ИНТЕЛЛЕКТУАЛЬНАЯ ТЕПЛОВАЯ МОДЕЛЬ СИЛОВОГО ТРАНСФОРМАТОРА НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ И АНАЛИЗА ДАННЫХ ДЛЯ МОНИТОРИНГА СОСТОЯНИЯ

АННОТАЦИЯ

Надёжность электроэнергетических систем во многом определяется стабильной работой силовых трансформаторов, которые относятся к наиболее ответственным элементам сети. Эффективный мониторинг их технического состояния позволяет своевременно выявлять скрытые дефекты и предотвращать развитие аварийных ситуаций. В представленной работе предложен подход к моделированию тепловых процессов в трансформаторах с применением методов машинного обучения. Для построения модели использованы нелинейная авторегрессионная нейронная сеть и метод опорных векторов, обеспечивающие повышение точности прогноза температуры и выявление отклонений в тепловом поведении оборудования. Разработка выполнена на основе долгосрочных эксплуатационных данных девяти силовых трансформаторов различной мощности (180, 240 и 1000 МВА). В качестве входных параметров использованы профиль нагрузки, положение переключателя ответвлений (РПН), показания индикатора температуры обмоток (WTI), температура окружающей среды, скорость ветра и уровень солнечной радиации. Сравнение результатов моделирования с реальными измерениями подтвердило преимущество предложенных алгоритмов по сравнению со стандартной тепловой моделью IEEE (Annex G). Кроме того, разработан алгоритм раннего обнаружения тепловых неисправностей, успешно протестированный на данных полевых измерений. Его применение позволяет оперативно оповещать обслуживающий персонал и планировать профилактические мероприятия до возникновения критических повреждений.

ABSTRACT

The reliability of modern power systems largely depends on the stable operation of power transformers, which represent the most critical components of electrical networks. Effective monitoring of their technical condition enables early detection of latent defects and prevents the development of potential failures.

This study proposes an advanced approach to modeling the thermal behavior of power transformers using machine learning techniques. Two algorithms — a nonlinear autoregressive neural network (NARX) and a support vector machine (SVM) — were implemented to improve temperature prediction accuracy and identify deviations in thermal performance. The proposed models were developed using long-term operational data collected from nine power transformers of different rated capacities (180, 240, and 1000 MVA). The input parameters included load profile, tap changer position, winding temperature indicator (WTI) readings, ambient temperature, wind speed, and solar radiation intensity. A comparison between model predictions and field measurements demonstrated that the developed algorithms outperform the standard IEEE Annex G thermal model. Furthermore, an incipient thermal fault detection algorithm was proposed and successfully validated using field data. This algorithm can be employed to alert operators in real time and support preventive maintenance planning before the occurrence of critical failures.

Ключевые слова: интеллектуальный мониторинг, силовой трансформатор, тепловая модель, машинное обучение, температура горячей точки (WTI).

Keywords: intelligent monitoring, power transformer, thermal model, machine learning, winding temperature indicator (WTI).

Введение. Стоимость замены силовых трансформаторов значительно выше, чем других подстанционных активов, что оправдывает проведение исследований, направленных на максимальное продление срока их службы при сохранении надёжности и устойчивости энергосистемы. Одним из ключевых инструментов для этого является мониторинг технического состояния [1], [2].

Температура горячей точки (hot-spot) трансформатора является одним из наиболее важных параметров, так как отражает эффективность его охлаждения и напрямую связана со скоростью старения бумажной изоляции [3].

Для реализации онлайн-мониторинга теплового состояния необходимо разработать точную динамическую тепловую модель трансформатора, способную прогнозировать температуру при различных режимах нагрузки. Отклонения между измеренными и вычисленными значениями могут указывать на изменение теплового поведения и, следовательно, на возможные дефекты.

