А. А. Димитриев¹⁾, Х. У. Каландаров²⁾, Г. М. Михеев³⁾

¹⁾Чувашский государственный университет имени И. Н. Ульянова

428003, Чебоксары, Российская Федерация

²⁾Чебоксарский институт (филиал) Московского политехнического университета

428000, Чебоксары, Российская Федерация

³⁾Чувашский государственный аграрный университет

428015, Чебоксары, Российская Федерация

диагностика, трансформаторное масло, силовые трансформаторы, хроматографический анализ, искусственный интеллект, алгоритм дерева решений, нейронные сети, нечеткая логика.

Известно, что силовые трансформаторы предназначены для передачи электрической энергии на дальние расстояния. Чем выше класс напряжения этого дорогостоящего электрооборудования, тем возможность передать мощь электроэнергии без потерь на более дальнее расстояние увеличивается. Например, силовые трансформаторы, работающие на напряжение 6-10 кВ, подключены к линиям электропередач, имеющим протяженность не более 30-50 км, трансформаторы 110 кВ – не более 100 км, а трансформаторы 220 кВ – около 200 км. Трансформаторное масло, которое омывает обмотки этого преобразователя напряжения предназначено как для охлаждения, так и для их изоляции. От качества этой диэлектрической жидкости зависит надежность электроснабжения предприятий промышленности страны, мегаполисов, фермерских хозяйств, а также бесперебойность электроснабжения населенных пунктов. Сегодня в России эксплуатируется со значимым превышением срока эксплуатации более 50% силовых трансформаторов. Данный факт способствует повышению требований к их техническому контролю и диагностике всех его основных узлов. Общеизвестно, что одним из эффективных методов диагностики преобразователей напряжения, залитых трансформаторным маслом, по праву считается хроматографический анализ растворенных в масле газов. Однако для определения характера дефекта и нахождения его местоположения во внутренней полости трансформатора по полученным данным анализа диэлектрической жидкости, необходимо иметь высококвалифицированный персонал. Но и он иногда может дать ошибочное заключение при решении этой поставленной цели. В недалеком будущем данную задачу вполне может решить искусственный интеллект. По вышеуказанным причинам для реализации этой идеи, в данной работе была проведена попытка сравнительного анализа трех перспективных методов машинного обучения: нейронных сетей, алгоритма дерева решений и нечеткой логики. Применение указанных алгоритмов способствует упрощению задачи диагностики силового трансформатора для определения неисправности и ее нахождению местоположения во внутренней полости преобразователя напряжения, а в будущем –внедрению искусственного интеллекта для решения данной непростой задачи.

It is known that power transformers are designed to transmit electrical power over long distances. The higher the voltage class of this expensive electrical equipment, the greater the possibility of transmitting the power of electricity without losses over a longer distance increase. For example, power transformers operating at a voltage of 6-10 kV are connected to power lines with a length of no more than 30-50 km, 110 kV transformers – no more than 100 km, and 220 kV transformers – about 200 km. The transformer oil that bathes the windings of this voltage converter is designed both for cooling and for their insulation. The quality of this dielectric fluid determines the reliability of power supply to the country's industrial enterprises, megacities, farms, as well as uninterrupted power supply to settlements. Today in Russia more than 50% of power transformers are operated with significant excess of their service life. This fact contributes to increased requirements to their technical control and diagnostics of all its main components.It is well known that one of the effective methods of diagnostics of voltage converters filled with transformer oil is rightly considered to be chromatographic analysis of gases dissolved in the oil. However, in order to determine the nature of the defect and find its location in the inner cavity of the transformer based on the obtained data of dielectric fluid analysis, it is necessary to have highly qualified personnel. But even they can sometimes give an erroneous conclusion when solving this task.In the near future, this task may well be solved by artificial intelligence. For the above reasons, in order to realize this idea, this paper has attempted a comparative analysis of three promising methods of machine learning: neural networks, decision tree algorithm and fuzzy logic. The application of these algorithms helps to simplify the problem of power transformer diagnostics to identify the fault and locate its location in the internal cavity of the voltage converter, and in the future to implement artificial intelligence to solve this difficult task.

1. Алексеев, Б. А. Объём и нормы испытаний электрооборудования / Б. А. Алексеев, Ф. Л Коган, Л. М Мамиконянц. – Москва : Издательствво НЦ ЭНАС, 2003. – 256 с.


