Devanado

Scientific Reports volumen 12, Número de artículo: 20157 (2022) Citar este artículo

962 Accesos

Detalles de métricas

Los transformadores de potencia son equipos importantes en los sistemas de potencia y requieren un sistema de protección sensible y preciso para garantizar la confiabilidad del sistema. En este artículo, se presenta un algoritmo de localización de fallas para transformadores de potencia basado en la transformada wavelet discreta y la red neuronal de retropropagación. El sistema está modelado en parte del sistema de transmisión y distribución de Tailandia. El software ATP/EMTP se usa para simular señales de falla para validar el algoritmo propuesto, y el desempeño se evalúa bajo varias condiciones. Además, se comparan varias funciones de activación en las capas oculta y de salida para seleccionar funciones adecuadas para el algoritmo. Los resultados de las pruebas muestran que el algoritmo propuesto puede localizar correctamente las fallas en el devanado del transformador en diferentes condiciones con un error promedio de menos del 0,1 %. Este resultado demuestra la factibilidad de implementar el algoritmo propuesto en sistemas de protección reales para transformadores de potencia.

Los transformadores de potencia, que son equipos esenciales en los sistemas de potencia, permiten la transmisión de energía entre diferentes secciones de la red a diferentes voltajes. Debido al aumento del consumo de energía en la última década como resultado de la urbanización y el crecimiento económico, los sistemas de energía y las redes eléctricas interconectadas se han expandido rápidamente y se han vuelto más complejos. Los transformadores de potencia, que juegan un papel importante en estos cambios, son vulnerables a fallas y reducen la confiabilidad de la red. Por lo tanto, es importante establecer un sistema de protección para identificar con precisión las fallas y aislarlas del sistema. La localización de fallas durante el diagnóstico de fallas también puede ayudar a los equipos de operación y mantenimiento a responder correctamente a las fallas en los transformadores de potencia. Las fallas en los devanados son comunes en los transformadores de potencia; ocurren dentro del transformador y son causados ​​por la degradación del aislamiento de los devanados1,2. Si la falla no se puede abordar de manera rápida y correcta, puede dañar irremediablemente el transformador. Los transformadores de potencia normalmente se protegen mediante una combinación de relés de sobrecorriente, relés de presión y relés diferenciales3. La Autoridad de Generación de Electricidad de Tailandia (EGAT) actualmente utiliza métodos convencionales para diagnosticar fallas en los transformadores de potencia, como análisis de gas disuelto4, análisis de respuesta de frecuencia (FRA)5 y mediciones de impedancia de devanado6. Estos métodos, que tienen ventajas y desventajas, se pueden mejorar para aumentar la eficiencia y la confiabilidad del sistema.

El análisis de fallas se ha estudiado utilizando varias técnicas para detectar, identificar y localizar fallas en los sistemas de energía con éxito. Se ha implementado un sistema de detección de fallas entre espiras que utiliza una corriente neutra del lado primario para indicar el estado de falla en los transformadores de potencia7. La pérdida de potencia activa sin carga y la potencia reactiva se pueden aplicar para detectar fallas entre espiras en transformadores de potencia8. Utilizando los armónicos de corriente como factor determinante, pueden detectar correctamente si un transformador de potencia se encuentra en estado de falla9,10. Un sistema de protección basado en Internet de las cosas puede monitorear y analizar una señal obtenida11. Para el transformador, la falla de devanado a tierra es una condición anormal que puede conducir a daños en el equipo, razón por la cual muchas investigaciones han estado analizando su característica para diagnosticarla correctamente12,13. Sin embargo, la implementación está limitada porque dichos sistemas requieren componentes adicionales o no son adecuados para aplicaciones específicas. Por lo tanto, se han utilizado herramientas matemáticas para obtener un algoritmo mejorado con una aplicabilidad más amplia.

La transformada wavelet es una herramienta matemática que se puede utilizar para analizar señales con diversos fines. En aplicaciones de sistemas de potencia, puede superar las desventajas de la transformada de Fourier para el análisis de señales. La wavelet madre utilizada en el análisis también afecta el rendimiento de los algoritmos, y se ha comparado el rendimiento de varias wavelets madre en aplicaciones de sistemas de potencia para seleccionar la wavelet madre óptima para el análisis de fallas. Un estudio anterior ilustró que las ondículas de Daubechies son adecuadas para el análisis de condiciones de fallas transitorias14,15. Un algoritmo basado en wavelet para protección diferencial de transformadores de potencia detectó correctamente diferentes tipos de fallas16. La transformada wavelet continua también se implementó mediante el procesamiento de la señal FRA para identificar la deformación del devanado17. Otro algoritmo de detección basado en wavelet que requiere solo los componentes de alta frecuencia detectó fallas a tierra con una precisión similar18. La característica del valor del coeficiente también se presentó en un trabajo anterior, que demostró que esta característica se puede utilizar para la aplicación de diagnóstico de fallas19. Estas aplicaciones han proporcionado información sobre la idoneidad de las wavelets como herramienta matemática para analizar señales de fallas transitorias. Sin embargo, es deseable una precisión mejorada.