В международной практике существуют общепринятые тепловые модели трансформаторов с масляным охлаждением, применяемые в качестве руководств по нагрузке — например, IEEE Std C57.91 (2011) Annex G [4] и IEC 60076-7 [5]. Однако эти модели требуют индивидуальных тепловых параметров для каждого конкретного трансформатора. Для агрегатов, у которых такие параметры отсутствуют, допускается использование рекомендованных значений, но они не всегда соответствуют фактическому тепловому поведению оборудования.

Ряд исследователей предложил уточнения этих моделей. Так, в [6] рассмотрено влияние изменения потерь в обмотках и вязкости масла в зависимости от температуры, а в [7], [8] учтено воздействие солнечной радиации и скорости ветра. Другие подходы включают моделирование распределения температуры с использованием термогидравлических сетевых моделей и методов вычислительной гидродинамики (CFD) [9].

Поскольку объём данных, связанных с температурой трансформатора, постоянно увеличивается, становится возможным разработать тепловую модель трансформатора на основе методов машинного обучения, без необходимости в определении точных тепловых параметров.

Ранее предпринятые исследования по применению машинного обучения к динамическому тепловому моделированию силовых трансформаторов показали обнадёживающие результаты [10], [11], [12], [13]. В частности, искусственные нейронные сети (ANN) продемонстрировали более высокую точность прогнозирования температуры горячей точки по сравнению с традиционными методами. Тем не менее, в этих работах не рассматривалась долгосрочная производительность алгоритмов (в течение нескольких лет) и различие характеристик между несколькими трансформаторами, что было связано с ограниченностью эксплуатационных данных. Кроме того, влияние метеорологических факторов, таких как солнечная радиация и скорость ветра, также часто игнорировалось.

Материалы и методы. Целью данной работы является разработка инструмента для оценки температуры горячей точки с помощью машинного обучения, который позволит осуществлять тепловой мониторинг состояния и выявлять такие неисправности, как ограничение циркуляции масла или воздуха, а также отказ охлаждающих насосов и вентиляторов [14].

Входные параметры включают: нагрузку, положение ответвлений, температуру окружающей среды, солнечную радиацию и скорость ветра. В работе проводится сравнительная оценка точности различных алгоритмов машинного обучения на данных, охватывающих 7-летний период эксплуатации девяти трансформаторов. На основе разработанных моделей предложен алгоритм для распознавания зарождающихся тепловых неисправностей, который успешно протестирован на реальных данных.

Главный вклад данной работы заключается в:

1. Оценке долгосрочной эффективности алгоритмов машинного обучения, особенно ANN, на множестве трансформаторов.
2. Учёте влияния погодных факторов — скорости ветра и солнечной радиации.
3. Разработке алгоритма распознавания тепловых аномалий, позволяющего выявлять отклонения на ранней стадии.

Методы машинного обучения для прогнозирования температуры горячей точки

1. Искусственные нейронные сети (ANN)

Искусственные нейронные сети широко применяются в задачах анализа данных энергетических систем [10], [15]. Их идея вдохновлена процессом обучения человеческого мозга [16].

Типовая архитектура ANN включает три основных слоя:

входной слой, принимающий исходные параметры (нагрузка, температура, радиация и т.д.);

один или несколько скрытых слоёв, состоящих из искусственных нейронов;

выходной слой, формирующий прогнозируемое значение температуры горячей точки.

Каждый нейрон осуществляет нелинейное преобразование взвешенной суммы входных сигналов с добавлением смещения (bias) с помощью активационной функции, которая в данной работе выбрана в виде гиперболического тангенса.

Для обучения модели используется алгоритм Марквардта–Левенберга, обеспечивающий быстрое и точное решение задачи минимизации суммы квадратов ошибок [17].

В данной работе применяется нелинейная авторегрессионная нейронная сеть с множественными входами (NARX). Её особенность заключается в том, что текущее значение температуры горячей точки зависит не только от текущих входов, но и от её значений в предыдущие моменты времени, что позволяет учитывать временную динамику нагрева трансформатора.

