새로운 교차 엔트로피 기반 방법론을 사용한 Transformer의 주파수 응답 분석 결과 해석

Scientific Reports 13권, 기사 번호: 6604(2023) 이 기사 인용

381 액세스

1 알트메트릭

측정항목 세부정보

변압기 결함은 유망한 진단 기술인 FRA(주파수 응답 분석)를 통해 식별할 수 있습니다. FRA 측정 기술의 표준화에도 불구하고 결과 해석은 아직 연구 분야입니다. FRA 서명의 다양한 주파수 범위에서 다양한 오류 유형을 식별할 수 있으므로 이 기여에서 특정 오류와 주파수 범위 사이의 가능한 관계를 식별해야 합니다. 이를 위해 실제 변압기를 사용하여 정상 상황과 결함 상황(축 변위(AD), 방사형 변형(RD) 및 단락(SC))을 모두 포함하는 필수 테스트를 수행합니다. 생성된 주파수 응답 트레이스의 효율적인 특성을 식별하고 이러한 트레이스의 해석 정확도를 향상시키기 위해 새로운 쌍곡선 퍼지 교차 엔트로피(FCE) 측정을 시연한 다음 사전 정의된 주파수 범위에서 변압기 권선 결함을 식별하고 분류하는 목적으로 활용합니다. . 정상적이고 다양한 결함 상황에서 변압기의 FRA 결과를 정규화한 후 이러한 응답의 하한을 추출한 다음 원하는 형태의 정상 및 결함 상황의 퍼지 세트를 구성하는 데 활용했습니다. 그런 다음 새로운 쌍곡선 FCE 측정 기반 차별 및 권선 결함 분류 방법이 최고 및 최저 FCE 측정 값을 기반으로 제공됩니다. AD, RD 및 SC와 같은 정상 상황과 오류 상황의 퍼지 세트 사이에서 가장 높은 FCE 측정 값은 적절한 주파수 범위에서 권선 오류 발생을 확인하기 위해 지정됩니다. 제안된 방법론은 원하는 주파수 범위에서 정상 상태와 결함이 있는 상황을 효과적으로 식별할 수 있으므로 FRA 서명의 스마트한 해석과 권선 결함의 정확한 분류를 보장합니다. 제안된 접근 방식의 성능은 특징 추출 후 실험 데이터를 적용하여 테스트하고 비교한다.

전력망 변압기는 필요하지만 값비싼 장비입니다. 변압기는 사용 수명 동안 권선 변형, 움직임 또는 회전 간 변화와 같은 기계적 또는 전기적 변화에 취약합니다1. 치명적인 변압기 고장을 방지하려면 권선 결함을 최대한 빨리 식별해야 합니다2. 위에서 설명한 이유로 인해 변압기 작동 상태 모니터링은 전 세계적으로 인기가 높아졌습니다3. 권선의 전기적, 기계적 결함을 진단하기 위한 많은 이론적이고 실제적인 방법이 현재 제안되고 있습니다. FRA 방법은 최근 변압기의 상태를 점검하기 위해 채택되었습니다. TF(전달 함수) 접근 방식과 같은 비교 방법을 사용하여 지문 서명과 FRA 서명 간의 불일치를 식별할 수 있습니다4. 축 변위(AD), 단락(SC), 반경 방향 변형(RD)과 같은 권선 결함은 모두 너무 흔합니다5. FRA 서명 비교는 앞서 언급한 문제가 발생할 경우 변압기의 오류 위치, 심각도 및 유형을 나타낼 수 있습니다. 결과적으로 이 비교는 확립되고 널리 수용되는 코드보다는 개인의 경험에 크게 의존합니다. 유효한 기준이 만들어졌음에도 불구하고 당분간 FRA 측정 결과의 해석은 표준화되지 않았습니다6. 따라서 본 연구에서는 FRA 스펙트럼의 스마트한 해석을 위한 퍼지 교차 엔트로피 측정을 기반으로 하는 새로운 기술을 개발, 테스트 및 평가했습니다.