En los últimos años, la inteligencia artificial es otra herramienta que ha sido ampliamente utilizada y capaz de cambiar la forma de interactuar con el mundo20; a menudo se emplean métodos como la máquina de vectores de soporte21, el árbol de decisión22 y las redes neuronales artificiales (ANN)9,23,24. Varias redes neuronales proporcionan diferentes objetivos y aplicaciones adecuados. Por ejemplo, el PNN adecuado para es ampliamente utilizado en problemas de clasificación y reconocimiento de patrones. La red neuronal convolucional (CNN) es una clase de red neuronal artificial (ANN), que se aplica más comúnmente para analizar imágenes visuales. La memoria a corto plazo (LSTM) es una red neuronal artificial utilizada en los campos de la inteligencia artificial y el aprendizaje profundo. La aplicación de LSTM, por ejemplo, es el reconocimiento de escritura a mano, el reconocimiento de voz, los videojuegos, etc. Aunque hay muchos tipos de redes neuronales, solo unas pocas estructuras basadas en neuronas se usan comúnmente para resolver varios problemas del sistema de energía. En el caso de la red neuronal de retropropagación (BPNN), es uno de los primeros tipos de redes neuronales ampliamente investigados y aplicados para la detección de fallas debido a su efectividad para resolver casi todo tipo de problemas y no requieren una respuesta rápida. , tales como detección de fallas, optimización de diseño y pronósticos a no muy corto plazo, y se ha demostrado su capacidad para detectar, clasificar y localizar fallas en sistemas de potencia25,26,27. El éxito de BPNN se debe al proceso de calcular el error y propagarlo a la red mediante un optimizador, que proporciona resultados muy precisos. A partir de la investigación anterior, utilizamos BPNN para clasificar las fallas internas y externas en los sistemas de potencia con el transformador de potencia, lo que se puede lograr con precisión satisfactoria28. Además, las funciones de activación utilizadas en las BPNN brindan flexibilidad para diferentes aplicaciones29. Sus funcionalidades lo hacen preferible a otros tipos de redes neuronales.

Una revisión de la literatura reveló que las fallas de los transformadores de potencia pueden afectar significativamente el funcionamiento de la red. Por lo tanto, un algoritmo de localización de fallas preciso puede ayudar a los equipos de operación y mantenimiento a abordar el problema de manera correcta y rápida. Sin embargo, la mayoría de los estudios se han centrado en los efectos de la corriente de entrada de magnetización y la discriminación de la corriente de entrada de magnetización de las fallas internas, incluida la clasificación de fallas. Sin embargo, rara vez se discute la detección de las ubicaciones de fallas de devanado a tierra. La capacidad de identificar ubicaciones de fallas a lo largo de los devanados del transformador sería muy útil. Por lo tanto, este estudio investigó un método para localizar fallas de devanado a tierra en un transformador trifásico de dos devanados que requiere un análisis menos complejo que los métodos convencionales.

Este artículo propone un algoritmo para detectar y localizar fallas de devanado a tierra utilizando una transformada wavelet y BPNN. Para evaluar el rendimiento del algoritmo, se utilizó el software ATP/EMTP30 para simular un transformador de potencia y generar señales de falla en un sistema modelado en un transformador trifásico de dos devanados EGAT real en Tailandia. La figura 1 muestra un diagrama de flujo simplificado del algoritmo propuesto, que puede enviar señales a un relé de disparo y localizar una falla en el devanado de un transformador de potencia. El algoritmo utiliza la forma de onda actual obtenida de las unidades de monitoreo en devanados de varios tamaños y aplica una transformada wavelet discreta (DWT) para extraer los coeficientes de la primera escala. El coeficiente de comparación se utiliza como entrada para entrenar la red neuronal. También se seleccionan combinaciones adecuadas de funciones de activación para las capas ocultas y la capa de salida de la BPNN.

Diagrama del algoritmo de detección y localización de fallas del transformador de potencia.

Este artículo está organizado de la siguiente manera. La transformada wavelet se explica en detalle y las ecuaciones se dan en la sección "Transformadas wavelet". El modelo del transformador y el cálculo de los parámetros se presentan en la sección "Modelo del devanado del transformador". El estudio de caso utilizado para simular la señal de falla y evaluar el algoritmo se describe en la sección "Estudios de caso y características del sistema". "Algoritmo de decisión de red neuronal y resultados de la simulación En la sección "Conclusiones" se presentan los resultados del algoritmo de localización de fallas propuesto. Finalmente, las conclusiones del estudio se presentan en la sección "Conclusiones".