2. Багян, Н. Р. Искусственный интеллект в электроэнергетике / Н. Р. Багян, М. Д. Коннова // Шаг в будущее: искусственный интеллект и цифровая экономика : материалы 1-й Международной научно-практической конференции, Москва : 04–05 декабря 2017 года. Том Выпуск 2. – Москва : Государственный университет управления. – 2017. – С. 86-91.


3. Баталыгин, С. Н. Комплексное обследование силовых трансформаторов / С. Н. Баталыгин, Г. М. Михеев, В. М. Шевцов // Кибернетика электрических систем : материалы XXVI сессии Всероссийского семинара "Диагностика энергооборудования" – Новочеркасск, 21–24 сентября 2004 года / Ответственный редактор А. С. Засыпкин. – Т.1, Часть 1. – Новочеркасск : Южно-Российский государственный технический университет, 2004. – С. 14-16. – EDN YOQKQT.


4. Диагностирование и алгоритм работы быстродействующих регуляторов напряжения под нагрузкой / Г. М. Михеев, Т. Г. Иванова, Д. И. Константинов [и др.] – // Электротехника. – 2017. – № 7. – С. 30-36. – EDN YTXTGX.


5. Димитриев, А. А. Применение алгоритма дерева решений для оценки результатов хроматографического анализа трансформаторного масла / А. А. Димитриев, Г. М. Михеев, Х. У. Каландаров // Вестник Чувашского университета. – 2023. – № 4. – С. 74-84. – DOI 10.47026/1810-1909-2023-4-74-84.


6. Егоров, А. А. Основные направления применения технологий искусственного интеллекта в электроэнергетике: зачем он нужен и на что способен / А. А. Егоров // Автоматизация и IT в энергетике. – 2023. – № 9(170). – С. 6-16. – EDN WLRDVR.


7. Кильчанов, С. В. Применение деревьев решений при диагностике оборудования энергетики / С. В. Кильчанов, М. В. Коротченков, И. А Щербатов // Информационные технологии. Проблемы и решения. – 2019. № 4(9). – С. 32–36.


8. Коновалов, Ю. В. Искусственный интеллект в электроэнергетике / Ю. В. Коновалов, А. Е. Вайгачев // Современные технологии и научно-технический прогресс. – 2021. – № 8. – С. 225-226.


9. Максимова, Т. В. Методы технической диагностики оборудования на основе нейросетевых технологий / Т. В Максимова, А. С Генералов, А. Е Яблоков // Наука молодых – будущее России : сборник научных статей, 7-й Международной научной конференции перспективных разработок молодых ученых. – Курск : Юго-Западный государственный университет, 2022. – С. 207–210.


10. Михеев, Г. М. Трансформаторное масло: учебное пособие / Г. М. Михеев. – Министерствово образования Российской Федерации. Чувашский государственный университет им. И. Н. Ульянова. – Чебоксары : Изд-во Чуваш.ун-та, 2003. – ISBN 5-7677-0731-6.


11. Михеев, Г. М. Электростанции и электрические сети. Диагностика и контроль электрооборудования / Г.М. Михеев. – Саратов : Профобразование, 2017. – 297 с. – ISBN 978-5-4488-0089-4.


12. Мурзин, Ж. А. Анализ математических моделей искусственных нейронных сетей для диагностики силового трансформатора / Ж. А. Мурзин // Студенческий вестник. – 2022. – № 19-18(211). – С. 41-42.


13. Платформа Loginom. Официальный сайт компании BaseGroupLabs. – Текст : электронный. – URL: https://basegroup.ru/deductor/description/ (дата обращения: 23.06.2023).


14. Полошков, В. А. Использование искусственного интеллекта для решения задач прогнозирования запасов предприятия в сфере электроэнергетики / В. А. Полошков // Студенческий вестник. – 2021. – № 41-4(186). – С. 88-91. – EDN NLVCIU.


15. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы: перевод с польского– Москва : Горячая линия-Телеком, 2013. – 384 с.


16. Семенова, Н. Г. Модели и методы искусственного интеллекта в задачах электроэнергетики / Н. Г. Семенова. – Оренбург : Оренбургский государственный университет, 2022. – 189 с. – ISBN 978-5-7410-2701-1. – EDN BEVLXB.