Разработка нечеткой нейронной сети для интерпретации результатов анализа растворенных в масле газов
Разработана и обучена нечеткая нейронная сеть для интерпретации результатов хроматографического анализа растворенных в масле газов. Предложено определять функции принадлежности лингвистических термов с учетом функций плотностей распределения концентраций газов для трансформаторов с различным состо...
Gespeichert in:
| Veröffentlicht in: | Електротехніка і електромеханіка |
|---|---|
| Datum: | 2017 |
| Hauptverfasser: | , |
| Format: | Artikel |
| Sprache: | Russian |
| Veröffentlicht: |
Інститут технічних проблем магнетизму НАН України
2017
|
| Schlagworte: | |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/147558 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Разработка нечеткой нейронной сети для интерпретации результатов анализа растворенных в масле газов / В.Е. Бондаренко, О.В. Шутенко // Електротехніка і електромеханіка. — 2017. — № 2. — С. 49-56. — Бібліогр.: 16 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-147558 |
|---|---|
| record_format |
dspace |
| spelling |
Бондаренко, В.Е. Шутенко, О.В. 2019-02-15T09:36:24Z 2019-02-15T09:36:24Z 2017 Разработка нечеткой нейронной сети для интерпретации результатов анализа растворенных в масле газов / В.Е. Бондаренко, О.В. Шутенко // Електротехніка і електромеханіка. — 2017. — № 2. — С. 49-56. — Бібліогр.: 16 назв. — рос. 2074-272X DOI: https://doi.org/10.20998/2074-272X.2017.2.08 https://nasplib.isofts.kiev.ua/handle/123456789/147558 621.314 Разработана и обучена нечеткая нейронная сеть для интерпретации результатов хроматографического анализа растворенных в масле газов. Предложено определять функции принадлежности лингвистических термов с учетом функций плотностей распределения концентраций газов для трансформаторов с различным состоянием. Выполнено тестирование обученной сети на независимой выборке. Проанализированы возможности нейронных сетей распознавать развивающиеся дефекты на ранней стадии их развития, или рост концентраций газов в исправных трансформаторах, после аварийных воздействий со стороны электрических сетей. Розроблена і навчена нечітка нейронна мережа для інтерпретації результатів хроматографічного аналізу розчинених у маслі газів. Запропоновано визначати функції принадлежності лінгвістичних термів з урахуванням функцій щільності розподілу концентрацій газів для трансформаторів з різним станом. Виконано тестування навченої мережі на незалежній вибірці. Проаналізовано можливості нейронних мереж розпізнавати дефекти на ранній стадії їх розвитку, або зростання концентрацій газів в справних трансформаторах, після аварійних впливів з боку електричних мереж. Purpose. The purpose of this paper is a diagnosis of power transformers on the basis of the results of the analysis of gases dissolved in oil. Methodology. To solve this problem a fuzzy neural network has been developed, tested and trained. Results. The analysis of neural network to recognize the possibility of developing defects at an early stage of their development, or growth of gas concentrations in the healthy transformers, made after the emergency actions on the part of electric networks is made. It has been established greatest difficulty in making a diagnosis on the criterion of the boundary gas concentrations, are the results of DGA obtained for the healthy transformers in which the concentration of gases dissolved in oil exceed their limit values, as well as defective transformers at an early stage development defects. The analysis showed that the accuracy of recognition of fuzzy neural networks has its limitations, which are determined by the peculiarities of the DGA method, used diagnostic features and the selected decision rule. Originality. Unlike similar studies in the training of the neural network, the membership functions of linguistic terms were chosen taking into account the functions gas concentrations density distribution transformers with various diagnoses, allowing to consider a particular gas content of oils that are typical of a leaky transformer, and the operating conditions of the equipment. Practical value. Developed fuzzy neural network allows to perform diagnostics of power transformers on the basis of the result of the analysis of gases dissolved in oil, with a high level of reliability. ru Інститут технічних проблем магнетизму НАН України Електротехніка і електромеханіка Електричні станції, мережі і системи Разработка нечеткой нейронной сети для интерпретации результатов анализа растворенных в масле газов Development of fuzzy neural network for the interpretation of the results of dissolved in oil gases analysis Article published earlier |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| title |
Разработка нечеткой нейронной сети для интерпретации результатов анализа растворенных в масле газов |
| spellingShingle |
Разработка нечеткой нейронной сети для интерпретации результатов анализа растворенных в масле газов Бондаренко, В.Е. Шутенко, О.В. Електричні станції, мережі і системи |
| title_short |
Разработка нечеткой нейронной сети для интерпретации результатов анализа растворенных в масле газов |
| title_full |
Разработка нечеткой нейронной сети для интерпретации результатов анализа растворенных в масле газов |
| title_fullStr |
Разработка нечеткой нейронной сети для интерпретации результатов анализа растворенных в масле газов |
| title_full_unstemmed |
Разработка нечеткой нейронной сети для интерпретации результатов анализа растворенных в масле газов |
| title_sort |
разработка нечеткой нейронной сети для интерпретации результатов анализа растворенных в масле газов |
| author |
Бондаренко, В.Е. Шутенко, О.В. |
| author_facet |
Бондаренко, В.Е. Шутенко, О.В. |
| topic |
Електричні станції, мережі і системи |
| topic_facet |
Електричні станції, мережі і системи |
| publishDate |
2017 |
| language |
Russian |
| container_title |
Електротехніка і електромеханіка |
| publisher |
Інститут технічних проблем магнетизму НАН України |
| format |
Article |
| title_alt |
Development of fuzzy neural network for the interpretation of the results of dissolved in oil gases analysis |
| description |
Разработана и обучена нечеткая нейронная сеть для интерпретации результатов хроматографического анализа
растворенных в масле газов. Предложено определять функции принадлежности лингвистических термов с учетом
функций плотностей распределения концентраций газов для трансформаторов с различным состоянием. Выполнено
тестирование обученной сети на независимой выборке. Проанализированы возможности нейронных сетей распознавать развивающиеся дефекты на ранней стадии их развития, или рост концентраций газов в исправных трансформаторах, после аварийных воздействий со стороны электрических сетей.
Розроблена і навчена нечітка нейронна мережа для інтерпретації результатів хроматографічного аналізу розчинених
у маслі газів. Запропоновано визначати функції принадлежності лінгвістичних термів з урахуванням функцій щільності розподілу концентрацій газів для трансформаторів з різним станом. Виконано тестування навченої мережі на
незалежній вибірці. Проаналізовано можливості нейронних мереж розпізнавати дефекти на ранній стадії їх розвитку, або зростання концентрацій газів в справних трансформаторах, після аварійних впливів з боку електричних мереж.
