Enroulement

Rapports scientifiques volume 12, Numéro d'article : 20157 (2022) Citer cet article

962 accès

Détails des métriques

Les transformateurs de puissance sont des équipements importants dans les systèmes électriques et nécessitent un système de protection réactif et précis pour assurer la fiabilité du système. Dans cet article, un algorithme de localisation de défauts pour les transformateurs de puissance basé sur la transformée en ondelettes discrète et le réseau de neurones à rétropropagation est présenté. Le système est calqué sur une partie du système de transport et de distribution thaïlandais. Le logiciel ATP/EMTP est utilisé pour simuler les signaux de défaut afin de valider l'algorithme proposé, et les performances sont évaluées dans diverses conditions. De plus, diverses fonctions d'activation dans les couches cachées et de sortie sont comparées pour sélectionner des fonctions appropriées pour l'algorithme. Les résultats des tests montrent que l'algorithme proposé peut localiser correctement les défauts sur l'enroulement du transformateur dans différentes conditions avec une erreur moyenne inférieure à 0,1 %. Ce résultat démontre la faisabilité de la mise en œuvre de l'algorithme proposé dans des systèmes de protection réels pour les transformateurs de puissance.

Les transformateurs de puissance, qui sont des équipements essentiels dans les systèmes électriques, permettent la transmission de puissance entre différentes sections du réseau à différentes tensions. En raison de l'augmentation de la consommation d'énergie au cours de la dernière décennie en raison de l'urbanisation et de la croissance économique, les systèmes électriques et les réseaux électriques interconnectés se sont développés rapidement et sont devenus plus complexes. Les transformateurs de puissance, qui jouent un rôle important dans ces changements, sont vulnérables aux pannes et diminuent la fiabilité du réseau. Ainsi, il est important d'établir un système de protection pour identifier avec précision les défauts et les isoler du système. La localisation des défauts lors du diagnostic des défauts peut également aider les équipes d'exploitation et de maintenance à réagir correctement aux défauts des transformateurs de puissance. Les défauts d'enroulement sont courants dans les transformateurs de puissance; ils se produisent à l'intérieur du transformateur et sont causés par la dégradation de l'isolation des enroulements1,2. Si le défaut ne peut pas être traité rapidement et correctement, il peut endommager irrémédiablement le transformateur. Les transformateurs de puissance sont généralement protégés à l'aide d'une combinaison de relais de surintensité, de relais de pression et de relais différentiels3. L'Autorité de production d'électricité de Thaïlande (EGAT) utilise actuellement des méthodes conventionnelles pour diagnostiquer les défauts des transformateurs de puissance, telles que l'analyse des gaz dissous4, l'analyse de la réponse en fréquence (FRA)5 et les mesures d'impédance des enroulements6. Ces méthodes, qui présentent à la fois des avantages et des inconvénients, peuvent être améliorées pour augmenter l'efficacité et la fiabilité du système.

L'analyse des défauts a été étudiée à l'aide de diverses techniques pour détecter, identifier et localiser avec succès les défauts dans les systèmes électriques. Un système de détection de défaut entre spires qui utilise un courant neutre côté primaire pour indiquer l'état de défaut a été mis en œuvre dans les transformateurs de puissance7. La perte de puissance active à vide et la puissance réactive peuvent être appliquées pour détecter les défauts entre spires dans les transformateurs de puissance8. En utilisant les harmoniques de courant comme facteur déterminant, ils peuvent détecter correctement si un transformateur de puissance est en état de défaut9,10. Un système de protection basé sur l'Internet des objets peut surveiller et analyser un signal obtenu11. Pour le transformateur, le défaut d'enroulement à la terre est une condition anormale qui peut entraîner des dommages à l'équipement, raison pour laquelle de nombreuses recherches ont analysé sa caractéristique afin de la diagnostiquer correctement12,13. Cependant, la mise en œuvre est limitée car de tels systèmes nécessitent des composants supplémentaires ou ne sont pas adaptés à des applications spécifiques. Ainsi, des outils mathématiques ont été utilisés pour obtenir un algorithme amélioré avec une applicabilité plus large.

La transformée en ondelettes est un outil mathématique qui peut être utilisé pour analyser des signaux à diverses fins. Dans les applications de systèmes électriques, il peut surmonter les inconvénients de la transformée de Fourier pour l'analyse du signal. L'ondelette mère utilisée dans l'analyse affecte également les performances des algorithmes, et les performances de diverses ondelettes mères dans les applications de systèmes électriques ont été comparées pour sélectionner l'ondelette mère optimale pour l'analyse des défauts. Une étude précédente a montré que les ondelettes de Daubechies sont adaptées à l'analyse des conditions de défaut transitoire14,15. Un algorithme basé sur les ondelettes pour la protection différentielle des transformateurs de puissance a correctement détecté différents types de défauts16. La transformée en ondelettes continue a également été mise en œuvre en traitant le signal FRA pour identifier la déformation de l'enroulement17. Un autre algorithme de détection basé sur les ondelettes qui ne nécessite que les composants haute fréquence détecte les défauts à la terre avec une précision similaire18. La caractéristique de la valeur du coefficient a également été présentée dans des travaux antérieurs, qui ont démontré que cette caractéristique peut être utilisée pour une application de diagnostic de panne19. Ces applications ont fourni un aperçu de la pertinence des ondelettes en tant qu'outil mathématique pour analyser les signaux de défaut transitoires. Cependant, une meilleure précision est souhaitable.