La transformada wavelet es similar a métodos convencionales como la transformada de Fourier, pero tiene ventajas sobre la transformada de Fourier para el análisis de transitorios resultantes de fallas en sistemas de potencia. La razón es que la información deseada en este tipo de aplicación se encuentra tanto en el dominio de la frecuencia como en el del tiempo. El DWT se ha utilizado para analizar señales obtenidas de sistemas. Una wavelet es una pequeña onda localizada de duración finita con una forma particular y un valor promedio de cero. La transformada wavelet es una herramienta que divide datos, funciones u operadores en diferentes componentes de frecuencia y luego estudia cada componente con una resolución adecuada a su escala31,32. La transformada permite un ajuste fino de la banda que se analiza para que los componentes de alta y baja frecuencia se detecten con precisión. La transformada wavelet puede expandir las señales mediante un desplazamiento en el tiempo o una traslación, así como mediante la compresión en el tiempo o la dilatación de una función de wavelet fija llamada wavelet madre. Las transformadas wavelet en las que el análisis se escala por un factor de dos se denominan DWT y se escriben de la siguiente manera.

donde \(\psi \left[ {\frac{{n - k2^{m} }}{{2^{m} }}} \right]\) es la onda madre.

La wavelet madre Daubechies 4 (db4) fue seleccionada para el DWT debido a su idoneidad para analizar transitorios en sistemas de potencia14,30,31,32.

En este estudio se utilizó un transformador trifásico de dos devanados con devanados primario y secundario separados para cada fase. Se simuló una falla interna en el transformador modificando la subrutina BCTRAN en el software ATP/EMTP30. BCTRAN generalmente usa una matriz de inductancia de 6 × 6 para representar un transformador; sin embargo, debido a que aquí se considera la condición de falla interna (específicamente, una falla de devanado a tierra), se utilizó una matriz de 7 × 733. Se validó el modelo y se comprobó su precisión mediante la comparación con los resultados de las mediciones. Sin embargo, los efectos de los componentes de alta frecuencia que pueden aparecer durante las fallas no están incluidos en este modelo. Se ha demostrado que los tipos de fallas y las ubicaciones de las fallas afectan las respuestas de frecuencia del transformador34. Además, se ha demostrado que la protección basada en transitorios que utiliza los componentes de alta frecuencia de las corrientes de falla se puede utilizar para localizar y clasificar fallas en las líneas de transmisión35. Por lo tanto, es útil investigar los componentes de alta frecuencia superpuestos a las señales de corriente de falla para desarrollar un sistema de protección basado en transitorios para un transformador. Así, en este estudio se combina el modelo de transformador propuesto por Bastard et al.33 (Fig. 2) con un modelo de alta frecuencia recomendado por un grupo de trabajo del IEEE36, que incluye las capacidades del transformador (Fig. 3). El modelo se utiliza para simular fallas de devanado a tierra en los devanados del transformador.

Modelo ATP/EMTP de transformador de potencia con falla de devanado a tierra33.

Diagrama de un transformador de dos devanados que muestra los efectos de las capacitancias parásitas36.

El proceso para simular fallas de devanado a tierra basado en la rutina BCTRAN de EMTP se puede resumir de la siguiente manera.

Primer paso: Calcular las matrices R y L del transformador de potencia a partir de los datos de prueba de fabricación37 sin considerar las fallas de devanado a tierra33, como se muestra en las Ecs. (2) y (3).

Segundo paso: modificar las ecuaciones. (2) y (3) para obtener las nuevas matrices de falla interna del devanado \(\left[ R \right]^{*}\) y \(\left[ L \right]^{*}\), como se muestra en ecuaciones (4) y (5), respectivamente33.

Tercer paso: simule la capacitancia entre devanados y la capacitancia de tierra de los devanados de alta y baja tensión sumando la capacitancia concentrada conectada a los terminales del transformador.

El software ATP/EMTP30 se usó para simular la señal del sistema en condiciones normales y de falla (tasa de muestreo: 200 kHz, tiempo de muestreo: 5 μs) La subestación utilizada en este estudio de caso se modeló a partir de una parte del sistema de transmisión EGAT de 115 kV que está conectado a una línea de distribución de 23 kV de la Autoridad Eléctrica Provincial (PEA). El transformador de potencia utilizado en esta subestación es un transformador reductor trifásico de dos devanados (50 MVA, 115/23 kV); se utilizó la configuración y especificaciones proporcionadas por el fabricante37. La figura 4 muestra un diagrama unifilar del transformador de potencia y los componentes conectados. Además, la configuración del parámetro en el transformador de potencia que se usa en el caso de estudio se puede resumir como se muestra en la Tabla 1. Se realizó una simulación exhaustiva para evaluar el algoritmo propuesto en varias condiciones. Los parámetros de las simulaciones son los siguientes.

Se utilizaron devanados primarios y secundarios (bobinas de alta y baja tensión) con varias fases en las que se presenta la falla.

El ángulo de inicio de la señal de falla (el voltaje de la fase A se usa como referencia) se varió de 0° a 330° en pasos de 30°.

La ubicación de la falla en el devanado, medida como la distancia desde el terminal de la bobina, se varió de 10 a 90 % en pasos de 10 %.

La resistencia de falla fue de 5 Ω.

Diagrama unifilar de la sección de la línea de transmisión utilizada en el caso de estudio.