Purpose. The purpose of this paper is a diagnosis of power
transformers on the basis of the results of the analysis of gases
dissolved in oil. Methodology. To solve this problem a fuzzy
neural network has been developed, tested and trained. Results.
The analysis of neural network to recognize the possibility of
developing defects at an early stage of their development, or
growth of gas concentrations in the healthy transformers, made
after the emergency actions on the part of electric networks is
made. It has been established greatest difficulty in making a
diagnosis on the criterion of the boundary gas concentrations,
are the results of DGA obtained for the healthy transformers in
which the concentration of gases dissolved in oil exceed their
limit values, as well as defective transformers at an early stage
development defects. The analysis showed that the accuracy of
recognition of fuzzy neural networks has its limitations, which
are determined by the peculiarities of the DGA method, used
diagnostic features and the selected decision rule. Originality.
Unlike similar studies in the training of the neural network, the
membership functions of linguistic terms were chosen taking
into account the functions gas concentrations density distribution transformers with various diagnoses, allowing to consider a
particular gas content of oils that are typical of a leaky transformer, and the operating conditions of the equipment. Practical
value. Developed fuzzy neural network allows to perform diagnostics of power transformers on the basis of the result of the
analysis of gases dissolved in oil, with a high level of reliability.
|
| issn |
2074-272X |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/147558 |
| citation_txt |
Разработка нечеткой нейронной сети для интерпретации результатов анализа растворенных в масле газов / В.Е. Бондаренко, О.В. Шутенко // Електротехніка і електромеханіка. — 2017. — № 2. — С. 49-56. — Бібліогр.: 16 назв. — рос. |
| work_keys_str_mv |
AT bondarenkove razrabotkanečetkoineironnoisetidlâinterpretaciirezulʹtatovanalizarastvorennyhvmaslegazov AT šutenkoov razrabotkanečetkoineironnoisetidlâinterpretaciirezulʹtatovanalizarastvorennyhvmaslegazov AT bondarenkove developmentoffuzzyneuralnetworkfortheinterpretationoftheresultsofdissolvedinoilgasesanalysis AT šutenkoov developmentoffuzzyneuralnetworkfortheinterpretationoftheresultsofdissolvedinoilgasesanalysis |
| first_indexed |
2025-11-25T07:14:09Z |
| last_indexed |
2025-11-25T07:14:09Z |
| _version_ |
1850506725531058176 |
| fulltext |
Електричні станції, мережі і системи
ISSN 2074-272X. Електротехніка і Електромеханіка. 2017. №2 49
© В.Е. Бондаренко, О.В. Шутенко
УДК 621.314 doi: 10.20998/2074-272X.2017.2.08
В.Е. Бондаренко, О.В. Шутенко
РАЗРАБОТКА НЕЧЕТКОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ИНТЕРПРЕТАЦИИ
РЕЗУЛЬТАТОВ АНАЛИЗА РАСТВОРЕННЫХ В МАСЛЕ ГАЗОВ
Розроблена і навчена нечітка нейронна мережа для інтерпретації результатів хроматографічного аналізу розчинених
у маслі газів. Запропоновано визначати функції принадлежності лінгвістичних термів з урахуванням функцій щільно-
сті розподілу концентрацій газів для трансформаторів з різним станом. Виконано тестування навченої мережі на
незалежній вибірці. Проаналізовано можливості нейронних мереж розпізнавати дефекти на ранній стадії їх розвит-
ку, або зростання концентрацій газів в справних трансформаторах, після аварійних впливів з боку електричних ме-
реж. Бібл. 16, табл. 3, рис. 9.
Ключові слова: діагностика трансформаторів, аналіз розчинених у маслі газів, особливості вмісту газів, рівні концен-
трацій, нечіткі нейронні мережі, функції приналежності, розподіл Вейбулла, навчання мережі, нечіткий висновок,
помилкові рішення.
Разработана и обучена нечеткая нейронная сеть для интерпретации результатов хроматографического анализа
растворенных в масле газов. Предложено определять функции принадлежности лингвистических термов с учетом
функций плотностей распределения концентраций газов для трансформаторов с различным состоянием. Выполнено
тестирование обученной сети на независимой выборке. Проанализированы возможности нейронных сетей распозна-
вать развивающиеся дефекты на ранней стадии их развития, или рост концентраций газов в исправных трансфор-
маторах, после аварийных воздействий со стороны электрических сетей. Библ. 16, табл. 3, рис. 9.
Ключевые слова: диагностика трансформаторов, анализ растворенных в масле газов, особенности газосодержания,
уровни концентраций, нечеткие нейронные сети, функции принадлежности, распределение Вейбулла, обучение сети,
нечеткий вывод, ошибочные решения.
Введение. Одним из путей повышения эксплуа-
тационной надежности высоковольтного электроэнер-
гетического оборудования, особенно того, что экс-
плуатируется за пределами нормативного срока служ-
бы, является усовершенствование существующих ме-
тодов и средств контроля для получения диагностиче-
ской информации, разработка математических моде-
лей и алгоритмов оценки технического состояния
электрооборудования. Наиболее перспективным, по
мнению авторов, направлением такого усовершенст-
вования является разработка компьютерных систем
технической диагностики с использованием аппарата
нечеткой логики и нейронных сетей, которые способ-
ны обеспечить повышение достоверности распозна-
вания и прогнозирования технического состояния и
ресурса объекта.
Анализ публикаций. В настоящее время для
обнаружения развивающихся дефектов и распознава-
ния их типа как отечественными [1-6], так и зарубеж-
ными [7-11] исследователями широко используются
математический аппарат нечеткой логики и нейрон-
ных сетей. В большинстве из опубликованных работ в
качестве решающего правила используются междуна-
родные, национальные или ведомственные стандарты
или методики по интерпретации результатов хромато-
графического анализа растворенных в масле газов
(ХАРГ). При использовании аппарата нечеткой логи-
ки вид функции принадлежности, а также их числен-
ные характеристики задаются исходя из экспертных
оценок или же из действующих стандартов. Как пра-
вило, при обучении и тестировании разработанных
систем нечеткого вывода или нейронных сетей ис-
пользовались либо результаты ХАРГ соответствую-
щие исправному либо дефектному состоянию обору-
дования. Но при этом не учитывались особенности
газосодержания масел в исправных трансформаторах,
которые обусловлены особенностями конструктивно-
го исполнения, условиями эксплуатации и рядом дру-
гих факторов. Кроме того, несмотря на достаточно
большое количество публикаций по использованию
нейронных сетей для интерпретации результатов
ХАРГ, ряд вопросов остается неосвещенными. В ча-
стности не рассмотрены, вопросы, связанные с воз-
можностью нейронных сетей распознавать разви-
вающиеся дефекты на ранней стадии их развития, или
рост концентраций газов в исправных трансформато-
рах, после аварийных воздействий со стороны элек-
трических сетей. Последние обстоятельства и послу-
жили поводом для написания данной статьи.