Ces dernières années, l'intelligence artificielle est un autre outil largement utilisé et capable de changer la façon d'interagir avec le monde20 ; des méthodes telles que la machine à vecteurs de support21, l'arbre de décision22 et les réseaux de neurones artificiels (ANN)9,23,24 sont souvent employées. Divers réseaux de neurones fournissent différents objectifs et applications appropriés. Par exemple, le PNN adapté à est largement utilisé dans les problèmes de classification et de reconnaissance de formes. Le réseau de neurones convolutifs (CNN) est une classe de réseaux de neurones artificiels (ANN), le plus souvent appliqué pour analyser l'imagerie visuelle. La mémoire longue à court terme (LSTM) est un réseau de neurones artificiels utilisé dans les domaines de l'intelligence artificielle et de l'apprentissage en profondeur. L'application de LSTM, par exemple, est la reconnaissance de l'écriture manuscrite, la reconnaissance vocale, les jeux vidéo, etc. Bien qu'il existe de nombreux types de réseaux de neurones, seules quelques structures à base de neurones sont couramment utilisées pour résoudre divers problèmes de système d'alimentation. Dans le cas du réseau neuronal à rétropropagation (BPNN), il s'agit de l'un des premiers types de réseaux neuronaux largement étudiés et appliqués pour la détection des défauts en raison de son efficacité à résoudre presque tous les types de problèmes et ne nécessitant pas de réponse rapide, comme la détection des défauts, l'optimisation de la conception et la prévision à court terme, et sa capacité à détecter, classer et localiser les défauts dans les systèmes électriques a été démontrée25,26,27. Le succès de BPNN est dû au processus de calcul de l'erreur et de propagation vers le réseau par un optimiseur, qui fournit des résultats très précis. À partir des recherches précédentes, nous avons utilisé BPNN pour classer les défauts internes et externes dans les systèmes électriques avec le transformateur de puissance, ce qui peut être atteint avec une précision satisfaisante28. De plus, les fonctions d'activation utilisées dans les BPNN offrent une flexibilité pour différentes applications29. Ses fonctionnalités le rendent préférable aux autres types de réseaux de neurones.

Une revue de la littérature a révélé que les défauts des transformateurs de puissance peuvent affecter de manière significative le fonctionnement du réseau. Ainsi, un algorithme précis de localisation des pannes peut aider les équipes d'exploitation et de maintenance à résoudre le problème correctement et rapidement. Cependant, la plupart des études se sont concentrées sur les effets du courant d'appel magnétisant et la discrimination du courant d'appel magnétisant des défauts internes, y compris la classification des défauts. Cependant, la détection des emplacements des défauts enroulement-terre est rarement discutée. La capacité d'identifier les emplacements des défauts le long des enroulements du transformateur serait très utile. Par conséquent, cette étude a étudié une méthode de localisation des défauts d'enroulement à la terre dans un transformateur triphasé à deux enroulements qui nécessite une analyse moins complexe que les méthodes conventionnelles.

Cet article propose un algorithme pour détecter et localiser les défauts d'enroulement à la terre en utilisant une transformée en ondelettes et BPNN. Pour évaluer les performances de l'algorithme, le logiciel ATP/EMTP30 a été utilisé pour simuler un transformateur de puissance et générer des signaux de défaut dans un système modélisé sur un transformateur triphasé à deux enroulements EGAT réel en Thaïlande. La figure 1 montre un organigramme simplifié de l'algorithme proposé, qui peut envoyer des signaux à un relais de déclenchement et localiser un défaut dans un enroulement de transformateur de puissance. L'algorithme utilise la forme d'onde de courant obtenue à partir d'unités de surveillance sur des enroulements de différentes tailles et applique une transformée en ondelettes discrètes (DWT) pour extraire les coefficients de la première échelle. Le coefficient de comparaison est utilisé comme entrée pour la formation du réseau neuronal. Des combinaisons appropriées de fonctions d'activation pour les couches cachées et la couche de sortie du BPNN sont également sélectionnées.

Schéma de l'algorithme de détection et de localisation des défauts du transformateur de puissance.

Ce document est organisé comme suit. La transformée en ondelettes est expliquée en détail et les équations sont données dans la section "Transformées en ondelettes". Le modèle de transformateur et le calcul des paramètres sont présentés dans la section "Modèle d'enroulement du transformateur". L'étude de cas utilisée pour simuler le signal de défaut et évaluer l'algorithme est décrite dans la section "Études de cas et caractéristique du système". La section "Algorithme de décision de réseau de neurones et résultats de simulation" présente les résultats de l'algorithme de localisation de défaut proposé. Enfin, les conclusions de l'étude sont présentées dans la section "Conclusions".

