Προηγμένες μέθοδοι εκτίμησης λειτουργικής κατάστασης εξοπλισμού συστημάτων ηλεκτρικής ενέργειας με χρήση τεχνικών τεχνητής νοημοσύνης και ασαφούς λογικής (Διάγνωση βλαβών μετασχηματιστών ισχύος)

Abstract

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.