POLITECHNIKA OPOLSKA. Wydział Elektrotechniki Automatyki i Informatyki

POLITECHNIKA OPOLSKA Wydział Elektrotechniki Automatyki i Informatyki mgr inż. Sebastian Borucki MOŻLIWOŚCI ROZPOZNAWANIA FORM WYŁADOWAŃ NIEZUPEŁNYCH REJESTROWANYCH METODĄ EMISJI AKUSTYCZNEJ PRZY ZASTOSOWANIU SIECI NEURONOWYCH AUTOREFERAT PRACY DOKTORSKIEJ Promotor: dr hab. inż. Tomasz Boczar, prof. PO Praca współfinansowana przez Ministerstwo Nauki i Szkolnictwa Wyższego w ramach grantu promotorskiego nr 3 T10A 018 30 oraz ze środków Europejskiego Funduszu Społecznego. Opole 2006

SPIS TREŚCI 1. Wprowadzenie... 3 1.1 Cel, teza i zakres pracy... 3 1.2 Podstawowe formy wyładowań niezupełnych występujące w izolacji papierowo olejowej... 4 2. Metoda emisji akustycznej oceny wyładowań niezupełnych... 6 2.1 Dobór warunków pomiarowych... 6 2.2 Charakterystyka układu pomiarowego... 7 2.3 Dobór parametrów i sposób przygotowania sygnałów EA do analizy z wykorzystaniem SSN... 8 3. Dobór sieci neuronowej do rozpoznawania form wyładowań niezupełnych... 10 3.1 Kryteria doboru SSN do rozpoznawania form wyładowań niezupełnych... 10 4. Możliwości identyfikowania form wyładowań niezupełnych przy wykorzystaniu sieci neuronowych... 12 4.1 Parametryzacja częstotliwościowa... 13 4.2 Parametryzacja czasowo częstotliwościowa... 15 5. Możliwości wykorzystania metody emisji akustycznej w systemach eksperckich oceny układów izolacyjnych transformatorów dużych mocy... 18 6. Wnioski... 19 7. Bibliografia... 21 8. Wykaz dorobku naukowego autora... 22 2

1. Wprowadzenie Wysokie wymagania dotyczące jakości zasilania stawiane przez odbiorców przemysłowych i indywidualnych oraz konkurencyjny rynek energii elektrycznej wymogły na spółkach dystrybucyjnych konieczność utrzymywania jak najwyższej niezawodności poszczególnych urządzeń wchodzących w skład systemu elektroenergetycznego. Związane jest to bezpośrednio z konsekwencjami prawnymi i finansowymi, którym podlegać będą przedsiębiorstwa energetyczne w przypadku nie wywiązania się z umów gwarantujących ciągłość dostaw energii elektrycznej. Zminimalizowanie często wysokich nakładów pieniężnych ponoszonych podczas awarii obiektów energetycznych, jak również kosztów związanych z niedostarczoną mocą oraz kar wynikających z niedotrzymania warunków umów, można osiągnąć przede wszystkim poprzez skuteczną i wykonywaną systematycznie diagnostykę urządzeń elektroenergetycznych o strategicznym znaczeniu. Konsekwencją tak prowadzonych działań jest więc dynamiczny rozwój metod diagnostycznych, które pozwalają na zwiększenie niezawodności pracy urządzeń oraz znaczne wydłużenie czasu ich eksploatacji. Urządzeniami elektroenergetycznymi o dużym znaczeniu dla systemu przesyłowo dystrybucyjnego są transformatory mocy, których koszt inwestycyjny w stosunku do sumarycznej wartości elementów służących do przesyłu i rozdziału energii elektrycznej, stanowi ok. 20 %. Awaryjne wyłączenie jednostki transformatorowej, związane najczęściej z uszkodzeniem jej układu izolacyjnego, może spowodować znaczne straty ekonomiczne, które w ekstremalnych warunkach mogą przekroczyć kilkukrotnie wartość nowego urządzenia. Wydatki te wynikają nie tylko z wielkości kosztów potencjalnej naprawy, ale związane są także ze stratami finansowymi uwarunkowanymi przerwami w dostawie do odbiorców zamówionej energii. Koszt nowego transformatora blokowego lub autotransformatora sieciowego dużej mocy to kwota rzędu kilku milionów złotych. Natomiast całkowite koszty związane z nieinwazyjnymi pomiarami diagnostycznymi nie przekraczają zwykle kilku procent jego ewentualnego remontu. Uzasadnia to zatem prowadzenie szerokich badań diagnostycznych, których zakres powinien być skorelowany z technicznym i ekonomicznym znaczeniem mierzonego obiektu elektroenergetycznego [7, 63, 104] 1. Jednym ze wskaźników pozwalających na określenie czasu życia urządzenia elektroenergetycznego jest detekcja i ocena intensywności rozwijających się w jego izolacji wyładowań niezupełnych (WNZ). Nowoczesne techniki monitoringu w coraz szerszym zakresie wykorzystują do oceny WNZ metodę emisji akustycznej (EA), która w znacznym stopniu łączy w sobie cechy metody chromatografii gazowej oraz metody elektrycznej. W związku z dynamicznym rozwojem wykorzystywanej aparatury diagnostycznej i postępem technologicznym, jednym z głównych problemów dotyczących rozwoju oraz zastosowania tej metody, nie jest obecnie poprawne wykonanie pomiarów, lecz przede wszystkim prawidłowa analiza i interpretacja uzyskanych wyników. Podjęta w rozprawie tematyka dotyczy jednego z aspektów analizy zarejestrowanych sygnałów EA, a mianowicie poprawnego i skutecznego rozpoznawania na ich podstawie podstawowych form WNZ. Generowane przez wyładowania elektryczne sygnały EA można skorelować z przedstawianymi w literaturze podstawowymi formami WNZ [17, 21, 23, 32], które z kolei utożsamia się z rodzajem defektu i w konsekwencji ze stopniem uszkodzenia izolacji papierowo olejowej. Poprawnie przeprowadzony proces rozpoznawania zarejestrowanych od WNZ sygnałów EA może umożliwić zatem nie tylko identyfikację defektu układu izolacyjnego, ale także dać możliwość dokonania wstępnej oceny stanu technicznego badanej izolacji. 1.1. Cel, teza i zakres pracy Genezę podjętych w rozprawie prac naukowo badawczych stanowi problem efektywnego i skutecznego rozpoznawania jednoźródłowych i jednokrotnych form WNZ, które mogą występować w układach izolacyjnych transformatorów elektroenergetycznych. Zaproponowane 1 Numeracja pozycji literaturowych jest zgodna ze spisem literatury zamieszczonej w pracy doktorskiej 3