Количество скрытых слоёв и нейронов подбирается экспериментально. Увеличение их числа повышает способность модели к аппроксимации, но чрезмерное усложнение может привести к переобучению (overfitting) [18]. Оптимальная архитектура определяется по минимальной ошибке на тестовой выборке.

2. Метод опорных векторов для регрессии (SVM)

Метод опорных векторов (Support Vector Machine, SVM) строит зависимость между входными и выходными данными таким образом, чтобы минимизировать ошибки в пределах заданного допуска (ε) [19].

Заключение. Поскольку связь между входными признаками и температурой обычно нелинейна, данные отображаются в пространство более высокой размерности с помощью ядерной функции (kernel function), которая измеряет сходство между векторами входных данных [20], [21].

В данной работе используется гауссово ядро, поскольку оно демонстрирует высокую точность при моделировании тепловых процессов:

где γ — параметр масштаба ядра, определяющий гладкость модели.

Модель подбирает веса (  и смещение  минимизируя невязку между измеренными и прогнозируемыми значениями температуры. Настройка параметров C (штрафной коэффициент),  (масштаб ядра) и  (погрешность) осуществляется методом Байесовской оптимизации, обеспечивающим поиск глобального минимума функции ошибки [24], [25].

При правильном выборе гиперпараметров метод SVM обеспечивает устойчивое и точное моделирование, особенно для систем с ограниченным количеством данных, где применение нейронных сетей может быть избыточным.

Список литературы

1. Ванг М., Вандермаар А. Дж., Сриватсава К. Д.  Оценка технического состояния силовых трансформаторов в эксплуатации: обзор и перспективы // IEEE Electrical Insulation Magazine. – 2002. – Т. 18, №6. – С. 12–25.
2. Суса Д., Лехтонен М.  Динамическое тепловое моделирование силовых трансформаторов: развитие и практическое применение // IEEE Transactions on Power Delivery. – 2006. – Т. 21, №4. – С. 1971–1980.
3. Тахери А. А., Абдали А., Рабие А.  Новая модель прогнозирования теплового поведения маслонаполненных трансформаторов с учётом солнечной радиации // IEEE Transactions on Power Delivery. – 2019. – Т. 34, №4. – С. 1634–1646.
4. Хе Ц., Си Дж., Тылавски Д. Дж.  Прогнозирование температуры верхних слоёв масла в трансформаторах с использованием нейронных сетей // IEEE Transactions on Power Delivery. – 2000. – Т. 15, №4. – С. 1205–1211.
5. Кунички М., Борукки С., Цихонь А., Фримус Й.  Моделирование температуры горячей точки обмотки силовых трансформаторов: исследование на примере слабо нагруженных агрегатов // Energies. – 2019. – Т. 12, №3561.
6. Дулгиндачпапорн А., Каллендер Г., Левин П. Л., Саймонсон Э., Уилсон Г.  Тепловая модель трансформатора, учитывающая влияние климатических факторов // IEEE Transactions on Power Delivery. – 2021. – DOI:10.1109/TPWRD.2021.3105459.
7. Джуарес-Бальдерас Э. А., Медина-Марин Х., Оливарес-Гальван Х. С. и др. Прогнозирование температуры горячей точки измерительного трансформатора с использованием искусственной нейронной сети // IEEE Access. – 2020. – Т. 8. – С. 164392–164406.
8. Гонсалес П. А., Самаррено Х. М.  Прогнозирование почасового энергопотребления зданий с использованием рекуррентной нейронной сети // Energy and Buildings. – 2005. – Т. 37, №6. – С. 595–601.
9. Смола А., Шёлькопф Б.  Метод опорных векторов для регрессии: теория и применение // Statistics and Computing. – 2004. – Т. 20, №1. – С. 199–222.
10. Левин П. Л., Каллендер Г., Дулгиндачпапорн А. и др.  Интеллектуальные методы анализа тепловых процессов в силовых трансформаторах для повышения надёжности и продления срока службы // IEEE Transactions on Dielectrics and Electrical Insulation. – 2023. – Т. 30, №2. – С. 987–995.