Аннотация
Приведены результаты исследования в области разработки методики выбора и подготовки данных для обучения моделей предиктивной диагностики электротехнического оборудования на примере силовых трансформаторов. Применение данной системы мониторинга и диагностики является важным аспектом повышения надежности электротехнического оборудования, поскольку система предиктивной диагностики позволяет заблаговременно определить дефект силового трансформатора на его ранней стадии развития. В свою очередь, это способствует своевременному планированию ремонтных работ, снижению внеплановых аварийных простоев и минимизации экономических потерь. В работе проанализирована статистика отказов силовых трансформаторов, согласно которой 78% отказов могут быть отслежены и определены на раннем этапе развития дефекта за счет применения системы предиктивной диагностики. Предложен перечень ключевых параметров диагностической модели силового трансформатора, включающий в себя аналитические, электротехнические параметры, а также параметры состояния масла, что обеспечивает требуемый охват мониторинга и диагностики основных типов дефектов силового трансформатора. Описаны рекомендации по выбору и формированию исходной исторической выборки данных, на основе которой будет формироваться выборка исправного состояния силового трансформатора, необходимая для обучения модели предиктивной диагностики. Предложена методика экспертной подготовки и фильтрации исходных данных для формирования выборки исправного состояния, включающая в себя процедуру удаления периодов простоя оборудования, некорректных данных и интервалов работы оборудования с наблюдаемыми ранними признаками развития дефектов. Определена методика расчетов лимитов отклонений параметров на основе вариативности данных и коэффициента доверия, а также описан алгоритм проверки модели на отложенных данных.
Ключевые слова
силовой трансформатор, техническое обслуживание, повышение надёжности, техническое состояние оборудования, предиктивная диагностика, система раннего оповещения, мониторинг состояния, анализ данных, машинное обучение, обучение модели
1. Moubray J. Reliability-Centered Maintenance. NY: Industrial Press, Inc., 1997. 448 с.
2. Задачи многопараметрического диагностирования технического состояния силовых трансформаторов в системах on-line-мониторинга / А.С. Карандаев, И.М. Ячиков, В.Р. Храмшин, А.А. Николаев // Известия высших учебных заведений. Электромеханика. 2016. № 4. С. 65-73. doi: 10.17213/0136-3360-2016-4-65-73
3. Кирьянов Н.А., Комков А.Н. Предиктивная диагностика высоковольтных электродвигателей // Интеллектуальная электротехника. 2024. № 2. С. 53-68.
4. Королев В.И. Методы прогнозного мониторинга технического состояния электрических машин // Электротехнические и информационные комплексы и системы. 2023. №2 Т.19. С. 62-72. doi: 10.17122/1999-5458-2023-19-2-62-72
5. Официальный сайт АО «Техническая инспекция ЕЭС» - Опыт эксплуатации систем мониторинга высоковольтного оборудования на объектах ОАО «ФСК ЕЭС». URL:https://www.ti-ees.ru/fileadmin/f/Conference/guk.pdf (дата обращения 14.05.2025)
6. Method for forecasting the remaining useful life of a furnace transformer based on online monitoring data / A.A. Radionov, I.V. Liubimov, I.M. Yachikov, I.R. Abdulveleev, E.A. Khramshina, A.S. Karandaev // Energies. 2023. No. 16(12). 4630. doi: 10.3390/en16124630
7. Гемке Р.Г. Неисправности электрических машин. Л.: Энергомашиздат, 1989. 334 с.
8. СТО 34.01-12-001-2020 Технические требования по оснащению силовых трансформаторов 35 кВ и выше первичными датчиками контроля автоматизированных систем мониторинга и технического диагностирования. Группа компаний «Россети». URL: https://www.rosseti.ru/upload/iblock/120/btmjatlcjjq9yrdiuzukq4wca5sb0z1t.pdf (дата обращения 14.05.2025)
9. ГОСТ P 30804.4.30 Электрическая энергия. Совместимость технических средств электромагнитная. Методы измерений показателей качества электрической энергии. М.: Стандартинформ, 2020. 58 с.
10. Winders J.J. Power transformers principles and applications. NY: Marcel Dekker, Inc., 2002. 303 p.
11. Harlow J. Electric Power Transformer Engineering. CRC Press, 2003. 496 p.
12. ГОСТ Р 55191-2012 (МЭК 60270: 2000) Методы испытания высоким напряжением. Измерения частичных разрядов. М.: Стандартинформ, 2019. 47 с.
13. IEEE Standard for Test Code for Dry-Type Distribution and Power Transformers. IEEE Std C57.113, 2010. 48 p.
14. IEC 60422:2013 Mineral insulating oils in electrical equipment – Supervision and maintenance guidance. – Geneva: International Electrotechnical Commission, 2013. 78 p.
15. IEEE Guide for Acceptance and Maintenance of Insulating Oil in Equipment. IEEE Std C57.106, 2015. 72 p. doi: 10.1109/IEEESTD.2016.7442048
16. Bishop C. Pattern Recognition and Machine Learning. Springer, 1971. 738 p.
17. Murty N., Devy S. Introduction to pattern recognition and machine learning. World Scientific, 2015. 404 p.
Кирьянов Н.А., Комков А.Н. Выбор и подготовка данных для обучения моделей предиктивной диагностики на примере силового трансформатора // Электротехнические системы и комплексы. 2025. № 2(67). С. 79-85. https://doi.org/10.18503/2311-8318-2025-2(67)-79-85