La transformée en ondelettes est similaire aux méthodes conventionnelles telles que la transformée de Fourier, mais elle présente des avantages par rapport à la transformée de Fourier pour l'analyse des transitoires résultant de défauts dans les systèmes électriques. En effet, les informations recherchées dans ce type d'application se situent à la fois dans le domaine fréquentiel et dans le domaine temporel. Le DWT a été utilisé pour analyser les signaux obtenus à partir des systèmes. Une ondelette est une petite onde localisée de durée finie avec une forme particulière et une valeur moyenne nulle. La transformée en ondelettes est un outil qui divise les données, les fonctions ou les opérateurs en différentes composantes fréquentielles, puis étudie chaque composante avec une résolution adaptée à son échelle31,32. La transformée permet un réglage fin de la bande analysée afin que les composantes haute et basse fréquence soient détectées avec précision. La transformée en ondelettes peut dilater des signaux par un décalage dans le temps ou une translation ainsi que par une compression dans le temps ou la dilatation d'une fonction d'ondelette fixe appelée ondelette mère. Les transformées en ondelettes dans lesquelles l'analyse est mise à l'échelle par un facteur de deux sont appelées DWT et s'écrivent comme suit.

où \(\psi \left[ {\frac{{n - k2^{m} }}{{2^{m} }}} \right]\) est l'ondelette mère.

L'ondelette mère Daubechies 4 (db4) a été sélectionnée pour la DWT en raison de son aptitude à analyser les transitoires dans les systèmes électriques14,30,31,32.

Un transformateur triphasé à deux enroulements avec des enroulements primaires et secondaires séparés pour chaque phase a été utilisé dans cette étude. Un défaut interne au transformateur a été simulé en modifiant le sous-programme BCTRAN dans le logiciel ATP/EMTP30. BCTRAN utilise généralement une matrice d'inductance 6 × 6 pour représenter un transformateur; cependant, étant donné que la condition de défaut interne (en particulier, un défaut enroulement-terre) est prise en compte ici, une matrice 7 × 7 a été utilisée33. Le modèle a été validé et sa précision a été prouvée par comparaison avec les résultats de mesure. Cependant, les effets des composants haute fréquence qui peuvent apparaître lors de défauts ne sont pas inclus dans ce modèle. Il a été démontré que les types de défauts et les emplacements des défauts affectent les réponses en fréquence du transformateur34. De plus, il a été prouvé que la protection basée sur les transitoires utilisant les composantes haute fréquence des courants de défaut peut être utilisée pour localiser et classer les défauts dans les lignes de transmission35. Par conséquent, il est utile d'étudier les composants haute fréquence superposés aux signaux de courant de défaut pour développer un système de protection basé sur les transitoires pour un transformateur. Ainsi, dans cette étude, le modèle de transformateur proposé par Bastard et al.33 (Fig. 2) est combiné avec un modèle haute fréquence recommandé par un groupe de travail IEEE36, qui inclut les capacités du transformateur (Fig. 3). Le modèle est utilisé pour simuler les défauts d'enroulement à la terre sur les enroulements du transformateur.

Modèle ATP/EMTP de transformateur de puissance avec défaut enroulement-terre33.

Schéma d'un transformateur à deux enroulements montrant les effets des capacités parasites36.

Le processus de simulation des défauts enroulement-terre basé sur la routine BCTRAN de l'EMTP peut être résumé comme suit.

Première étape : Calculer les matrices R et L du transformateur de puissance à partir des données de test de fabrication37 sans tenir compte des défauts d'enroulement à la terre33, comme indiqué dans les équations. (2) et (3).

Deuxième étape : modifier les équations. (2) et (3) pour obtenir les nouvelles matrices de défauts d'enroulement interne \(\left[ R \right]^{*}\) et \(\left[ L \right]^{*}\), comme indiqué dans les équations. (4) et (5), respectivement33.

Troisième étape : simulez la capacité entre les enroulements et la capacité de terre des enroulements haute et basse tension en ajoutant la capacité localisée connectée aux bornes du transformateur.

Le logiciel ATP/EMTP30 a été utilisé pour simuler le signal du système dans des conditions normales et de défaut (taux d'échantillonnage : 200 kHz, temps d'échantillonnage : 5 μs). La sous-station utilisée dans cette étude de cas a été modélisée d'après une partie du système de transmission EGAT de 115 kV qui est connecté à une ligne de distribution de 23 kV de la Provincial Electricity Authority (PEA). Le transformateur de puissance utilisé dans cette sous-station est un transformateur abaisseur triphasé à deux enroulements (50 MVA, 115/23 kV) ; la configuration et les spécifications fournies par le fabricant37 ont été utilisées. La figure 4 montre un schéma unifilaire du transformateur de puissance et des composants connectés. De plus, la configuration du paramètre dans le transformateur de puissance utilisé dans l'étude de cas peut être résumée comme indiqué dans le tableau 1. Une simulation approfondie a été effectuée pour évaluer l'algorithme proposé dans diverses conditions. Les paramètres des simulations sont les suivants.

Des enroulements primaires et secondaires (bobines haute et basse tension) avec différentes phases dans lesquelles un défaut se produit ont été utilisés.

L'angle d'origine du signal de défaut (la tension de la phase A sert de référence) a été varié de 0° à 330° par pas de 30°.

L'emplacement du défaut sur l'enroulement, mesuré comme la distance depuis la borne de la bobine, a varié de 10 à 90 % par pas de 10 %.