Целью данной работы является разработка,
обучение и тестирование нечеткой нейронной сети,
для диагностики силовых трансформаторов по ре-
зультатам ХАРГ, а также анализ возможности дан-
ной сети распознавать развивающиеся дефекты на
ранней стадии их развития и рост концентраций
газов в исправных трансформаторах, в результате
внешних воздействий.
Исходные данные для обучения сети. Для обу-
чения сети использовались результаты ХАРГ по До-
нецкой, Луганской, Сумской и Харьковской областям,
Украины. Всего проанализированы результаты на-
блюдений по 426 трансформаторам напряжением 110
и 330 кВ, негерметичного исполнения. Анализируе-
мые трансформаторы отличаются и по классу напря-
жения, и по номинальной мощности, и по конструк-
ции, а самое главное – по условиям эксплуатации, т.е.
по значениям загрузки, по частоте и уровню воздей-
ствия токов короткого замыкания, по кратности воз-
действий перенапряжений и т.д. Все это приводит к
тому, что значения концентраций газов изменяются в
достаточно широком диапазоне значений. Для удоб-
ства анализа значений концентраций газов были
50 ISSN 2074-272X. Електротехніка і Електромеханіка. 2017. №2
использованы уровни концентраций, которые реко-
мендованы в [12], для диагностики состояния высоко-
вольтного оборудования напряжением до 330 кВ.
Значения концентраций газов соответствующие раз-
ным уровням приведены в табл. 1. Согласно [12] если
значения концентраций газов соответствуют уровню
1, то это свидетельствует о нормальном, бездефект-
ном состоянии оборудования. Если концентрация хо-
тя бы одного из газов соответствует уровню 2, то ре-
шение о состоянии оборудования, принимается на
основании анализа значений скоростей нарастания
суммы газов углеводородного ряда (дефект считается
«присутствующим», если эта скорость превышает 30
мл/сутки). Если значения концентраций хотя бы од-
ного из газов соответствует уровню 3, то прогнозиру-
ется наличие дефекта без учета скорости нарастания
концентраций газов.
Таблица 1
Уровни состояния маслонаполненного оборудования
по значениям концентраций газов
Растворенные в масле газы Уровень кон-
центраций H2 CH4 C2H6 C2H4 C2H2
1 <0,01 <0,005 <0,005 <0,0015 <0,00005
2
0,01-
0,015
0,005-
0,012
0,005-
0,01
0,0015-
0,01
0,00005-
0,001
3 >0,015 >0,012 >0,005 >0,0015 >0,001
Выполненный анализ показал, что из 7393 ре-
зультатов измерения концентраций водорода 5161
(Н2) значение или 69,81 % не превышало предела
обнаружения хроматографа. Еще 2106 значений
(28,49 %) концентраций, не превышали значения
аналитического порога распознавания (0,005 % об.),
регламентированного в [12]. Только 71 значение
(0,96 %) соответствовало уровню 1 (менее 0,01 %
об.). Уровню 2 (0,01-0,015 % об.), соответствовали
26 значений (0,35 %), а уровню 3 (более 0,015 % об.)
– 29 значений (0,39 %).
Концентрации метана (СН4) ниже предела об-
наружения хроматографом выявлены в 2304 пробах
масла, что составляет 31,6 % всех наблюдений по
данному газу, еще 3342 (45,2 %) концентраций мета-
на имели значения ниже аналитического порога рас-
познавания (0,0015 % об.). Уровню 1 (до 0,005 % об.)
соответствовали 1160 значений (15,69 %), уровню2
(0,005-0,012 % об.) – 367 значений (4,96 %), а уров-
ню 3 (более 0,012) – 220 значений (2,98 %).
Концентрации этана (С2Н6) не превышают преде-
ла обнаружения хроматографа в 1957 пробах (26,47 %),
еще в 4485 пробах масла (60,67 %), концентрации
этана не превышали аналитического порога распозна-
вания (0,0015 % об.). Уровню 1 (до 0,005 % об.) соот-
ветствовали 619 значений концентраций (8,37 %),
уровню 2 (0,005-0,01 % об.) – 153 значения (4,96 %), а
уровню 3 (более 0,01 % об.) – 179 значений (2,42 %).
Из 7393 значений концентраций этилена (С2Н4),
ниже предела обнаружения хроматографом выявле-
но 1090 значений (14,74 %), 3763 (50,90 %) не пре-
вышали аналитического порога распознавания (ко-
торый составляет 0,0015 % об.). Здесь следует
учесть, что для этилена значения аналитического
уровня распознавания совпадают со значением верх-
ней границы уровня 1. В связи с этим, в дальнейшем
для этилена все значения соответствующие уровню 1
отнесены к значениям, не превышающим аналитиче-
ского порога распознавания. В 1914 пробах, значе-
ния концентраций этилена (25,89 %) соответствуют
уровню 2 (0,0015-0,01 % об.), а 626 значений этилена
(8,47 %) соответствуют уровню 3 (более 0,01 % об.).
Концентрации ацетилена (С2Н2) не превышаю-
щие предела обнаружения хроматографом выявлены в
4551 пробе масла, что составляет 61,56 % всех на-
блюдений по данному газу еще 1602 значения (21,67
%) концентраций ацетилена имели значения ниже
аналитического порога распознавания. В связи тем,
что для ацетилена уровень распознавания (0,0003 %
об.) превышает верхнюю границу уровня 1 (0,00005 %
об.) значения ацетилена с концентрациями выше ана-
литического порога распознавания, но ниже уровня 3
отнесены к уровню 2 (от 0,00005 до 0,001 % об.).
Уровню 2 соответствовали 982 значения (13,28 %), а
уровню 3 (более 0,001 % об.) – 258 значений (3,49 %).
Таким образом, на основании анализа установ-
лено, что, в исправных трансформаторах негерметич-
ного исполнения возможно превышение концентра-
циями газов, верхних граничных значений уровня 2,
что может быть интерпретировано как наличие де-
фекта. Наибольшую вероятность превышения гра-
ничного значения уровня 2 выявлено у этилена, потом
ацетилена, метана, этана и меньше всего у водорода.
