Rahim, K. Y. Lau // IEEE Access. – 2023. – Vol. 11. – Pp. 6968869710. – DOI: 10.1109/ACCESS.2023.3291866.

23. . Arias Velásquez, R. M. Root cause analysis for power transformers failures using machine learning / R. M. Arias Velásquez, J. V. Mejía Lara // Engineering Failure Analysis. – 2020. – Vol. 115. – Art. 104684. – DOI: 10.1016/j.engfailanal.2020.104684.

24. . Bacha, K. Power transformer fault diagnosis based on dissolved gas analysis by support vector machine / K. Bacha, S. Souahlia, M. Gossa // Electric Power Systems Research. – 2012. – Vol. 83, No. 1. – Pp. 73-79. – DOI: 10.1016/j.epsr.2011.09.012.

25. . Bakar, N. A. A review of dissolved gas analysis measurement and interpretation techniques / N. A. Bakar, A. Abu-Siada, S. Islam // IEEE Electrical Insulation Magazine. – 2014. – Vol. 30, No. 3. – Pp. 39-49. – DOI: 10.1109/MEI.2014.6804740

26. . Bengio, Y. Learning long-term dependencies with gradient descent is difficult / Y. Bengio, P. Simard, P. Frasconi // IEEE Transactions on Neural Networks. – 1994. – Vol. 5, No. 2. – Pp. 157-166.

27. . Benmahamed, Y. Accuracy improvement of transformer faults diagnostic based on DGA data using SVM-BA classifier / Y. Benmahamed, M. Teguar, A. Boubakeur // Energies. – 2017. – Vol. 10, No. 12. – Art. 2061. – DOI: 10.3390/en10122061.

28. . Benmahamed, Y. Application of SVM and KNN to Duval Pentagon 1 for transformer oil diagnosis / Y. Benmahamed, Y. Kemari, M. Teguar, A. Boubakeur // IEEE Transactions on Dielectrics and Electrical Insulation. – 2017. – Vol. 24, No. 6. – Pp. 3443-3451.

29. . Bhalla, D. Applications of artificial intelligence techniques in dissolved gas analysis: A review / D. Bhalla, R. K. Bansal, H. O. Gupta // International Journal of Electrical Power & Energy Systems. – 2010. – Vol. 32, No. 8. – Pp. 871-884.

30. . Breiman, L. Random forests / L. Breiman // Machine Learning. – 2001. – Vol. 45, No. 1. – Pp. 5-32. – DOI: 10.1023/A:1010933404324.

31. . Chen, T. XGBoost: A scalable tree boosting system / T. Chen, C. Guestrin // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. – San Francisco, CA, USA, 2016. – Pp. 785-794. – DOI: 10.1145/2939672.2939785.

32. . CIGRE Technical Brochure 227. Life Management Techniques for Power Transformers. – Paris: CIGRE, 2003. – 129 p.

33. . CIGRE Technical Brochure 349. Moisture Equilibrium and Moisture Migration Within Transformer Insulation Systems. – Paris: CIGRE, 2008. – 62 p.

34. . Халясмаа, А. И. Система поддержки принятия решений для оценки технического состояния электрооборудования подстанций: дис. … канд. техн. наук: 05.14.02 / Халясмаа Александра Ильинична. – Екатеринбург, 2015. – 188 с.

35. . Халясмаа, А. И. Оценка технического состояния электрооборудования распределительных сетей: учеб. пособие / А. И. Халясмаа, С. А. Дмитриев. – Екатеринбург: Изд-во Урал. ун-та, 2015. – 160 с.

36. . Хренников, А. Ю. Диагностика силовых автотрансформаторов: опыт применения и перспективы развития / А. Ю. Хренников // Электрические станции. – 2018. – № 2. – С. 27-34.

37. . Хренников, А. Ю. Системы диагностики силовых автотрансформаторов на основе экспертных и нейросетевых методов / А. Ю. Хренников, А. В. Майоров, Н. М. Шакурин. – М.: НТФ «Энергопрогресс», 2016. – 208 с.

38. . Цирель, Я. А. Эксплуатация силовых автотрансформаторов на электростанциях / Я. А. Цирель. – М.: Энергоатомиздат, 1990. – 256 с.

39. . Шакирзянов, Ф. Н. Применение искусственных нейронных сетей для диагностики автотрансформаторов / Ф. Н. Шакирзянов, А. Р. Сафин // Энергетика Татарстана. – 2019. – № 2 (54). – С. 23-29.

40. . Шутенко, О. В. Методы диагностики силовых автотрансформаторов на основе анализа растворённых в масле газов: сравнительный анализ / О. В. Шутенко // Технічна електродинаміка. – 2018. – № 3. – С. 77-86.

41. . ГОСТ 11677-85. Автотрансформаторы силовые. Общие технические условия. – Введ. 1986-0701. – М.: Изд-во стандартов, 1985. – 30 с.