La résistance de défaut était de 5 Ω.

Schéma unifilaire de la section de ligne de transmission utilisé dans l'étude de cas.

Les défauts dans les systèmes électriques affectent de manière significative le signal de courant, qui peut donc être utilisé pour déterminer si un défaut s'est produit dans le système. Ainsi, l'algorithme de détection de défaut proposé est basé sur l'application du DWT à la forme d'onde de courant triphasé obtenue à partir de dispositifs de mesure sur les côtés primaire et secondaire du transformateur de puissance. Les figures 5 et 6 montrent des exemples du signal de courant triphasé obtenu des côtés primaire et secondaire pour un défaut de la phase d'enroulement A à la terre dans l'enroulement primaire (haute tension) et l'enroulement secondaire (basse tension), respectivement, à l'aide du logiciel ATP/EMTP30.

Courants primaires et secondaires sous l'apparition d'un défaut enroulement-terre phase A sur l'enroulement haute tension à 10 % de la longueur.

Courants primaire et secondaire sous la phase A apparition d'un défaut enroulement-terre sur l'enroulement basse tension à 10 % de la longueur.

Pendant le défaut, le courant de la phase de défaut du côté primaire a augmenté de manière significative en raison du flux de courant à travers l'emplacement du défaut. En revanche, le courant du côté secondaire a diminué car moins de puissance a été transférée en raison du défaut du côté primaire. Cependant, un défaut du côté secondaire a provoqué un petit transitoire et une diminution plus faible du courant mesuré du côté secondaire. Ce comportement peut être utilisé pour diagnostiquer l'état de panne du système.

Les signaux de courant obtenus des côtés primaire et secondaire du transformateur de puissance ont été utilisés pour calculer le courant différentiel. Le courant triphasé a également été transformé en courant homopolaire, négatif et homopolaire. Le quart de cycle du courant triphasé et la forme d'onde homopolaire après l'apparition du défaut ont été utilisés comme entrée. La transformée en ondelettes extrait les coefficients de forme d'onde de l'échelle 1 à l'échelle 5. La valeur du coefficient est extraite du signal puis mise au carré pour accentuer le changement de la valeur du coefficient, comme illustré sur les Fig. 7 et 8 pour les défauts sur l'enroulement primaire et secondaire, respectivement.

Coefficients des courants différentiels triphasés et homopolaires sous défaut phase A enroulement-terre sur l'enroulement haute tension (primaire) à 10 % de la longueur.

Coefficients des courants différentiels triphasés et homopolaires sous défaut phase A enroulement-terre sur enroulement basse tension (secondaire) à 10 % de la longueur.

Les coefficients extraits montrent un fort pic lorsqu'un défaut se produit dans le système, puis diminuent jusqu'au niveau normal. Ce comportement résulte des propriétés des ondelettes, qui réagissent lors des transitoires mais pas en régime permanent. La sortie du coefficient de la transformée en ondelettes a été utilisée pour construire l'algorithme de décision par essais et erreurs. L'algorithme a été appliqué à l'aide de coefficients de différentes échelles, et les coefficients de l'échelle 1 se sont avérés suffisamment distincts pour que l'algorithme puisse identifier l'apparition d'un défaut interne. Ainsi, seuls les coefficients d'échelle 1 obtenus à partir du DWT ont été utilisés comme données d'apprentissage pour le réseau de neurones afin d'obtenir un algorithme rapide.

L'intelligence artificielle, en particulier les réseaux de neurones, a été largement appliquée dans divers domaines, dont l'électrotechnique. Le BPNN est une structure basée sur les neurones qui convient à la reconnaissance de formes et à la classification des défauts. Il se compose de trois couches : une couche d'entrée, au moins une couche cachée et une couche de sortie. Ces couches sont reliées par des poids et des biais. L'algorithme proposé utilise une architecture BPNN avec une couche d'entrée, deux couches cachées et une couche de sortie, comme illustré à la Fig. 9.

BPNN utilisé dans l'algorithme proposé.

Deux couches cachées sont utilisées dans la structure du réseau neuronal pour l'algorithme en raison de l'avantage fonctionnel par rapport à une structure avec une couche cachée. Cependant, différentes fonctions d'activation fournissent également une large plage de précision pour l'algorithme. Ainsi, des fonctions d'activation appropriées pour l'algorithme de localisation de défaut pour un transformateur de puissance ont été sélectionnées. Les fonctions sigmoïde tangente hyperbolique, sigmoïde logistique et linéaire ont été prises en compte. Le tableau 2 répertorie les 12 combinaisons de fonctions d'activation utilisées dans les couches cachées et de sortie.

Le processus de formation pour le BPNN peut être divisé en trois parties, comme suit38.

Modèle d'entrée anticipée

Le modèle d'entrée à anticipation propage les données de la couche d'entrée à la couche cachée et enfin à la couche de sortie. La réponse du modèle d'entrée peut être calculée à l'aide des équations. (6) et (7).

où.

p = vecteur d'entrée de BPNN,

iw1,1 = poids entre la couche d'entrée et la première couche cachée,

lw2,1 = poids entre les première et deuxième couches cachées,

lw3,2 = poids entre la deuxième couche cachée et la couche de sortie,

b1, b2 = biais dans les première et deuxième couches cachées, respectivement,

b3 = biais dans la couche de sortie,

f1, f2 = fonction d'activation (fonction sigmoïde tangente hyperbolique : tanh),

f3 = fonction d'activation (fonction linéaire).