Las fallas en los sistemas de potencia afectan significativamente la señal actual, que por lo tanto puede usarse para determinar si se ha producido una falla en el sistema. Por lo tanto, el algoritmo de detección de fallas propuesto se basa en la aplicación del DWT a la forma de onda de corriente trifásica obtenida de los dispositivos de medición en los lados primario y secundario del transformador de potencia. Las Figuras 5 y 6 muestran ejemplos de la señal de corriente trifásica obtenida de los lados primario y secundario para una falla de la fase A del devanado a tierra en el devanado primario (alta tensión) y secundario (baja tensión), respectivamente, utilizando el software ATP/EMTP30.

Corrientes primarias y secundarias en caso de falla de devanado a tierra de fase A en el devanado de alta tensión en el 10% de la longitud.

Corrientes primarias y secundarias en caso de falla de devanado a tierra de fase A en el devanado de baja tensión en el 10% de la longitud.

Durante la falla, la corriente de la fase de falla en el lado primario aumentó significativamente debido al flujo de corriente a través de la ubicación de la falla. Por el contrario, la corriente en el lado secundario disminuyó porque se transfirió menos energía debido a la falla en el lado primario. Sin embargo, una falla en el lado secundario provocó un pequeño transitorio y una disminución más pequeña en la corriente medida desde el lado secundario. Este comportamiento se puede utilizar para diagnosticar el estado de falla del sistema.

Las señales de corriente obtenidas de los lados primario y secundario del transformador de potencia se utilizaron para calcular la corriente diferencial. La corriente trifásica también se transformó en corriente de secuencia positiva, negativa y cero. Se utilizaron como entrada el cuarto de ciclo de la corriente trifásica y la forma de onda de secuencia cero después del inicio de la falla. La transformada wavelet extrae coeficientes de forma de onda de escala 1 a escala 5. El valor del coeficiente se extrae de la señal y luego se eleva al cuadrado para enfatizar el cambio en el valor del coeficiente, como se muestra en las Figs. 7 y 8 para fallas en el devanado primario y secundario, respectivamente.

Coeficientes de corrientes diferenciales trifásicas y de secuencia cero bajo falla de devanado a tierra de fase A en devanado de alto voltaje (primario) al 10% de la longitud.

Coeficientes de corrientes diferenciales trifásicas y de secuencia cero bajo falla de devanado a tierra de fase A en devanado de bajo voltaje (secundario) al 10% de la longitud.

Los coeficientes extraídos muestran un fuerte pico cuando ocurre una falla en el sistema y luego disminuyen al nivel normal. Este comportamiento es el resultado de las propiedades de las ondículas, que reaccionan durante los transitorios pero no en el estado estacionario. El resultado del coeficiente de la transformada wavelet se utilizó para construir el algoritmo de decisión por ensayo y error. El algoritmo se aplicó utilizando coeficientes de diferentes escalas, y se encontró que los coeficientes de la escala 1 eran lo suficientemente distintos para que el algoritmo identificara el inicio de la falla interna. Por lo tanto, solo los coeficientes de escala 1 obtenidos del DWT se usaron como datos de entrenamiento para que la red neuronal obtuviera un algoritmo rápido.

La inteligencia artificial, en particular las redes neuronales, se ha aplicado ampliamente en varios campos, incluida la ingeniería eléctrica. El BPNN es una estructura basada en neuronas que es adecuada para el reconocimiento de patrones y la clasificación de fallas. Consta de tres capas: una capa de entrada, al menos una capa oculta y una capa de salida. Estas capas están conectadas por pesos y sesgos. El algoritmo propuesto utiliza una arquitectura BPNN con una capa de entrada, dos capas ocultas y una capa de salida, como se muestra en la Fig. 9.

BPNN utilizado en el algoritmo propuesto.

Se utilizan dos capas ocultas en la estructura de la red neuronal para el algoritmo debido a la ventaja funcional sobre una estructura con una capa oculta. Sin embargo, las diferentes funciones de activación también proporcionan una amplia gama de precisión para el algoritmo. Por lo tanto, se seleccionaron funciones de activación adecuadas para el algoritmo de localización de fallas para un transformador de potencia. Se consideraron las funciones sigmoidea tangente hiperbólica, sigmoidea logística y lineal. La Tabla 2 enumera las 12 combinaciones de funciones de activación utilizadas en las capas ocultas y de salida.

El proceso de formación para la BPNN se puede dividir en tres partes, como sigue38.

Patrón de entrada de avance

El patrón de entrada feedforward propaga datos desde la capa de entrada a la capa oculta y finalmente a la capa de salida. La respuesta del patrón de entrada se puede calcular utilizando las Ecs. (6) y (7).

dónde.

p = vector de entrada de BPNN,

iw1,1 = pesos entre la capa de entrada y la primera capa oculta,

lw2,1 = pesos entre la primera y la segunda capa oculta,

lw3,2 = pesos entre la segunda capa oculta y la capa de salida,

b1, b2 = sesgo en la primera y segunda capas ocultas, respectivamente,

b3 = sesgo en la capa de salida,

f1, f2 = función de activación (función sigmoidea tangente hiperbólica: tanh),

f3 = función de activación (función lineal).