В тоже время, наибольшую вероятность реализа-
ции концентраций газов ниже аналитического порога
распознавания имеет водород, далее ацетилен, этан и
метан. Для этилена данная вероятность является са-
мой низкой. Максимальное количество значений с
концентрациями выше аналитического порога распо-
знавания имеет С2Н4 (2540 значений или 34,36 %).
Далее следует СН4 (1747 значений или 23,63 %), по-
том С2Н2 (1240 значений или 16,77 %). Меньше всего
значений с концентрациями выше аналитического
порога распознавания выявлено у С2Н6 (951 значение
или 12,86 %) и Н2 (126 значений или 1,70 %).
Полученные результаты позволяют сделать вы-
вод о том, что в исправных трансформаторах, значе-
ния концентраций могут соответствовать значениям
характерным для дефектного состояния (уровень 3).
Как показал анализ, выполненный в работах [13-14]
одной из основных причин превышения концентра-
ций газов граничных значений, в бездефектных
трансформаторах являются аварийные воздействия со
стороны электрических сетей (короткие замыкания,
перенапряжения, перегрузки и т.д.).
Для обучения нейронной сети были использова-
ны результаты ХАРГ, для дефектного оборудования,
которые получены как в результате сотрудничества
авторов с энергетическими компаниями Украины, так
и из открытых отечественных и зарубежных литера-
турных источников. Общий объем выборочных зна-
чений составил 1103 измерения. Распределение выбо-
рочных значений по типам дефектов приведено
в табл. 2. Как видно из таблицы в представленной к
анализу выборке, разные типы дефекта имеют разный
объем выборочных значений, т.е. разную вероятность
их появления. Наибольшее число дефектов связано с
перегревами в диапазоне температур выше 700 С
ISSN 2074-272X. Електротехніка і Електромеханіка. 2017. №2 51
(в таблице обозначен как перегрев высоких темпера-
тур) и перегревами в области высоких температур,
которые сопровождаются электрическими разрядами.
Меньше всего наблюдений приходится на электриче-
ские разряды низкой энергии и перегревы, переходя-
щие в дуговой разряд. Выполненный анализ показал,
что в дефектном оборудовании значения концентра-
ций газов, существенно зависят от стадии развития
дефекта, при этом на начальных стадиях значения
концентраций могут и не превышать граничных зна-
чений, соответствующих уровню 3 [12], но по мере
развития дефекта значения концентраций возрастают.
Еще одним немаловажным фактором, влияющим на
значения концентраций отдельных газов, является тип
дефекта. Как правило, максимальные значения кон-
центраций, наблюдаются у газов, характерных для
данного типа дефектов. Для сопутствующих газов
значения концентраций несколько меньше. В тоже
время, значения концентраций газов, не характерных
для данного типа дефекта имеют значения соответст-
вующие либо уровням 1 или 2, либо же вообще не
превышают предела обнаружения хроматографа.
Таблица 2
Распределение выборочных значений по типам дефектов
№ Тип дефект
Объем
выборки
1 Частичные разряды 115
2 Частичные разряды высокой интенсивности 15
3 Искровые и ползучие разряды 81
4 Разряды низкой энергии 17
5 Дуговой разряд (Н2) 67
6 Дуговой разряд (С2Н2) 43
7 Разряды большой энергии (С2Н2) 53
8 Перегревы низких температур (СН4) 48
9 Перегревы низких температур (С2Н6) 57
10 Перегревы средних температур (СН4) 68
11 Перегревы средних температур (С2Н4) 81
12 Перегревы высоких температур (С2Н4) 260
13 Перегревы низких температур и разряды 35
14 Перегревы переходящие в дугу (СН4) 16
15 Перегревы переходящие в разряды (С2Н6) 27
16 Перегревы высоких температур и разряды 120
Примечание: в скобках приведен газ с максимальной кон-
центрацией.
Каждому результату измерений концентраций
газов был присвоен код, соответствующий уровням
концентраций из таблицы 1. Кодировка диагнозов
трансформаторов приведена в табл. 3.
Таблица 3
Кодировка диагнозов трансформаторов
Код Диагноз
1 Исправное состояние
2 Подозрительное состояние
3 Дефектное состояние
Обучение нечеткой нейронной сети. Далее бы-
ла разработана нечеткая нейронная сеть топология,
которой приведена на рис. 1. У созданной сети 15
входов, по три входа по каждому из газов. Количество
циклов обучения созданной нечеткой нейронной сети
составило 300 эпох.
Рис. 1. Топология нечеткой нейронной сети
На рис. 2 показана зависимость ошибки обуче-
ния от количества циклов обучения.
Рис. 2. Зависимость ошибки обучения нечеткой нейронной
сети от количества циклов обучения
Как видно из рис. 2 снижение погрешности обу-
чения наблюдается примерно до середины интервала
обучения. Дальнейшее увеличение числа циклов обу-
чения не приводит к повышению достоверности рас-
познавания. Для снижения погрешности был исполь-
зован аппарат нечеткой логики.
Этап фаззификации. На данном этапе были вы-
делены входные лингвистические переменные:
ЛПвх 1: <концентрация водорода>
ЛПвх 2: <концентрация метана>
ЛПвх 3: < концентрация этана >
ЛПвх 4: < концентрация этилена >
ЛПвх 5: < концентрация ацетилена >
Далее ЛПвх i делится на несколько лингвистиче-
ских термов ЛТij характеризующих особенности со-
стояния данной переменной:
ЛТij, j=1…n,
где: j – номер терма ЛПвх i, n – количество термов, на
которое разбито – ЛПвх i.
Разбиение на термы для каждого из газов прово-
дилось следующим образом:
ЛПвх 1 разделена на три ЛТ
ЛТ11: < концентрация в пределах нормы – 1>
ЛТ12: < подозрительная концентрация – 2>
ЛТ13: < дефектная концентрация – 3>
ЛПвх 2 разделена на три ЛТ
ЛТ21: < концентрация в пределах нормы – 1>
ЛТ22: < подозрительная концентрация – 2>
ЛТ23: < дефектная концентрация – 3>
ЛПвх 3 разделена на три ЛТ
ЛТ31: < концентрация в пределах нормы – 1>
ЛТ32: < подозрительная концентрация – 2>
ЛТ33: < дефектная концентрация – 3>
ЛПвх 4 разделена на три ЛТ
52 ISSN 2074-272X. Електротехніка і Електромеханіка. 2017. №2
ЛТ41: < концентрация в пределах нормы – 1>
ЛТ42: < подозрительная концентрация – 2>
ЛТ43: < дефектная концентрация – 3>
ЛПвх 5 разделена на три ЛТ
ЛТ51: < концентрация в пределах нормы – 1>
ЛТ52: < подозрительная концентрация – 2>
ЛТ53: < дефектная концентрация – 3>
Определение функций принадлежности, является
достаточно сложной задачей. Для того, чтобы вы-
бранные функции принадлежности и их границы наи-
более адекватно описывали результаты хроматогра-
фического анализа, использовались функции плотно-
сти распределения концентраций газов для исправно-
го и дефектного состояний [15]. В качестве примера
на рис. 3, приведены плотности теоретических рас-
пределений Вейбулла для концентраций метана, по-
лученных для исправных трансформаторов (D1), ис-
правных трансформаторов после аварийных воздей-
ствий со стороны электрических сетей (D12) и транс-
форматоров у которых выявлен дефект (D2).