Rétropropagation de l'erreur associée

L'erreur associée d'un BPNN est l'erreur entre le réseau neuronal et les sorties cibles. Il est propagé à tous les neurones de la couche inférieure et sert également de référence pour l'ajustement des poids et des biais.

Ajustement du poids et du biais

Les pondérations et les biais ont été ajustés à l'aide du processus Levenberg-Marquardt (trainlm) pour faire correspondre les résultats calculés et cibles. L'indice d'erreur moyenne en pourcentage absolu (MAPE) a été utilisé pour déterminer l'efficacité du BPNN ; il est calculé à l'aide de l'équation. (8).

où n est le nombre de jeux de test.

La structure proposée du BPNN basée sur les résultats de calcul se compose de quatre entrées de neurones, de deux couches cachées et d'une sortie de neurones. Le modèle d'entrée du réseau neuronal se compose des coefficients maximaux à l'échelle 1 (cD1) des courants triphasés et homopolaires à partir des courants différentiels post-défaut. Les variables de sortie de la structure du réseau neuronal sont étiquetées de 0,1 à 0,9 en fonction de l'emplacement où se produit le défaut enroulement-terre. Les ensembles de données d'entrée sont normalisés et divisés en 216 ensembles pour la formation et 108 ensembles pour les tests. Pour entraîner le réseau de neurones, le nombre de neurones dans les deux couches cachées a été augmenté et différentes combinaisons de fonctions d'activation ont été utilisées pour sélectionner celles qui offraient les meilleures performances. Les pondérations et les biais ont été ajustés avant le calcul du MAPE, et le cycle de formation a été répété pendant 20 000 itérations pour déterminer la meilleure valeur MAPE. L'entraînement a été arrêté lorsque la première couche cachée a atteint le nombre final de neurones ou que le MAPE des ensembles de test était inférieur à 0,5 %. La figure 10 montre un organigramme du processus de formation BPNN proposé.

Organigramme du processus de formation BPNN.

Après le processus de formation, l'algorithme de décision basé sur BPNN a été testé en utilisant le poids et le biais qui ont donné le MAPE minimum. Les données stockées ont ensuite été calculées en utilisant uniquement les valeurs d'entrée, et non la sortie cible ou des valeurs calculées similaires à la sortie cible correcte. Le nombre d'études de cas et d'ensembles de données qui seront utilisés comme entrée pour l'algorithme proposé peut être résumé comme indiqué dans le tableau 3. La figure 11 montre les résultats obtenus en utilisant diverses combinaisons de fonctions d'activation et les données de l'ensemble de test sur les enroulements haute et basse tension.

Erreurs moyennes dans la localisation des défauts pour différentes combinaisons de fonctions d'activation.

Quatre combinaisons de fonctions d'activation ont fourni des résultats précis avec une erreur moyenne inférieure à 5 % :

Tangente hyperbolique–logistique–linéaire

Tangente hyperbolique–tangente hyperbolique–linéaire

Logistique-logistique-linéaire

Logistique–tangente hyperbolique–linéaire

Après le processus de formation, l'algorithme a été mis en œuvre dans le système et ses performances dans la localisation des défauts ont été évaluées à l'aide du signal de défaut enroulement-terre. Un total de 324 cas dans différentes conditions ont été examinés pour vérifier les performances de l'algorithme et identifier les combinaisons appropriées de fonctions d'activation. Le tableau 4 répertorie l'erreur moyenne de localisation de défaut obtenue en utilisant les quatre combinaisons de fonction d'activation qui ont présenté les meilleures performances.

Les quatre combinaisons de fonctions d'activation optimales présentent des erreurs similaires pour l'enroulement haute tension. Cependant, pour l'enroulement basse tension, la combinaison tangente hyperbolique-tangente hyperbolique-linéaire peut atteindre une plus grande précision avec beaucoup moins d'erreur que les autres combinaisons.

La figure 12 montre l'erreur moyenne de localisation du défaut pour différentes combinaisons de fonctions d'activation pour les enroulements haute et basse tension de la phase A à la phase C. L'erreur moyenne de localisation du défaut pour l'enroulement haute tension est de 2,5 %, tandis que celle de l'enroulement basse tension est de 6 % à différentes longueurs de l'enroulement du transformateur. Ces résultats indiquent la performance de chaque fonction d'activation dans différentes conditions. La combinaison tangente hyperbolique-tangente hyperbolique-linéaire peut ne pas fournir la meilleure précision dans certaines conditions de défaut, telles que des emplacements de défaut à 10 % et 20 % de la longueur sur l'enroulement basse tension. Cependant, il peut fournir la meilleure précision en moyenne pour localiser les défauts d'enroulement à la terre.

Erreur moyenne dans la localisation du défaut en utilisant quatre combinaisons optimales de fonctions d'activation.