Propagación hacia atrás del error asociado

El error asociado de una BPNN es el error entre la red neuronal y las salidas de destino. Se propaga a todas las neuronas de la capa inferior y también se utiliza como referencia para el ajuste de los pesos y sesgos.

Ajuste de peso y sesgo

Los pesos y sesgos se ajustaron mediante el proceso de Levenberg-Marquardt (trainlm) para que coincidieran con los resultados calculados y objetivo. Se utilizó el índice de error porcentual absoluto medio (MAPE) para determinar la eficiencia de la BPNN; se calcula usando la Ec. (8).

donde n es el número de conjuntos de prueba.

La estructura propuesta de la BPNN basada en los resultados del cálculo consta de cuatro entradas de neuronas, dos capas ocultas y una salida de neuronas. El patrón de entrada de la red neuronal consta de los coeficientes máximos de escala 1 (cD1) de las corrientes trifásicas y de secuencia cero de las corrientes diferenciales posteriores a la falla. Las variables de salida de la estructura de la red neuronal se etiquetan de 0,1 a 0,9 según la ubicación en la que se produzca la falla de devanado a tierra. Los conjuntos de datos de entrada se normalizan y se dividen en 216 conjuntos para entrenamiento y 108 conjuntos para prueba. Para entrenar la red neuronal se aumentó el número de neuronas en ambas capas ocultas y se utilizaron diferentes combinaciones de funciones de activación para seleccionar aquellas con mejor rendimiento. Los pesos y sesgos se ajustaron antes de calcular el MAPE y el ciclo de entrenamiento se repitió durante 20 000 iteraciones para determinar el mejor valor de MAPE. El entrenamiento se detuvo cuando la primera capa oculta alcanzó el número final de neuronas o el MAPE de los conjuntos de prueba fue inferior al 0,5 %. La Figura 10 muestra un diagrama de flujo del proceso de entrenamiento de BPNN propuesto.

Diagrama de flujo del proceso de formación de BPNN.

Después del proceso de entrenamiento, se probó el algoritmo de decisión basado en BPNN utilizando el peso y el sesgo que produjeron el MAPE mínimo. Luego, los datos almacenados se calcularon usando solo los valores de entrada, no la salida objetivo o valores calculados similares a la salida objetivo correcta. El número de estudios de casos y conjuntos de datos que se usarán como entrada para el algoritmo propuesto se puede resumir como se muestra en la Tabla 3. La Figura 11 muestra los resultados obtenidos usando varias combinaciones de funciones de activación y los datos del conjunto de prueba tanto en el nivel alto como en el alto. bobinados de bajo voltaje.

Errores promedio en la ubicación de fallas para diferentes combinaciones de funciones de activación.

Se encontraron cuatro combinaciones de funciones de activación para proporcionar resultados precisos con un error promedio inferior al 5 %:

Tangente hiperbólica-logística-lineal

tangente hiperbólica-tangente hiperbólica-lineal

Logístico-logístico-lineal

Logística–tangente hiperbólica–lineal

Luego del proceso de entrenamiento, se implementó el algoritmo en el sistema y se evaluó su desempeño en la localización de fallas utilizando la señal de falla de devanado a tierra. Se examinó un total de 324 casos en diferentes condiciones para verificar el rendimiento del algoritmo e identificar combinaciones adecuadas de funciones de activación. La Tabla 4 enumera el error promedio en la ubicación de fallas obtenido usando las cuatro combinaciones de funciones de activación que exhibieron el mejor desempeño.

Las cuatro combinaciones óptimas de funciones de activación tienen errores similares para el devanado de alto voltaje. Sin embargo, para el devanado de baja tensión, la combinación tangente hiperbólica-tangente hiperbólica-lineal puede lograr una mayor precisión con un error significativamente menor que las otras combinaciones.

La Figura 12 muestra el error promedio en la localización de fallas para diferentes combinaciones de funciones de activación para los devanados de alta y baja tensión de la fase A a la fase C. El error promedio en la localización de fallas para el devanado de alta tensión es 2.5%, mientras que el de el devanado de baja tensión es del 6% en varias longitudes del devanado del transformador. Estos resultados indican el desempeño de cada función de activación bajo diferentes condiciones. La combinación de tangente hiperbólica-tangente hiperbólica-lineal puede no proporcionar la mejor precisión en algunas condiciones de falla, como ubicaciones de fallas al 10% y 20% de la longitud en el devanado de bajo voltaje. Sin embargo, puede proporcionar la mejor precisión en promedio para localizar fallas de devanado a tierra.

Error promedio en la ubicación de fallas usando cuatro combinaciones óptimas de funciones de activación.