D 2
D 1
0
0,02
0,04
0,06
0,08
0,1
0,12
0,14
0,16
0,18
0,2
0,22
0,24
0,26
0,28
0,3
0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
CH4, % об.
p (CH4)
D 12
Рис. 3. Плотности теоретических распределений метана
для трансформаторов с разным состоянием
В качестве функции принадлежности очень
удобно использовать трапецеидальную функцию, сте-
пень принадлежности которой имеет максимальное
значение в середине интервала и снижается по его
краям. В качестве границ для ЛТ1 всех лингвистиче-
ских переменных были выбраны границы соответст-
вующие функциям плотностей распределения кон-
центраций газов, для трансформаторов с разным со-
стоянием (см. рис. 3). Значения границ для ЛТ2 и ЛТ3
всех лингвистических переменных выбирались на
основе функций плотностей распределения. На рис. 4
приведены функции принадлежности метана для трех
лингвистических термов. Как видно из рис. 4 функции
принадлежности выбраны таким образом, чтобы
учесть как рекомендации СОУ-Н ЕЕ 46.501:2006, так
и опыт эксплуатации отраженный в виде функций
плотности распределения.
Выходные лингвистические переменные име-
ют вид:
ЛПвых 1: <Значения концентраций в пределах нормы – 1>
ЛПвых 2: <Значения концентраций выше нормы – 2>
ЛПвых 3: <Значения концентраций соответствуют
наличию дефекта– 3>
Разбиение на термы проводилось следующим
образом:
ЛПвых 1 разделена на два ЛТ
ЛТ11: <Соответствует – Y>
ЛТ12: <Не соответствует – N>
ЛПвых 2 разделена на два ЛТ
ЛТ21: <Соответствует – Y>
ЛТ22: < Не соответствует – N >
ЛПвых 3 разделена на два ЛТ
ЛТ31: <Соответствует – Y>
ЛТ32: < Не соответствует – N >
В качестве функций принадлежности для каждо-
го из термов была выбрана треугольная функция.
Рис. 4. Функции принадлежности трех лингвистических
термов для, лингвистической переменной содержание
метана в масле
Этап вычисления правила. Система с нечеткой
логикой должна иметь базу правил, которая, по сути
представляет собой эмпирические знания эксперта о
механизме управления. Для вычисления правил ис-
пользуются нечеткие входы, полученные от блока
фаззификации, и правила, находящиеся в базе зна-
ний. В левой части правил перебираются возможные
ситуации на входе системы, а в правой части указы-
вается, какая ЛП описывает правильную реакцию
системы. В качестве решающего правила была реа-
лизована методика распознавания регламентирован-
ная в [9]. Сокращенно базу правил можно предста-
вить в виде:
Правило 1: ЕСЛИ [Н21] И [СН41] И [С2Н61] И
[С2Н41] И [С2Н21] ТО [D 1];
Правило 2: ЕСЛИ [Н22] И [СН41] И [С2Н61] И
[С2Н41] И [С2Н21] ТО [D 2];
Правило 3: ЕСЛИ [Н21] И [СН42] И [С2Н61] И
[С2Н41] И [С2Н21] ТО [D 2];
Правило 6: ЕСЛИ [Н21] И [СН41] И [С2Н61] И
[С2Н41] И [С2Н22] ТО [D 2];
Правило 7: ЕСЛИ [Н22] И [СН42] И [С2Н61] И
[С2Н41] И [С2Н21] ТО [D 2];
Правило 17: ЕСЛИ [Н21] И [СН41] И [С2Н61] И
[С2Н42] И [С2Н22] ТО [D 2];
Правило 18: ЕСЛИ [Н22] И [СН42] И [С2Н62] И
[С2Н41] И [С2Н21] ТО [D 2];
Правило 27: ЕСЛИ [Н21] И [СН41] И [С2Н62] И
[С2Н42] И [С2Н22] ТО [D 2];
Правило 28: ЕСЛИ [Н22] И [СН42] И [С2Н62] И
[С2Н42] И [С2Н21] ТО [D 2];
Правило 48: ЕСЛИ [Н21 ИЛИ Н22 ] И [СН41
ИЛИ СН42] И [С2Н61 ИЛИ С2Н62] И [С2Н43] И
[С2Н23] ТО [D 3];
ISSN 2074-272X. Електротехніка і Електромеханіка. 2017. №2 53
Правило 49: ЕСЛИ [Н23] И [СН43] И [С2Н63] И
[С2Н41 ИЛИ С2Н42] И [С2Н21 ИЛИ С2Н22] ТО
[D 3];
Правило 63: ЕСЛИ [Н21 ИЛИ Н22 ] И [СН43] И
[С2Н63] И [С2Н43] И [С2Н23] ТО [D 3];
Правило 64: ЕСЛИ [Н23] И [СН43] И [С2Н63] И
[С2Н43] И [С2Н23] ТО [D 3];
Этап дефаззификации. На данном этапе проис-
ходит преобразование нечеткой информации, содер-
жащейся в виде достоверности лингвистического
терма, в четко определенное значение. Дефаззифи-
кация производится по фигуре, полученной путем
сложения всех функций принадлежности термов
входной переменной. В качестве метода дефаззифи-
кации был принят метод правого модального значе-
ния, который обеспечивает наибольшую достовер-
ность при определении степени принадлежности
выходных переменных.
Тестирование нечеткой нейронной сети. Обу-
ченная сеть была протестирована на независимой вы-
борке (значения, которой не использовались при обу-
чении). Для удобства анализа тестовые данные были
разбиты согласно известным диагнозам на три груп-
пы. Результаты тестирования для исправных транс-
форматоров, значения концентраций которых не пре-
вышают значений для уровня 1, из табл. 1, приведены
на рис. 5.
Рис. 5. Результаты тестирования нечеткой нейронной сети
для результатов ХАРГ трансформаторов не имеющих
дефекта
Как видно из рис. 5, нечеткая нейронная сеть
безошибочно отнесла представленные к распознава-
нию данные к уровню 1. Далее обученной нейронной
сети были представлены к распознаванию значения
концентраций растворенных газов, которые соответ-
ствуют уровню 2. Результаты тестирования приведе-
ны на рис. 6.