Le tableau 4 et la figure 12 montrent que tangente hyperbolique–tangente hyperbolique–linéaire est une combinaison appropriée de fonctions d'activation. Ainsi, il a été sélectionné comme combinaison de fonctions d'activation dans le BPNN pour localiser les défauts d'enroulement à la terre. La figure 13 montre l'erreur moyenne de localisation du défaut lorsque l'algorithme avec ces fonctions d'activation a été appliqué. Pour divers emplacements de défaut sur les enroulements haute et basse tension du transformateur triphasé, la précision de l'emplacement du défaut basée sur la prédiction de l'algorithme de décision était excellente. Les effets de divers paramètres sur les performances de l'algorithme proposé sont présentés dans les tableaux 5, 6, 7, 8.

Erreur moyenne dans la localisation du défaut lorsque l'algorithme est utilisé avec des fonctions d'activation tangente hyperbolique–tangente hyperbolique–linéaire.

Les tableaux 5 et 6 montrent l'emplacement du défaut prévu et son erreur pour les défauts d'enroulement à la terre dans la phase A sur les enroulements haute et basse tension, respectivement. L'emplacement réel du défaut a été fixé à 10 % de la longueur de l'enroulement et l'angle d'apparition du signal de défaut a été modifié. L'algorithme a prédit l'emplacement du défaut sur l'enroulement haute tension avec une erreur inférieure à 3 % pour tous les angles d'amorçage. La prédiction pour l'enroulement basse tension était moins précise que celle pour l'enroulement haute tension. Cependant, l'erreur globale était inférieure à 5 %. Ainsi, l'angle d'entrée n'affecte pas de manière significative les performances de l'algorithme de localisation de défaut proposé.

Les tableaux 7 et 8 répertorient l'emplacement de défaut prévu et son erreur pour les défauts d'enroulement à la terre dans la phase A avec un angle d'amorçage fixe et divers emplacements de défaut sur les enroulements haute et basse tension, respectivement. L'angle d'inception a été fixé à 240° pour l'enroulement haute tension et à 210° pour l'enroulement basse tension. L'algorithme a prédit l'emplacement du défaut avec des erreurs inférieures à 1 % pour l'enroulement haute tension. La prédiction était à nouveau moins précise pour l'enroulement basse tension que pour l'enroulement haute tension. Cependant, l'erreur globale était inférieure à 3 %. Ces résultats démontrent que l'algorithme peut localiser les défauts avec précision à tous les emplacements possibles.

L'application de la méthode de localisation des défauts proposée à différents défauts d'enroulement à la terre dans un transformateur de puissance a révélé que l'algorithme peut détecter les défauts avec précision avec des erreurs inférieures à 0,5 %. L'emplacement du défaut, l'angle d'apparition et la tension d'enroulement n'affectent pas les performances de l'algorithme. Cette étude a démontré que l'algorithme proposé peut être mis en œuvre dans les systèmes de protection des transformateurs de puissance pour fournir aux équipes d'exploitation et de maintenance des services publics d'électricité des informations précises pour répondre rapidement et correctement aux défauts des transformateurs de puissance.

Les transformateurs de puissance sont un composant essentiel des systèmes électriques et peuvent être vulnérables aux défauts, en particulier aux défauts internes. Ainsi, un système de protection est nécessaire pour identifier et isoler avec précision les défauts afin de minimiser les dommages matériels. De plus, la capacité à localiser les pannes aide les équipes de maintenance et d'exploitation à réagir correctement aux pannes et à assurer la fiabilité du réseau. L'algorithme proposé utilise une combinaison du DWT et du BPNN pour localiser les défauts d'enroulement à la terre dans un transformateur de puissance triphasé. Les coefficients maximaux à l'échelle 1 des signaux de courant différentiel post-défaut triphasés et du courant homopolaire ont été utilisés comme entrée pour former le BPNN. Des études de cas de défauts dans différentes conditions ont été utilisées pour évaluer les performances de l'algorithme proposé. Les résultats ont démontré que l'algorithme peut détecter et localiser les défauts d'enroulement à la terre en utilisant la combinaison de fonctions d'activation tangente hyperbolique–tangente hyperbolique–linéaire dans diverses couches du BPNN. La précision globale de l'algorithme proposé dépasse 95 % et, dans certains cas, la précision atteint 99,5 %. De plus, les performances de localisation des défauts n'ont pas été affectées par divers paramètres système. Cette technique devrait être utile pour identifier et réparer les défauts d'enroulement à la terre dans les transformateurs de puissance. Dans les travaux futurs, l'algorithme sera amélioré afin que les emplacements des défauts entre spires le long des enroulements du transformateur puissent être identifiés.

Les ensembles de données utilisés et analysés au cours de l'étude actuelle sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Christina, AJ et al. Causes des pannes de transformateur et méthodes de diagnostic - Un examen. Renouveler. Soutenir. Énergie Rév. 82(1), 1442–1456 (2018).

Google Scholar

Faiz, J. & Heydarabadi, R. Diagnostic des défauts des transformateurs de puissance. Russe. Électr. Ing. 85(12), 785–793 (2015).

Article Google Scholar

Horowitz, SH, Phadke, AG & Niemira, JK Power System Relaying 4th edn. (Wiley, New York, 2013).