La Tabla 4 y la Fig. 12 muestran que tangente hiperbólica-tangente hiperbólica-lineal es una combinación adecuada de funciones de activación. Por lo tanto, se seleccionó como la combinación de funciones de activación en el BPNN para localizar fallas de devanado a tierra. La Figura 13 muestra el error promedio en la localización de fallas cuando se aplicó el algoritmo con estas funciones de activación. Para varias ubicaciones de fallas en los devanados de alta y baja tensión del transformador trifásico, la precisión de la ubicación de la falla basada en la predicción del algoritmo de decisión fue excelente. Los efectos de varios parámetros sobre el rendimiento del algoritmo propuesto se muestran en las Tablas 5, 6, 7, 8.

Error promedio en la ubicación de fallas cuando el algoritmo se usa con funciones de activación tangente hiperbólica-tangente hiperbólica-lineal.

Las tablas 5 y 6 muestran la ubicación prevista de la falla y su error para fallas de devanado a tierra en la fase A en los devanados de alta y baja tensión, respectivamente. La ubicación real de la falla se fijó en el 10 % de la longitud del devanado y se varió el ángulo de inicio de la señal de falla. El algoritmo predijo la ubicación de la falla en el devanado de alto voltaje con un error de menos del 3% para todos los ángulos de inicio. La predicción para el devanado de bajo voltaje fue menos precisa que la del devanado de alto voltaje. Sin embargo, el error general estuvo por debajo del 5%. Por lo tanto, el ángulo de inicio no afecta significativamente el rendimiento del algoritmo de localización de fallas propuesto.

Las tablas 7 y 8 enumeran la ubicación prevista de la falla y su error para fallas de devanado a tierra en la fase A con un ángulo de inicio fijo y varias ubicaciones de falla en los devanados de alta y baja tensión, respectivamente. El ángulo de inicio se fijó en 240° para el devanado de alta tensión y 210° para el devanado de baja tensión. El algoritmo predijo la ubicación de la falla con errores de menos del 1% para el devanado de alto voltaje. La predicción fue nuevamente menos precisa para el devanado de bajo voltaje que para el devanado de alto voltaje. Sin embargo, el error general estuvo por debajo del 3%. Estos resultados demuestran que el algoritmo puede localizar fallas con precisión en todas las ubicaciones posibles.

La aplicación del método de localización de fallas propuesto a diferentes fallas de devanado a tierra en un transformador de potencia reveló que el algoritmo puede detectar fallas con precisión con errores de menos del 0,5%. La ubicación de la falla, el ángulo de inicio y el voltaje del devanado no afectan el rendimiento del algoritmo. Este estudio demostró que el algoritmo propuesto se puede implementar en los sistemas de protección de transformadores de potencia para proporcionar a los equipos de operación y mantenimiento de las empresas eléctricas información precisa para responder a las fallas en los transformadores de potencia de manera rápida y correcta.

Los transformadores de potencia son un componente esencial en los sistemas de potencia y pueden ser vulnerables a fallas, especialmente fallas internas. Por lo tanto, se necesita un sistema de protección para identificar y aislar con precisión las fallas para minimizar el daño al equipo. Además, la capacidad de localizar fallas ayuda a los equipos de operación y mantenimiento a responder correctamente a las fallas y garantizar la confiabilidad de la red. El algoritmo propuesto utiliza una combinación de DWT y BPNN para localizar fallas de devanado a tierra en un transformador de potencia trifásico. Los coeficientes máximos de escala 1 de las señales de corriente diferencial trifásica posteriores a la falla y la corriente de secuencia cero se utilizaron como entrada para entrenar la BPNN. Se utilizaron estudios de casos de fallas en diferentes condiciones para evaluar el desempeño del algoritmo propuesto. Los resultados demostraron que el algoritmo puede detectar y localizar fallas de devanado a tierra utilizando la combinación de funciones de activación tangente hiperbólica-tangente hiperbólica-lineal en varias capas de la BPNN. La precisión general del algoritmo propuesto supera el 95 % y, en algunos casos, la precisión alcanza el 99,5 %. Además, el rendimiento de la localización de fallas no se vio afectado por varios parámetros del sistema. Esta técnica debería ser útil para identificar y reparar fallas de devanado a tierra en transformadores de potencia. En trabajos futuros, se mejorará el algoritmo para que se puedan identificar las ubicaciones de las fallas entre espiras a lo largo de los devanados del transformador.

Los conjuntos de datos utilizados y analizados durante el estudio actual están disponibles del autor correspondiente a pedido razonable.

Cristina, AJ et al. Causas de fallas de transformadores y métodos de diagnóstico: una revisión. Renovar. Sostener. Energy Rev. 82(1), 1442–1456 (2018).

Google Académico

Faiz, J. & Heydarabadi, R. Diagnóstico de fallas en transformadores de potencia. Ruso. eléctrico Ing. 85(12), 785–793 (2015).

Artículo Google Académico

Horowitz, SH, Phadke, AG y Niemira, JK Power System Relaying 4.ª ed. (Wiley, Nueva York, 2013).

