Применение технологии цифрового двойника для анализа и прогнозирования состояния трансформаторного оборудования

Данная статья посвящена совершенствованию системы оценки технического состояния трансформаторного оборудования за счёт применения алгоритмов машинного обучения. Сегодня, в связи с появлением большого числа методов и систем для оценки технического состояния, вопросы анализа и прогнозирования технического состояния трансформаторного оборудования стоят достаточно остро, так как в большинстве систем не учитывается чувствительность к различным схемно-режимным параметрам энергосистемы (ЭЭС).

МЕТОДЫ: В данной работе основным методом исследования является математическое моделирование. В качестве расчетного примера проводится комплексная оценка технического состояния трансформаторов тока и создание прогнозной модели на базе существующей системы мониторинга состояния (датчиков), методов на основе технологии цифровой двойник и машинного обучения, которые позволяют формализовать экспертные знания, определить неявные корреляции и автоматизировать процесс принятия решения. Предложен алгоритм прогнозирования состояния с возможностью построения моделей линейной регрессии, «дерево решений» и «случайный лес». В качестве анализируемого оборудования выбраны группа однофазных трансформаторов тока 110 кВ типа ТФНД-110М II одной из ячеек ОРУ 110 кВ.

РЕЗУЛЬТАТЫ: для прогнозирования скорости развития термического дефекта внутренней изоляции группы трех однофазных трансформаторов тока создана база данных. Алгоритм прогнозирования технического состояния в виде моделей линейной регрессии, «дерева решений» и «случайного леса» показал, что лучшие показатели точности модели были получены у алгоритма линейной регрессии.

ЗАКЛЮЧЕНИЕ: Полученные в данной статье результаты прогнозирования технического состояния трансформаторного оборудования говорят о том, что в существующих системах низкая чувствительность к различным схемно-режимным параметрам ЭЭС. Решение таких задач возможно с помощью методов на основе технологии цифровой двойник и машинного обучения. Данные, получаемые в результате моделирования, помогают повысить точность рекомендации по недопущению развития дефекта и продлению срока службы оборудования.