Google Scholar

de Faria Jr, H., Costa, JGS & Olivas, JLM Un examen des méthodes de surveillance pour la maintenance prédictive des transformateurs de puissance électrique basée sur l'analyse des gaz dissous. Renouveler. Soutenir. Énergie Rev. 46, 201–209 (2015).

Article Google Scholar

Senobari, RK, Sadeh, J. & Borsi, H. Analyse de la réponse en fréquence (FRA) des transformateurs comme outil de détection et de localisation des défauts : un examen. Électr. Système d'alimentation Rés. 155, 172–183 (2018).

Article Google Scholar

Soni, R. & Mehta, B. Examen de la gestion des actifs des transformateurs de puissance en diagnostiquant les défauts naissants et en identifiant les défauts à l'aide de diverses méthodologies de test. Ing. Échouer. Anal. 128, 105634 (2021).

Article Google Scholar

Ballal, MS, Suryawanshi, HM, Mishra, MK & Chaudhari, BN Détection des défauts interspires des transformateurs par diagnostic du courant neutre. IEEE Trans. Alimentation électrique 31(3), 1096–1105 (2016).

Article Google Scholar

Ehsanifar, A. et al. Détection des défauts d'enroulement entre spires du transformateur basée sur la perte de puissance active à vide et la puissance réactive. Int. J. Electr. Système d'énergie d'alimentation. 130, 107034 (2021).

Article Google Scholar

Bagheri, S., Moravej, Z. & Gharehpetian, GB Classification et discrimination entre les défauts mécaniques d'enroulement, les défauts électriques internes et externes et le courant d'appel du transformateur. IEEE Trans. Industrie Inf. 14(2), 484–493 (2018).

Article Google Scholar

Raichura, M., Chothani, N., Patel, D. & Mistry, K. Discrimination basée sur la distorsion harmonique totale (THD) [2_TD$DIFF] des conditions normales, d'appel et de défaut dans le transformateur de puissance. Renouveler. Focus énergétique 36, 43–55 (2021).

Article Google Scholar

Zhang, C. et al. Méthode de diagnostic de panne de transformateur utilisant un système de surveillance basé sur l'IdO et l'apprentissage automatique d'ensemble. Générateur futur. Calcul. Syst. 108, 533-545 (2020).

Article Google Scholar

Pham, DAK, Pham, TMT, Borsi, H. & Gockenbach, E. Une nouvelle méthode de diagnostic pour prendre en charge les évaluations d'analyse de réponse en fréquence standard pour le diagnostic des défaillances mécaniques des enroulements de transformateur. IEEE Électr. Insul. Mag. 30(2), 34–41 (2014).

Article Google Scholar

Satish, L. & Sahoo, SK Localisation des défauts dans un enroulement de transformateur : Une étude expérimentale. Électr.Power Syst. Rés. 79(1), 89–97 (2009).

Article Google Scholar

Klomjit, J., Ngaopitakkul, A. & Sreewirote, B. Comparaison des ondelettes mères pour les défauts de classification sur les systèmes de lignes de transmission hybrides. À la 8e Conférence internationale de l'IEEE sur la sensibilisation aux sciences et technologies (iCAST 2017). 527–532 (2017).

Pothisarn, C. et al. Comparaison de diverses ondelettes mères pour la classification des défauts dans les systèmes électriques. Appl. Sci. 10, 1–15 (2020).

Article Google Scholar

Medeiros, RP & Costa, FB Une protection différentielle de transformateur basée sur les ondelettes avec saturation du transformateur de courant différentiel et détection des défauts entre pays. IEEE Trans. Puissance Livr. 33(2), 789–799 (2018).

Article Google Scholar

Cheng, Q., Zhao, Z., Tang, C., Qian, G. et Islam, S. Diagnostic des types de défauts de déformation d'enroulement de transformateur à l'aide de la transformée en ondelettes continue de la réponse impulsionnelle. Mesure 140, 197-206 (2019).

Annonces d'article Google Scholar

Aires, MNO et al. Une protection différentielle de transformateur de puissance contre les défauts à la terre restreinte basée sur les ondelettes. Électr. Système d'alimentation Rés. 196, 107246 (2021).

Article Google Scholar

Gururajapathy, SS, Mokhlis, H. & Illias, HA Techniques de localisation et de détection des défauts dans les systèmes de distribution d'énergie avec génération distribuée : une revue. Renouveler. Soutenir. Énergie Rev. 74, 949–958 (2017).

Article Google Scholar

Rumkidkarn, J., Ngaopitakkul, A. Analyse du comportement d'un défaut d'enroulement à la terre dans un transformateur utilisant des composants haute et basse fréquence à partir d'une transformée en ondelettes discrète. En 2017 Conférence internationale sur l'innovation des systèmes appliqués (ICASI), 1102–1105 (2017).

Shah, M. & Bhalja, BR Discrimination entre les défauts internes et autres perturbations dans le transformateur à l'aide du schéma de protection basé sur la machine à vecteur de support. IEEE Trans. Puissance Livr. 28(3), 1508-1515 (2013).

Article Google Scholar

Beheshtaein, S. Application de la méthode à base d'ondelettes et DT dans la détection de la ferrorésonance d'autres phénomènes transitoires. En 2012 Symposium international sur les innovations dans les systèmes et applications intelligents. (2012).