Google Académico

de Faria Jr, H., Costa, JGS & Olivas, JLM Una revisión de los métodos de monitoreo para el mantenimiento predictivo de transformadores de potencia eléctrica basados ​​en el análisis de gases disueltos. Renovar. Sostener. Energía Rev. 46, 201–209 (2015).

Artículo Google Académico

Senobari, RK, Sadeh, J. & Borsi, H. Análisis de respuesta de frecuencia (FRA) de transformadores como herramienta para la detección y ubicación de fallas: una revisión. eléctrico Sistema de energía Res. 155, 172–183 (2018).

Artículo Google Académico

Soni, R. & Mehta, B. Revisión sobre la gestión de activos de transformadores de potencia mediante el diagnóstico de fallas incipientes y la identificación de fallas utilizando diversas metodologías de prueba. Ing. Fallar. Anal. 128, 105634 (2021).

Artículo Google Académico

Ballal, MS, Suryawanshi, HM, Mishra, MK & Chaudhari, BN Detección de fallas entre espiras de transformadores mediante diagnóstico de corriente neutra. Trans. IEEE. Entrega de energía 31(3), 1096–1105 (2016).

Artículo Google Académico

Ehsanifar, A. et al. Detección de fallas en el devanado entre vueltas del transformador basada en la pérdida de potencia activa sin carga y la potencia reactiva. En t. J. Electr. Sistema de energía eléctrica 130, 107034 (2021).

Artículo Google Académico

Bagheri, S., Moravej, Z. & Gharehpetian, GB Clasificación y discriminación entre defectos mecánicos de devanados, fallas eléctricas internas y externas y corriente de arranque del transformador. Trans. IEEE. industria información 14(2), 484–493 (2018).

Artículo Google Académico

Raichura, M., Chothani, N., Patel, D. & Mistry, K. [2_TD$DIFF] Discriminación basada en distorsión armónica total (THD) de condiciones normales, de irrupción y de falla en transformadores de potencia. Renovar. Enfoque energético 36, 43–55 (2021).

Artículo Google Académico

Zhang, C. et al. Método de diagnóstico de fallas del transformador utilizando un sistema de monitoreo basado en IoT y aprendizaje automático conjunto. futuro genero. computar sist. 108, 533–545 (2020).

Artículo Google Académico

Pham, DAK, Pham, TMT, Borsi, H. & Gockenbach, E. Un nuevo método de diagnóstico para respaldar las evaluaciones de análisis de respuesta de frecuencia estándar para el diagnóstico de fallas mecánicas en devanados de transformadores. IEEE Electr. Insul. revista 30(2), 34–41 (2014).

Artículo Google Académico

Satish, L. & Sahoo, SK Localización de fallas en el devanado de un transformador: un estudio experimental. Electr .Power Syst. Res. 79(1), 89–97 (2009).

Artículo Google Académico

Klomjit, J., Ngaopitakkul, A. y Sreewirote, B. Comparación de wavelet madre para fallas de clasificación en sistemas de líneas de transmisión híbridas. En la 8ª Conferencia Internacional IEEE sobre Ciencia y Tecnología de la Conciencia (iCAST 2017). 527–532 (2017).

Pothisarn, C. et al. Comparación de varias wavelets madre para la clasificación de fallas en sistemas eléctricos. aplicación ciencia 10, 1–15 (2020).

Artículo Google Académico

Medeiros, RP & Costa, FB Una protección diferencial de transformador basada en wavelet con saturación de transformador de corriente diferencial y detección de fallas entre países. Trans. IEEE. Entrega de energía 33(2), 789–799 (2018).

Artículo Google Académico

Cheng, Q., Zhao, Z., Tang, C., Qian, G. & Islam, S. Diagnóstico de los tipos de fallas de deformación de devanados de transformadores utilizando la transformada de onda continua de respuesta de pulso. Medida 140, 197–206 (2019).

Artículo ANUNCIOS Google Académico

Aires, MNO et al. Una protección diferencial de transformador de potencia de falla a tierra restringida basada en wavelet. eléctrico Sistema de energía Res. 196, 107246 (2021).

Artículo Google Académico

Gururajapathy, SS, Mokhlis, H. & Illias, HA Técnicas de localización y detección de fallas en sistemas de distribución de energía con generación distribuida: una revisión. Renovar. Sostener. Energy Rev. 74, 949–958 (2017).

Artículo Google Académico

Rumkidkarn, J., Ngaopitakkul, A. Análisis del comportamiento del devanado a falla a tierra en un transformador utilizando componentes de alta y baja frecuencia de la transformada wavelet discreta. En 2017 Conferencia Internacional sobre Innovación de Sistemas Aplicados (ICASI), 1102–1105 (2017).

Shah, M. & Bhalja, BR Discriminación entre fallas internas y otras perturbaciones en el transformador utilizando el esquema de protección basado en máquinas de vectores de soporte. Trans. IEEE. Entrega de energía 28(3), 1508–1515 (2013).

Artículo Google Académico

Beheshtaein, S. Aplicación del método base de ondículas y DT en la detección de ferrorresonancia de otros fenómenos transitorios. En 2012 Simposio Internacional sobre Innovaciones en Sistemas y Aplicaciones Inteligentes. (2012).

