تشخیص هوشمند خطای داخلی ترانسفورماتور قدرت با رویکرد داده افزایی آماری و یادگیری عمیق: مطالعه موردی نیروگاه سمنان

تشخیص به موقع خطاهای داخلی ترانسفورماتور قدرت نقش مهمی در افزایش قابلیت اطمینان شبکه های قدرت دارد. آنالیز گازهای محلول در روغن (DGA) یکی از روش های متداول در پایش وضعیت ترانسفورماتورهاست، با این حال کمبود داده های واقعی و عدم توازن بین انواع مختلف خطا دقت روش های مبتنی بر یادگیری ماشین را با محدودیت مواجه می کند. در این پژوهش، یک چارچوب داده محور مبتنی بر داده افزایی آماری و یادگیری عمیق برای تشخیص خطای داخلی ترانسفورماتور ارائه شده است. ابتدا بر اساس محدوده های استاندارد IEC TC ۱۰ یک مجموعه داده پایه تشکیل شده و سپس به منظور افزایش حجم داده و حفظ وابستگی آماری بین گازهای DGA از کوپولای گوسی برای تولید داده های مصنوعی واقعی نما استفاده شده است. داده های تولید شده به صورت ترکیبی برای آموزش یک مدل هیبرید CNN-LSTM به کار گرفته شده اند. نتایج نشان می دهد که داده افزایی مبتنی بر کوپولای گوسی موجب بهبود تعمیم پذیری مدل و افزایش دقت تشخیص نسبت به حالت بدون داده سازی می شود به گونه ای که مدل پیشنهادی قادر است انواع خطاهای الکتریکی و حرارتی ترانسفورماتور را با دقت حدود ۹۵ درصد تشخیص دهد. این نتایج بیانگر قابلیت استفاده از روش پیشنهادی به عنوان یک ابزار کمکی موثر در سیستم های پایش وضعیت ترانسفورماتور قدرت است.

کلیدواژه ها:

آنالیز گازهای محلول در روغن (DGA) ، تشخیص خطای داخلی ترانسفورماتور ، داده افزایی آماری مبتنی بر کوپولا ، شبکه CNN-LSTM