변압기의 결함을 감지하는 FRA의 능력은 이 기술의 사용 증가로 인해 지속적으로 확장되고 있습니다. FRA는 이제 이전보다 더 많은 변압기 문제를 감지할 수 있습니다. FRA 서명 해석은 광범위하게 연구되었지만 FRA 추적에 대한 신뢰할 수 있는 분석은 여전히 어려운 연구 과제로 남아 있습니다. 테스트 가능성 분석 및 매개변수 오류의 개념은 FRA를 기반으로 하는 아날로그 회로의 오류 진단 분야에서 매우 중요합니다. 테스트 가능한 시스템의 전체 매개변수 수를 테스트 가능성 등급이라고 합니다. 결함은 매개변수 결함과 치명적인 결함으로 분류할 수 있습니다. 이 연구에서는 매개변수 오류, 특히 특정 허용 범위에서 벗어나는 매개변수 값을 조사합니다. 이러한 유형의 결함에는 테스트 후 시뮬레이션이라는 진단 방법이 사용됩니다. 이러한 방법에서는 입력-출력 관계와 회로 응답 간의 비교를 사용하여 요소 값을 식별합니다. 이 비교를 통해 일련의 방정식을 얻습니다. 매개변수의 실제 값을 미지수로 간주하는 결함 감지 방정식은 이러한 방정식으로 구성됩니다. 테스트 중인 회로에서 테스트 가능성은 이러한 방정식의 해결 가능성 정도에 따라 제공됩니다. 따라서 자원과 시간의 낭비를 피하기 위해서는 감지할 수 없는 결함을 격리하려는 노력이 필요합니다. 생성된 주파수 응답 추적의 해석 정확도를 향상시키고 이러한 추적에서 효율적인 특성을 식별하기 위해 보고된 접근 방식은 원하는 목표를 달성하는 데 어려운 것으로 나타났습니다. 현재로서는 전기 모델 모델링, 인공 지능, 수학을 포함하여 FRA를 해석하는 다양한 접근 방식이 있습니다. 첫 번째 방법은 여러 회로 부품을 사용하여 권선의 각 섹션을 나타냅니다10. 첫째, 변압기 구성의 변화는 회로 구성 요소의 해당 수정으로 해석됩니다. 결과적으로 다양한 부품이 분석을 위해 회로 모델에 통합됩니다. 이 방법에는 몇 가지 단점이 있습니다. 회로 모델의 근본적인 문제는 기계적 결함을 통합하기 어렵다는 것입니다. FRA 곡선을 설명하는 데 도움이 되도록 유한 요소 분석(FEA)은 변압기 권선의 유사한 전기 모델을 생성하는 데 일반적으로 사용됩니다13. 1MHz를 초과하는 FRA 곡선은 Zhang의 하이브리드 모델과 FEA14를 사용하여 연구할 수 있습니다. 반면, 주파수 응답에서 권선의 정확한 모델을 찾는 것은 여전히 어려운 과제로 남아 있습니다.

|x_{i} \in U} \right)\) where \(\mu_{{P^{a} }} \left( {x_{i} } \right):U \in \left[ {0,1} \right]\) refers to as membership function and satisfies \(0 \le \mu_{{P^{a} }} (x_{i} ) \le 1\). Also, the complement \(C\left( {P_{FS}^{a} } \right)\) of the fuzzy set \(P_{FS}^{a} \in U\) is an object represented by \(C\left( {P_{FS}^{a} } \right) = \left( {x_{i} ,1 - \mu_{{P^{a} }} (x_{i} ) > |x_{i} \in U} \right)\)./p> |x_{i} \in U} \right)\) and \(Q_{FS}^{a} = \left( { < x_{i} ,\mu_{{Q^{a} }} \left( {x_{i} } \right) > |x_{i} \in U} \right)\) are any two fuzzy sets in \(U = \left( {x_{1} ,x_{2} ,...,x_{n} } \right)\) which are quantified by membership functions \(\mu_{{P^{a} }} \left( {x_{i} } \right),\mu_{{Q^{a} }} \left( {x_{i} } \right):U \to \left[ {0,1} \right]\) with the condition \(0 \le \mu_{{P^{a} }} \left( {x_{i} } \right),\mu_{{Q^{a} }} \left( {x_{i} } \right) \le 1.\) Then, a function \(H_{CE} :F\left( U \right) \times F\left( U \right) \to Rz^{ + }\) is called as symmetric fuzzy cross entropy29,30 based on two fuzzy sets \(P_{FS}^{a}\) and \(Q_{FS}^{a}\) if/p> |x_{i} \in U} \right)\) and \(Q_{FS}^{a} = \left( { < x_{i} ,\mu_{{Q^{a} }} \left( {x_{i} } \right) > |x_{i} \in U} \right)\) are two fuzzy sets in \(U = \left( {x_{1} ,x_{2} ,...,x_{n} } \right).\) Set \(T_{0} = \mu_{{P^{a} }} \left( {x_{i} } \right) + \mu_{{Q^{a} }} \left( {x_{i} } \right),T_{1} = \mu_{{p^{a} }}^{2} \left( {x_{i} } \right) + \mu_{{Q^{a} }}^{2} \left( {x_{i} } \right),T_{2} = \sqrt {\mu_{{P^{a} }} \left( {x_{i} } \right)} + \sqrt {\mu_{{Q^{a} }} \left( {x_{i} } \right)} ,T_{3} = \left( {1 - \mu_{{P^{a} }} \left( {x_{i} } \right)} \right)^{2} + \left( {1 - \mu_{{Q^{a} }} \left( {x_{i} } \right)} \right)^{2} ; T_{4} = \sqrt {1 - \mu_{{P^{a} }} \left( {x_{i} } \right)} + \sqrt {1 - \mu_{{Q^{a} }} \left( {x_{i} } \right)} ,T_{5} = \sqrt {\mu_{{P^{a} }} \left( {x_{i} } \right)\mu_{{Q^{a} }} \left( {x_{i} } \right)} .\)/p>