Fernandes, JF, Costa, FB & de Medeiros, RP Clasificación de perturbaciones en transformadores de potencia basada en la transformada wavelet y redes neuronales artificiales. En Conferencia Internacional Conjunta sobre Redes Neuronales (IJCNN). 640–646 (2016).

Bhasker, SK, Bera, PK, Kumar, V. & Tripathy, M. Protección diferencial del transformador de cambio de fase simétrico indirecto y clasificación de fallas internas usando wavelet y ANN. TENCON 2015—2015 IEEE Región 10 Conferencia. 1–6 (2015).

Ngaopitakkul, A. & Bunjongjit, S. Una aplicación de una transformada de wavelet discreta y un algoritmo de red neuronal de retropropagación para el diagnóstico de fallas en la línea de transmisión de un solo circuito. En t. Sistema J. ciencia 44(9), 1745–1761 (2013).

Artículo MATEMÁTICAS Google Académico

Kaitwanidvilai, S., Pothisarn, C., Jettanasen, C., Chiradeja, P. y Ngaopitakkul, A. Algoritmo de redes neuronales de retropropagación y transformación de wavelet discreta para la clasificación de fallas en cables subterráneos. En Multiconferencia Internacional de Ingenieros e Informáticos 2011 (IMECS 2011). 996–1000 (2011).

Zin, AAM, Saini, M., Mustafa, MW, Sultan, AR y Rahimuddin,. Nuevo algoritmo para detección y clasificación de fallas en líneas de transmisión paralelas usando DWT y BPNN basado en la transformación de Clarke. Neurocomputación. 168, 983–993 (2015).

Artículo Google Académico

Ngaopitakkul, A., Jettanasen, C., Asfani, DA y Negara, Y. Aplicación de redes neuronales de transformada wavelet discreta y retropropagación para la clasificación de fallas internas y externas en transformadores. En t. J. Circuitos Syst. Proceso de señal. 13, 458–463 (2019).

Google Académico

Bunjongjit, S. & Ngaopitakkul, A. Selección de redes neuronales artificiales adecuadas para la clasificación de fallas en líneas de transmisión de un solo circuito. En t. J.Innov. computar información Control. 8(1A), 361–374 (2012).

Matemáticas Google Académico

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

Kim, CH & Aggarwal, R. Transformadas wavelet en sistemas de potencia: Parte I. Introducción general a las transformadas wavelet. Ingeniero de energía IEE. J. 14(2), 81–87 (2000).

Artículo Google Académico

Makming, P., Bunjongjit, S., Kunakorn, A., Jiriwibhakorn, S. & Kando, M. Diagnóstico de fallas en líneas de transmisión usando transformadas wavelet. En la Conferencia de Transmisión y Distribución IEEE. 2246-2250 (2002).

Bastard, P., Bertrand, P. & Meunier, M. Un modelo de transformador para estudios de fallas en devanados. Trans. IEEE. Entrega de energía 9(2), 690–699 (1994).

Artículo Google Académico

Islam, SM & Ledwich, G. Localización de fallas en transformadores a través del análisis de sensibilidad del modelado de alta frecuencia utilizando el enfoque de función de transferencia. En Simposio Internacional IEEE sobre Aislamiento Eléctrico. 38–41 (1996).

Bo, ZQ, Redfern, MA & Weller, GC Protección posicional de la línea de transmisión utilizando señales transitorias de alta frecuencia generadas por fallas. Trans. IEEE. Entrega de energía 15(3), 888–894 (2000).

Artículo Google Académico

Grupo de trabajo IEEE 15.08.09. Modelado y análisis de transitorios del sistema utilizando programas digitales (publicación especial IEEE PES, 2009)

ABB Tailandia, informe de prueba no. 56039.

Demuth, H. & Beale, M. Guía del usuario de Neural Network Toolbox (The Math Work, 2001).

Descargar referencias

Facultad de Ingeniería, Universidad Srinakharinwirot, Bangkok, Tailandia

Pathomthat Chiradeja

Escuela de Ingeniería, Instituto de Tecnología del Rey Mongkut Ladkrabang, Bangkok, Tailandia

Atthapol Ngaopitakkul

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

AN Realizó el análisis y escribió el texto principal del manuscrito y preparó figuras y tablas. PC Aportó datos y herramientas de análisis, revisó el manuscrito. Todos los autores revisaron el manuscrito.

Correspondencia a Atthapol Ngaopitakkul.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Chiradeja, P., Ngaopitakkul, A. Ubicación de fallas de devanado a tierra en devanados de transformadores de potencia mediante una combinación de transformada de ondas discretas y red neuronal de retropropagación. Informe científico 12, 20157 (2022). https://doi.org/10.1038/s41598-022-24434-9

Descargar cita

Recibido: 29 Abril 2022

Aceptado: 15 de noviembre de 2022

Publicado: 23 noviembre 2022

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.