Новости
09.05.2023
с Днём Победы!
07.03.2023
Поздравляем с Международным женским днем!
23.02.2023
Поздравляем с Днем защитника Отечества!
Оплата онлайн
При оплате онлайн будет
удержана комиссия 3,5-5,5%








Способ оплаты:

С банковской карты (3,5%)
Сбербанк онлайн (3,5%)
Со счета в Яндекс.Деньгах (5,5%)
Наличными через терминал (3,5%)

ПОВЫШЕНИЕ НАДЕЖНОСТИ СИЛОВОГО ТРАНСФОРМАТОРА С ПРИМЕНЕНИЕМ НЕЙРОСЕТЕВОГО КОМПЛЕКСА

Авторы:
Город:
Красноярск
ВУЗ:
Дата:
03 марта 2016г.

От надежности электроснабжения тяговой сети существенно зависит пропускная способность железных дорог, увеличение которой является одной из важнейших задач железнодорожного транспорта.

Одним из главных путей поддержания эксплуатационной надежности является организация эффективного контроля работающего оборудования. Выявления возникающих в работе дефектов на ранней стадии развития, а так же своевременное принятие правильных решений по ликвидации дефектов, обеспечивает высокий уровень поддержания нормативного срока службы оборудования тяговых подстанций [3, 4].

Прогнозирование надежности, электрической нагрузки обеспечивает основную исходную информацию для принятия решений при управлении электроэнергетическими системами в процессе планирования их нормальных электрических режимов.

В последнее десятилетие все чаще для прогнозирования применяются искусственные нейронные сети (ИНС) [5]. Нейросетевые инструменты и модели широко используются при решении самых различных задач там, где обычные алгоритмические решения оказываются неэффективными или вовсе невозможными [1]. Основной задачей искусственного интеллекта является разработка парадигм или алгоритмов, обеспечивающих компьютерное решение когнетивных задач, свойственных человеческому мозгу. Нейрон представляет собой единицу обработки информации в нейронной сети. На блок-схеме (Рисунок 1) показана модель нейрона, лежащего в основе искусственных нейронных сетей. В этой модели можно выделить три основных элемента.

1.   Набор синапсов или связей, каждый из которых характеризуется своим весом или силой. В частности, сигнал Xj на входе синапса j, связанного с нейроном k, умножается на вес Wkj. Важно обратить внимание на то, в каком порядке указаны индексы синаптического веса Wkj. Первый индекс относится к рассматриваемому нейрону, а второй ко входному окончанию синапса, с которым связан данный вес.

2.   Сумматор складывает входные сигналы, взвешенные относительно соответствующих синапсов нейрона. Эту операцию можно описать как линейную комбинацию.

3.      Функция активации ограничивает амплитуду выходного сигнала нейрона. Эта функция также называется функцией сжатия. Обычно нормализованный диапазон амплитуд выхода нейрона лежит в интервале [0,1] или [1, 1].



В математическом представлении функционирование нейрона k можно описать следующей парой уравнений:

гдe Х1, Х2,…, Хm - входные сигналы; Wk1, Wk2,…, Wkm - синаптические веса нейрона k; Uk - линейная комбинация входных воздействий; bk - пороr; υ - функция активации; уk - выходной сигнал нейрона. Использование порога bk обеспечивает эффект афинного преобразования выхода линейного сумматора Uk. В модели, показанной на Рисунке 1, постсинaптический потенциал вычисляется следующим образом [2]:

Uk = Uk +bk.                                                                                        (3)

Важным элементом, определяющим надежность бесперебойного питания тяговой сети, является силовой трансформатор (СТ). Его способность нести нагрузку зависти от состояния отдельных узлов и отсутствия дефектов.

Одним из основных показателей работы СТ является сопротивление изоляции. Нормальная работа зависит от исправного состояния изоляции электрических цепей между собой и относительно земли (или корпуса оборудования). В процессе работы изоляция электрических цепей подвергается воздействию ряда факторов, приводящих с течением времени к ее старению, выражающемуся в снижении электрической и механической ее прочности. На основе полученных данных спрогнозируем отношение сопротивления изоляции R60/R15 СТ на один год с применением программы MATLAB R2014a.

Для решения задачи прогнозирования используется многослойный персептрон, во входном слое которого находится - 5 нейронов, в скрытом - 20 нейронов, в выходном – один нейрон.




Для проведения анализа выбираем СТ с сопротивление изоляции ВН за последние 5 лет. 


Таблица 1Сопротивление изоляции первичных и вторичных обмоток СТ 110кВ


Сопротивление изоляции, МОм

Год

Схема измерения ВН-СН+НН+корпус

R60

R15

R60/R15

2009

6000

4500

1,333

2010

1600

1200

1,333

2011

1840

1400

1,314

2012

6200

4840

1,281

2013

5320

3900

1,364


 

 После проведенного расчета получаем прогноз отношения R60/R15 сопротивления изоляции на 2014 год.

 

 Таблица 2

Прогноз отношения сопротивления изоляции R60/R15 на 2014 год



Год

Сопротивление изоляции, МОм

Погрешность, %

Факт

Прогноз

2014

1,318

1,322

0,3

 

Полученные результаты свидетельствуют о работоспособности построенной модели и возможности ее применения в реальных условиях. В качестве активационной функции применяется логистическая функция распределения, которая устойчивая в интервале от -1 до 1, что предопределяет нормирование исходных данных. Погрешность 0,3% является приемлемой величиной для прогноза с глубиной предыстории 5 лет. Дальнейшая эксплуатация трансформатора допустима.

 

Список литературы

1.     Латыпова Р.Р., Кирпичников А.П., Семеенко А.С. Прогнозирование региональной динамики с учетом пространственных связей на основе нейронных сетей // Вестник Казанского технологического университета. 2014, Т.17 №15, с.320-326

2.     Хайкин С. Нейронные сети. Полный курс. – М.: «Вильямс». 2006. 1104с.

3.     Христинич Р.М., Луковенко А.С. Анализ надежности трансформаторных подстанций 110 кВ с большим сроком. // 120 лет железнодорожному образованию в Сибири / Сборник статей Всероссийской научно- практической конференции с международным участием: В 1 т. / Отв. ред. Мороз Ж.М. Красноярск: Изд-во «Касс», 2014. 573 с.

4.     Христинич Р.М., Христинич А.Р., Христинич Е.В. Комплексная диагностика маслонаполненных трансформаторов // Вестник КрасГАУ. 2007, №3, с.222-226

5.     Шевченко С.В, Камаев В.А., Манева Р.И., Применение нечетких продукционных правил и нейронных сетей для прогнозирования потребления электроэнергии в регионе // Известия ВолГТУ. 2012, Т.10 №14, с.108-112