600, 100–600, and < 100 kHz, respectively./p> 600, 100–600, and < 100 kHz, respectively. In this research, 30 levels of fault are simulated that the first, second, and third ten fault levels present the SC, AD, and RD faults, respectively, which these faults can be represented by the set \(A_{1} = \left( {F_{1} ,F_{2} ,...,F_{10} } \right).\), \(\,A_{2} = \left( {F_{11} ,F_{12} ,...,F_{20} } \right)\), \(A_{3} = \left( {F_{21} ,F_{22} ,...,F_{30} } \right).\) We have extracted the truth membership degrees from the normalized frequency responses of short circuit, AD and RD faults types in the low, medium and high frequency ranges. The results are displayed in Table 5./p>

AD ≈ RD". Furthermore, in Table 6, a comparative analysis of the results presented reveals that existing Bhandari and Pal measures23, and Shiang and Jiang measures23 also return the same fault identified classification order as returned by our proposed FCE measure. This comparison can be seen in Fig. 6b. This justifies the compatibility and reliability of the proposed FCE measure./p> SC ≈ RD". Furthermore, in Table 6, a comparative analysis of the results presented reveals that existing Bhandari and Pal23, and Shiang and Jiang23measures also return the same fault identified classification order as returned by our proposed FCE measure. Figure 7-b shows this comparison between the proposed and mentioned methods in the middle frequency. This justifies the compatibility and reliability of the proposed FCE measure./p> AD ≈ SC". This comparison in the high frequency is illustrated in Fig. 8b. This justifies the compatibility and reliability of the proposed FCE measure./p> 600, 100–600 and < 100 kHz to better interpret. Then, a new FCE-based approach is offered on the basis of highest and lowest cross entropy measure values. The highest FCE measure values between the fuzzy sets of healthy and faulted circumstances is designated to the detection of occurrence and type of fault. Further examination of the suggested methods results reveals that: (a) In fault occurrence diagnosis, the suggested approach can detect correctly whether the transformer is healthy or faulty, (b) In diagnosing the type of fault, all conditions of the fault are identified correctly, (c) Various fault types of the winding place in various cluster, and there are clear boundaries between them that shows the separability of three types of the winding deformation fault, and (d) The suggested methodology is more accurate and sensitive to mentioned defects than FRA./p> AD ≈ RD". This indicates that transformer winding faults in the low frequency band occur due to the defects in short circuits. Furthermore, in low frequency band, there is low possibility of AD and RD winding faults in the transformer. The results obtained through the suggested hyperbolic fuzzy cross entropy-based method have been compared those obtained from the existing fuzzy cross entropy measures. It is revealed that the our proclaimed FCE measure-based distinction and taxonomy of transformer winding faults methodology is compatible and reliable. The proposed approaches' performance is tested and compared by applying the experimental data after feature extraction. The efficiency of the suggested hyperbolic symmetric fuzzy cross entropy is justified by categorizing the transformer faults with the help of existing Bhandari and Pal and Shiang and Jiang asymmetric fuzzy cross entropy measures. A powerful predictive tool can be found in the strategy described here./p>