Из рис. 6 видно, что сеть безошибочно, но с раз-
ной степенью принадлежности отнесла все представ-
ленные на вход результаты ХАРГ к уровню 2. На по-
следнем этапе тестирования на вход нечеткой ней-
ронной сети были поданы результаты ХАРГ, для обо-
рудования в котором были выявлены дефекты раз-
личного типа. Следует отметить, что в подаваемой на
вход сети выборки, значение концентрации как ми-
нимум одного из газов соответствовало уровню 3.
Результаты тестирования приведены на рис. 7.
Как видно из рисунка нечеткая нейронная сеть,
безошибочно распознала и дефектное состояние
трансформаторов.
а
б
Рис. 6. Результаты тестирования нечеткой нейронной сети
для результатов ХАРГ трансформаторов, значения концен-
траций газов которых соответствуют уровню 2
(а – исходные данные; б – результаты тестирования)
а
б
Рис. 7. Результаты тестирования нечеткой нейронной сети
для результатов ХАРГ дефектных трансформаторов
(а – исходные данные; б – результаты тестирования)
Анализ возможностей нечеткой нейронной се-
ти. Далее на вход нечеткой нейронной сети были по-
даны результаты ХАРГ исправных трансформаторов,
в которых концентрации газов соответствовали уров-
ню 3. Причиной роста концентраций газов служили
как аварийные режимы работы электрических сетей
(воздействие токов короткого замыкания, перенапря-
жений, перегрузки трансформаторов [13, 14]), так и
нарушения оперативным персоналом в процессе от-
бора, транспортировки и хранения проб масел, а так-
же при проведении испытаний. Результаты работы
сети приведены на рис. 8.
Как видно из рис. 8, из 541 поданного на вход ре-
зультатов ХАРГ к бездефектному состоянию сеть от-
несла только 5. Выполненный анализ показал, что в
этих пяти пробах масел уровни 3 соответствовали
54 ISSN 2074-272X. Електротехніка і Електромеханіка. 2017. №2
значения только одного из пяти газов. Значения кон-
центраций остальных четырех не превышали предела
обнаружения хроматографом (условно равнялись ну-
лю). Подобное газосодержание не характерно для де-
фектного состояния, т.е. в обучающей выборке такие
данные отсутствовали, что, наверное, и позволило
сети поставить данный диагноз. Еще 27 результатов
ХАРГ, были отнесены сетью к подозрительному со-
стоянию, т.е. уровню 2. В данных пробах масел кон-
центрация только одного из пяти газов соответствова-
ла уровню 3. Концентрации остальных четырех не
превышали предела обнаружения хроматографом или
соответствовали уровню 1. Все остальные результаты
ХАРГ предъявленные к распознаванию были отнесе-
ны сетью к состоянию 3, т.е. ошибочно признаны де-
фектными, что является ошибкой первого рода (лож-
ная тревога).
а
б
Рис. 8. Результаты тестирования нечеткой нейронной сети
для результатов ХАРГ бездефектных трансформаторов, у
которых концентрации газов соответствовали уровню 3
(а – исходные данные; б – результаты тестирования)
Не менее интересными являются результаты ра-
боты нечеткой сети, при распознавании состояния
трансформаторов по результатам ХАРГ дефектного
оборудования, которые получены на ранних стадиях
развития дефекта, когда концентрации газов не пре-
вышают верхней границы уровня 2. Результаты рабо-
ты электрической сети отражены на рис. 9. Как видно
из рис. 9 из 51 результата поданного на вход сети
только для 15, сетью был поставлен диагноз дефект-
ное состояние. Для 25 проб масел, с разной степенью
принадлежности, сетью был поставлен диагноз по-
дозрительное состояние (уровень 2). Примечательно,
что к уровню 2 сетью были отнесены результаты
ХАРГ трансформаторов гидростанции «Nelson river»,
Северная Канада [16], которые были получены за 10
месяцев и пять дней до их повреждения (соответст-
венно 1 и 2 результаты). Следует отметить, что ис-
пользуемая компанией экспертная система не смогла
предотвратить повреждение данных трансформато-
ров. Однако, по представленным результатам ХАРГ,
нечеткая нейронная сеть однозначно не определила
дефектное состояние в этих трансформаторах, а толь-
ко отнесла полученные результаты к состоянию «по-
дозрительных концентраций». Для 11 результатов
ХАРГ нечеткая нейронная сеть поставила диагноз
отсутствие дефекта, что является ошибкой второго
рода (пропуск цели).
а
б
Рис. 9. Результаты тестирования нечеткой нейронной сети
для результатов ХАРГ дефектных трансформаторов, у кото-
рых концентрации газов не превышали граничных значений
уровня 2 (а – исходные данные; б – результаты тестирования)
Анализируя полученные результаты, следует
признать, что разработанной и обученной нейронной
сети пришлось решать взаимоисключающую задачу.
С одной стороны для распознавания дефектов обору-
дования на ранней стадии их развития функция при-
надлежности для дефектного состояния должна быть
смещена в область более низких значений, с другой
стороны для распознавания влияния аварийных ре-
жимов работы сети, функция принадлежности для
дефектного состояния должна быть смещена в об-
ласть более высоких значений. Однако, даже в такой
ситуации нечеткая нейронная сеть, достаточно ус-
пешно справилась с задачей, особенно если учесть,
что безошибочное распознавание аварийных воздей-
ствий и дефектов на ранней стадии развития, на осно-
ве использования только значений концентраций га-
зов принципиально невозможно. В тоже время как
показано в [6] использование в качестве критерия раз-
вития дефекта, характера изменений концентраций
газов во времени, позволяет решить данную задачу
практически со 100 % достоверностью. Таким обра-
зом, на достоверность диагноза нейронной сети зна-
чимое влияние оказывают как диагностические при-
знаки, используемые для постановки диагноза, так и
правило принятия решений.
Кроме того, достоверность диагноза, который
ставит нейронная сеть, существенно ограничивается
особенностями метода ХАРГ. Наглядно это проде-
монстрировал пример с распознаванием состояния
ISSN 2074-272X. Електротехніка і Електромеханіка. 2017. №2 55
вызванного аварийным воздействием со стороны
электрической сети либо ошибками персонала. По-
скольку как развития дефекта, так и воздействие ано-
мально высоких токов, напряжений или температур,
вследствие аварийных режимов работы сети, приво-
дят к росту концентраций газов, то на основании ана-
лиза только значений концентраций газов, определить
причину газовыделения не представляется возмож-
ным. Поэтому ожидать, безошибочной постановки
диагноза со стороны нейронной сети было бы крайне
не корректным.
