Προηγμένες μέθοδοι εκτίμησης λειτουργικής κατάστασης εξοπλισμού συστημάτων ηλεκτρικής ενέργειας με χρήση τεχνικών τεχνητής νοημοσύνης και ασαφούς λογικής (Διάγνωση βλαβών μετασχηματιστών ισχύος)
Power transformers fault diagnosis
Μεταπτυχιακή διπλωματική εργασία
Συγγραφέας
Ροκάνη, Βασιλική
Ημερομηνία
2020-09Επιβλέπων
Καμινάρης, ΣταύροςΛέξεις-κλειδιά
Ανάλυση διαλυμένων αερίων ; Ασαφή συστήματα ; Διάγνωση βλαβών Μ/Σ ισχύος ; Μέθοδος Rogers ; MATLAB ; Νεύρο-ασαφές σύστημα ; Νευρωνικά δίκτυα ; Μετασχηματιστές ισχύοςΠερίληψη
Η Τεχνητή Νοημοσύνη (AI) είναι ένας νέος κλάδος στην επιστήμη και τη μηχανική. Οι τεχνικές AI αποτελούν μια πρωτοποριακή μέθοδο για την διάγνωση των βλαβών Μετασχηματιστών (Μ/Σ) Ισχύος ( Power Transformers Fault Diagnosis). Όταν σε έναν
μετασχηματιστή παρουσιαστεί κάποια βλάβη τότε λαμβάνει χώρα έκλυση συγκεκριμένων αερίων στο μονωτικό του λάδι. Η ανάλυση αυτών των αερίων, χρησιμοποιείται στον καθορισμό του τύπου των βλαβών στο εσωτερικό του Μ/Σ. Η μέθοδος που χρησιμοποιείται για αυτή την ανάλυση καλείται Αεριοχρωματογραφία και πρόκειται για μια τεχνική διαχωρισμού, ταυτοποίησης και ποσοτικού προσδιορισμού μιγμάτων αερίων. Η συμβατική μέθοδος που χρησιμοποιείται ευρέως είναι η Ανάλυση Διαλυμένων Αερίων (Dissolved Gas Analysis , DGA). Όλες οι συμβατικές μέθοδοι έχουν περιορισμούς επειδή δεν μπορούν να αναλύσουν με
ακρίβεια όλα τα σφάλματα. Συνήθως αυτό συμβαίνει όταν υπάρχουν περισσότερα από ένα σφάλματα σε έναν Μ/Σ ή όταν η συγκέντρωση των αερίων είναι κοντά σε κάποιο όριο .Για την αντιμετώπιση αυτού του προβλήματος και για τη βελτίωση της αξιοπιστίας και της ακρίβειας της διάγνωσης σφαλμάτων, προτείνονται διάφορες τεχνικές Τεχνητής Νοημοσύνης. Στην παρούσα εργασία μελετώνται τρεις μέθοδοι AI : Ασαφές Σύστημα Συμπερασμού (Fuzzy Inference System, FIS), Τεχνητά Νευρωνικά Δίκτυα (Artificial Neural Networks, ANN) και Προσαρμοστικό Νευροασαφές Σύστημα (Adaptive Neuro-Fuzzy Inference System, ANFIS), προκειμένου να ενισχυθεί η ακρίβεια της συμβατικής μεθόδου Rogers Ratio, η οποία αξιολογεί την DGA. Όλες οι τεχνικές προσομοιώνονται με τη βοήθεια του λογισμικό MATLAB. Για την επίτευξη του πειράματος χρησιμοποιούνται πραγματικά δείγματα διαλυμένων αερίων που έχουν παραχθεί σε M/Σ που έχουν υποστεί βλάβες. Τέλος, γίνεται μια συγκριτική παρουσίαση των FIS, ANN, ANFIS και της συμβατικής μεθόδου Rogers Ratio.
Περίληψη
Artificial Intelligence (AI) is a novel branch in science and engineering. AI techniques constitute the most cutting-edge method in Power Transformers Fault Diagnosis. When a transformer fails, some gases are produced and dissolved in the insulating oil,
and Gas Chromatography detects them. It is a technique of separation, identification, and quantification of mixtures of gases. The analysis of these gases helps to identify the incipient fault types. The conventional method widely adopted is the Dissolved Gas Analysis (DGA). All the conventional methods have limitations because they cannot analyze all faults accurately. It usually happens when more than one fault occurs in a transformer or when the concentration of gases is near the threshold. To deal with this problem, and to improve the reliability and the accuracy of fault diagnosis, various Artificial Intelligence techniques are proposed. This paper is employed three AI methods, a Fuzzy Inference System (FIS), an Artificial Neural Network (ANN), and an Adaptive Neuro-Fuzzy Inference System (ANFIS), in order to enhance the accuracy of the conventional Rogers Ratio method, that evaluates the DGA. All the techniques are simulated using MATLAB software. Real samples of dissolved gases that have been generated in failure transformers are used. A comparison of the FIS, ANN, ANFIS, and the conventional Rogers Ratio method is presented.