Fernandes, JF, Costa, FB & de Medeiros, RP Classification des perturbations des transformateurs de puissance basée sur la transformée en ondelettes et les réseaux de neurones artificiels. Dans Conférence conjointe internationale sur les réseaux de neurones (IJCNN). 640–646 (2016).

Bhasker, SK, Bera, PK, Kumar, V. & Tripathy, M. Protection différentielle du transformateur de déphasage symétrique indirect et classification des défauts internes à l'aide d'ondelettes et d'ANN. TENCON 2015—2015 Conférence IEEE Région 10. 1–6 (2015).

Ngaopitakkul, A. & Bunjongjit, S. Une application d'une transformée en ondelettes discrète et d'un algorithme de réseau neuronal à rétropropagation pour le diagnostic de défaut sur une ligne de transmission à circuit unique. Int. J. Syst. Sci. 44(9), 1745-1761 (2013).

Article MATH Google Scholar

Kaitwanidvilai, S., Pothisarn, C., Jettanasen, C., Chiradeja, P. & Ngaopitakkul, A. Transformée en ondelettes discrètes et algorithme de réseaux de neurones à rétropropagation pour la classification des défauts dans les câbles souterrains. In International MultiConference of Engineers and Computer Scientists 2011 (IMECS 2011). 996-1000 (2011).

Zin, AAM, Saini, M., Mustafa, MW, Sultan, AR & Rahimuddin,. Nouvel algorithme de détection et de classification des défauts sur une ligne de transmission parallèle utilisant DWT et BPNN basé sur la transformation de Clarke. Neuroinformatique. 168, 983–993 (2015).

Article Google Scholar

Ngaopitakkul, A., Jettanasen, C., Asfani, DA et Negara, Y. Application de la transformation discrète en ondelettes et du réseau de neurones à rétropropagation pour la classification des défauts internes et externes dans le transformateur. Int. J. Circuits Syst. Processus de signalisation. 13, 458–463 (2019).

Google Scholar

Bunjongjit, S. & Ngaopitakkul, A. Sélection de réseaux de neurones artificiels appropriés pour la classification des défauts sur une ligne de transmission à circuit unique. Int. J. Innov. Calcul. Inf. Contrôle. 8(1A), 361–374 (2012).

MATH Google Scholar

ATPDraw https://www.atpdraw.net/index.php (2022).

Kim, CH & Aggarwal, R. Transformées en ondelettes dans les systèmes électriques : Partie I. Introduction générale aux transformées en ondelettes. IEE Power Eng. J. 14(2), 81–87 (2000).

Article Google Scholar

Makming, P., Bunjongjit, S., Kunakorn, A., Jiriwibhakorn, S. & Kando, M. Diagnostic de défauts dans les lignes de transmission à l'aide de transformées en ondelettes. Dans la conférence IEEE sur la transmission et la distribution. 2246–2250 (2002).

Bastard, P., Bertrand, P. & Meunier, M. Un modèle de transformateur pour l'étude des défauts d'enroulement. IEEE Trans. Alimentation électrique 9(2), 690–699 (1994).

Article Google Scholar

Islam, SM & Ledwich, G. Localisation des défauts de transformateur grâce à l'analyse de sensibilité de la modélisation haute fréquence à l'aide de l'approche de la fonction de transfert. Dans le symposium international IEEE sur l'isolation électrique. 38–41 (1996).

Bo, ZQ, Redfern, MA & Weller, GC Protection positionnelle de la ligne de transmission à l'aide de signaux transitoires haute fréquence générés par défaut. IEEE Trans. Alimentation électrique 15(3), 888–894 (2000).

Article Google Scholar

Groupe de travail IEEE 15.08.09. Modélisation et analyse des transitoires du système à l'aide de programmes numériques (publication spéciale IEEE PES, 2009)

ABB Thaïlande, Rapport de test no. 56039.

Demuth, H. & Beale, M. Guide de l'utilisateur de la boîte à outils du réseau neuronal (The Math Work, 2001).

Télécharger les références

Faculté d'ingénierie, Université Srinakharinwirot, Bangkok, Thaïlande

Pathomthat Chiradeja

École d'ingénierie, King Mongkut's Institute of Technology Ladkrabang, Bangkok, Thaïlande

Atthapol Ngaopitakkul

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

AN A effectué l'analyse et rédigé le texte principal du manuscrit et préparé des figures et des tableaux. Les données fournies par PC et les outils d'analyse ont examiné le manuscrit. Tous les auteurs ont examiné le manuscrit.

Correspondance à Atthapol Ngaopitakkul.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Chiradeja, P., Ngaopitakkul, A. Localisation des défauts d'enroulement à la terre dans les enroulements de transformateur de puissance en utilisant une combinaison de transformée en ondelettes discrète et de réseau neuronal à rétropropagation. Sci Rep 12, 20157 (2022). https://doi.org/10.1038/s41598-022-24434-9

Télécharger la citation

Reçu : 29 avril 2022

Accepté : 15 novembre 2022

Publié: 23 novembre 2022

DOI : https://doi.org/10.1038/s41598-022-24434-9

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.