Выводы:
1. Разработана, обучена и протестирована нечет-
кая нейронная сеть для интерпретации результатов
ХАРГ. В отличие от аналогичных исследований,
при обучении нейронной сети, функции принад-
лежности лингвистических термов выбирались с
учетом функций плотностей распределения концен-
траций газов для трансформаторов с различным
состоянием, что позволило учесть как особенности
газосодержания масел, характерные для негерме-
тичных трансформаторов, так и условия эксплуата-
ции данного оборудования.
2. По результатам проверки сети на независимой вы-
борке установлено, что наибольшую трудность при
постановке диагноза по критерию граничных концен-
траций газов, представляют собой результаты ХАРГ,
полученные для исправных трансформаторов в кото-
рых концентрации растворенных в масле газов превы-
шают свои граничные значения, а также для дефектных
трансформаторов на ранней стадии развития дефектов.
3. Выполненный анализ показал, что достоверность
распознавания нечетких нейронных сетей имеет огра-
ничения, которые определяются особенностями мето-
да ХАРГ, используемыми диагностическими призна-
ками и выбранным правилом принятия решений.
СПИСОК ЛИТЕРАТУРЫ
1. Костерєв М.В., Бардик Є.І. Питання побудови нечітких
моделей оцінки технічного стану об’єктів електричних сис-
тем. Київ: НТУУ «КПІ», 2011. – 148 с.
2. Лежнюк П.Д., Рубаненко О.Є., Жук І.А. Діагностування
силових трансформаторів з використанням нечітких мно-
жин // Вісник Вінницького політехнічного інституту. –
2005. – №1. – С. 43-51.
3. Костерєв М.В., Бардик Є.І., Вожаков Р.В., Болотний
М.П. Оцінка технічного стану і прогнозування ресурсу ро-
ботоздатності силових трансформаторів на основі теорії
нечітких множин // Вісник Вінницького політехнічного
інституту. – 2012. – №2. – С. 83-87.
4. Костерев Н.В., Бардик Е.И. Нечеткое моделирование
электрооборудования для оценки технического состояния и
принятия решений о стратегии дальнейшей эксплуатации //
Технічна електродинаміка. Тем. випуск «Проблеми сучасної
електротехніки». – 2006. – Ч.3. – С. 39-43.
5. Денисова Н.В., Сахапов А.А. Нейронная сеть как инстру-
мент диагностики силовых масляных трансформаторов //
Архивариус. – 2016. – №3(7). – С. 33-37.
6. Шутенко О.В. Формирование процедуры нечеткого вы-
вода для обнаружения развивающихся дефектов высоко-
вольтных трансформаторов // Вісник НТУ «ХПІ». – 2008. –
№44. – C. 162-177.
7. Ahmed M.R., Geliel M.A., Khalil A. Power transformer
fault diagnosis using fuzzy logic technique based on dis-
solved gas analysis // 21st Mediterranean Conference on
Control and Automation. – Jun. 2013. – pp. 584-589. doi:
10.1109/MED.2013.6608781.
8. Hongzhong Ma, Zheng Li, P. Ju, Jingdong Han, Limin
Zhang. Diagnosis of power transformer faults on fuzzy three-
ratio method // 2005 International Power Engineering Confer-
ence, 2005. doi: 10.1109/ipec.2005.206897.
9. C.-H. Liu, T.-B. Lin, L. Yao, S.-Y. Wang. Integrated power
transformer diagnosis using hybrid fuzzy dissolved gas analysis
// IEEJ Transactions on Electrical and Electronic Engineering. –
Oct. 2015. – vol.10. – no.6. – pp. 689-698. doi:
10.1002/tee.22148.
10. M. A. A. Siddique, S. Mehfuz. Artificial neural networks
based incipient fault diagnosis for power transformers // 2015
Annual IEEE India Conference (INDICON), Dec. 2015. doi:
10.1109/indicon.2015.7443174.
11. C. H. Liu, L. T. Yao, T. B. Lin, S. Y. Wang. Innovated
Fault Diagnosis for Power Transformer Using Hybrid Fuzzy
Dissolved Gas Analysis // Applied Mechanics and Materials.
– Jan. 2013. – vol.284-287. – pp. 1082-1086. doi:
10.4028/www.scientific.net/amm.284-287.1082.
12. СОУ-Н ЕЕ 46.501:2006: Діагностика маслонаповненого
трансформаторного обладнання за результатами хроматогра-
фічного аналізу вільних газів, відібраних iз газового реле, i
газів, розчинених у ізоляційному маслі. – Київ, 2007. – 92 с.
13. Шутенко О.В. Дослідження впливу експлуатаційних
факторів на результати хроматографічного аналізу розчине-
них у маслі газів // Вісник Харківського національного тех-
нічного університету сільського господарства імені Петра
Василенка «Проблеми енергозабезпечення та енергозбере-
ження в АПК України». – 2008. – Т.1. – №73. – C. 45-48.
14. Шутенко О.В. Баклай Д.Н., Острикова Т.А., Мельник
Н.Ю. Анализ причин газовыделения в силовых трансформа-
торах, на основе исследования корреляционных связей ме-
жду растворенными в масле газами // Світлотехніка та елек-
троенергетика. – 2012. – №3 – С. 72-81.
15. Шутенко О.В., Баклай Д.М. Аналіз законів розподілу
концентрацій газів, розчинених в маслі високовольтних
трансформаторів негерметичного виконання // Вісник НТУ
«ХПІ». – 2014. – №60(1033). – C. 136-150.
16. Аксенов Ю.П. Мониторинг технического состояния
высоковольтной изоляции электрооборудования энергети-
ческого назначения в эксплуатации и при ремонтах. – М.:
Наутехлитиздат, 2002. – 338 с.
REFERENCES
1. Kosterev M.V., Bardik E.І. Pytannya pobudovy nechitkykh
modeley otsinky tekhnichnoho stanu ob"yektiv elektrychnykh
system [The issue of building fuzzy models evaluate the techni-
cal condition of the objects of electrical systems]. Kyiv, NTUU
«KPІ» Publ., 2011. 654 p. (Ukr).
2. Lezhnjuk P.D., Rubanenko O.Є., Zhuk І.A. Diagnosis of
power transformers using fuzzy sets. Visnyk of Vinnytsia
Politechnical Institute, 2005, no.1, pp. 43-51. (Ukr).
3. Kosterev M.V., Bardik Є.І., Vozhakov R.V., Bolotnij M.P.
Technical condition evaluation and prediction of the resource
operability of power transformers based on the theory of fuzzy
sets. Visnyk of Vinnytsia Politechnical Institute, 2012, no.2, pp.
83-87. (Ukr).
4. Kosterev N.V., Bardik E.I. Fuzzy modeling of electrical
equipment for the evaluation of the technical condition and de-
ciding on further exploitation strategy. Tekhnichna elektrody-
namika. Tem. vypusk «Problemy suchasnoyi elektrotekhniky»,
2006, no.3, pp. 39-43. (Rus).
5. Denisova N.V., Sahapov A.A. Neural network as a tool for
diagnosis power oil transformers. Archivarius, 2016, no.3(7),
pp. 33-37. (Rus).
6. Shutenko O.V. Formation of fuzzy inference procedures to
detect emerging defects in high-voltage transformers. Bulletin of
NTU «KhPІ», 2008, no.44, pp 162-177. (Rus).
56 ISSN 2074-272X. Електротехніка і Електромеханіка. 2017. №2
7. Ahmed M.R., Geliel M.A., Khalil A. Power transformer fault
diagnosis using fuzzy logic technique based on dissolved gas
analysis. 21st Mediterranean Conference on Control and Automa-
tion, Jun. 2013, pp. 584-589. doi: 10.1109/MED.2013.6608781.
8. Hongzhong Ma, Zheng Li, P. Ju, Jingdong Han, Limin
Zhang. Diagnosis of power transformer faults on fuzzy three-
ratio method. 2005 International Power Engineering Confer-
ence, 2005. doi: 10.1109/ipec.2005.206897.
9. C.-H. Liu, T.-B. Lin, L. Yao, S.-Y. Wang. Integrated power
transformer diagnosis using hybrid fuzzy dissolved gas analysis.
IEEJ Transactions on Electrical and Electronic Engineering,
Oct. 2015, vol.10, no.6, pp. 689-698. doi: 10.1002/tee.22148.
10. M. A. A. Siddique, S. Mehfuz. Artificial neural networks
based incipient fault diagnosis for power transformers. 2015
Annual IEEE India Conference (INDICON), Dec. 2015. doi:
10.1109/indicon.2015.7443174.
11. C. H. Liu, L. T. Yao, T. B. Lin, S. Y. Wang. Innovated
Fault Diagnosis for Power Transformer Using Hybrid Fuzzy
Dissolved Gas Analysis. Applied Mechanics and Materials,
Jan. 2013, vol.284-287, pp. 1082-1086. doi:
10.4028/www.scientific.net/amm.284-287.1082.
12. SOU-N EE 46.501: Dіagnostika maslonapovnenogo trans-
formatornogo obladnannja za rezul'tatami hromatografіchnogo
analіzu vіl'nih gazіv, vіdіbranih iz gazovogo rele, i gazіv, roz-
chinenih uі zoljacіjnomu maslі [SOU-N EE 46.501: Diagnosis
oil-filled transformer equipment based on the results of chroma-
tographic analysis of free gas with gas relay selected, i gases
dissolved in insulating oil]. Kiїv, 2007, 92p.(Ukr).
13. Shutenko O.V. Research of influence of operational factors
on results of chromatographic analysis of the gases dissolved in
oil. Bulletin of Kharkiv Petro Vasylenko National Technical
University of Agriculture, 2008, vol.1, no.73, pp. 45-48. (Ukr).
14. Shutenko O.V., Baklay D.N., Ostrikova T.A., Melnik N.Y.
Analysis of the causes of gassing in the power transformer,
based on a study of correlations between dissolved in oil gases.
Lighting Engineering and Power Engineering, 2012, no.3, pp.
72-81. (Rus).
15. Shutenko O.V., Baklay D.M. Analysis of gases concentra-
tion distribution laws, dissolved in oil of high voltage trans-
formers unpressurized of execution. Bulletin of NTU «KhPІ»,
2014, no.60(1033), pp.136-150. (Ukr).
16. Aksenov Yu.P. Monitoring tekhnicheskogo sostoianiia vy-
sokovol'tnoi izoliatsii elektrooborudovaniia energeticheskogo
naznacheniia v ekspluatatsii i pri remontakh [Technical condi-
tion monitoring of high-voltage insulation of electrical energy
purposes in the operation and repairs]. Moscow, Nauchtekhlitiz-
dat Publ., 2002. 338 p. (Rus).
Поступила (received) 25.01.2017
Бондаренко Владимир Емельянович1, д.т.н., проф.,
Шутенко Олег Владимирович1, к.т.н., доц.,
1 Национальный технический университет
«Харьковский политехнический институт»,
61002, Харьков, ул. Кирпичева, 2,
тел/phone +38 057 7076246,
e-mail: bond@kpi.kharkov.ua, o.v.shutenko@gmail.com
V.Е. Bondarenko1, O.V. Shutenko1
1 National Technical University «Kharkiv Polytechnic Institute»,
2, Kyrpychova Str., Kharkiv, 61002, Ukraine.
Development of fuzzy neural network for the interpretation
of the results of dissolved in oil gases analysis.
Purpose. The purpose of this paper is a diagnosis of power
transformers on the basis of the results of the analysis of gases
dissolved in oil. Methodology. To solve this problem a fuzzy
neural network has been developed, tested and trained. Results.
The analysis of neural network to recognize the possibility of
developing defects at an early stage of their development, or
growth of gas concentrations in the healthy transformers, made
after the emergency actions on the part of electric networks is
made. It has been established greatest difficulty in making a
diagnosis on the criterion of the boundary gas concentrations,
are the results of DGA obtained for the healthy transformers in
which the concentration of gases dissolved in oil exceed their
limit values, as well as defective transformers at an early stage
development defects. The analysis showed that the accuracy of
recognition of fuzzy neural networks has its limitations, which
are determined by the peculiarities of the DGA method, used
diagnostic features and the selected decision rule. Originality.
Unlike similar studies in the training of the neural network, the
membership functions of linguistic terms were chosen taking
into account the functions gas concentrations density distribu-
tion transformers with various diagnoses, allowing to consider a
particular gas content of oils that are typical of a leaky trans-
former, and the operating conditions of the equipment. Practical
value. Developed fuzzy neural network allows to perform diag-
nostics of power transformers on the basis of the result of the
analysis of gases dissolved in oil, with a high level of reliability.
References 16, tables 3, figures 9.
Key words:diagnostics of transformers, analysis of dissolved
gases in oil, peculiarities of gas content, concentration levels,
fuzzy neural networks, membership function, Weibull
distribution, network training, fuzzy conclusion, wrong
decisions.
|