w pracy zastosowanie elementów sztucznej inteligencji, a w szczególności sztucznej sieci neuronowej (SSN) do identyfikacji podstawowych form WNZ, umożliwi w znacznym stopniu przyśpieszenie aktualnie stosowanych procedur obliczeniowych oraz przyczyni się do poprawy skuteczności ich rozpoznawania. Do celów głównych pracy można zaliczyć: - określenie możliwości zastosowania SSN w procesie rozpoznawania podstawowych form WNZ na podstawie generowanych przez nie sygnałów EA, - opracowanie metodyki identyfikacji form WNZ przy wykorzystaniu deskryptorów częstotliwościowych i czasowo częstotliwościowych zarejestrowanych sygnałów EA, stanowiących parametry wejściowe SSN, - przedstawienie możliwości wykorzystania metody EA oraz SSN w systemach eksperckich oceny stanu technicznego układów izolacyjnych transformatorów elektroenergetycznych. Tezę pracy sformułowano następująco: W ściśle zdefiniowanych warunkach metrologicznych istnieje możliwość rozpoznawania jednoźródłowych form wyładowań niezupełnych generowanych w papierowo olejowych układach izolacyjnych, rejestrowanych metodą emisji akustycznej, przy zastosowaniu sztucznych sieci neuronowych. Zakres pracy doktorskiej obejmuje: 1. Przegląd literatury dotyczący: wykorzystania metody EA i układów pomiarowych stosowanych w badaniach nieinwazyjnych izolacji transformatorów elektroenergetycznych tą metodą, zjawisk zachodzących podczas przebicia dielektryków ciekłych, metod identyfikacji form WNZ na podstawie ich sygnałów EA, budowy i zasady działania SSN, wykorzystania SSN w procesie rozpoznawania wzorców. 2. Wybór podstawowych form WNZ generowanych w oleju izolacyjnym oraz wykonanie iskierników je modelujących. 3. Zaprojektowanie i wykonanie układu pomiarowego umożliwiającego rejestrację i analizę sygnałów EA od jednoźródłowych form WNZ. 4. Dobór aparatury pomiarowej z uwzględnieniem rodzaju przetwornika pomiarowego, układu wzmacniająco filtrującego, karty pomiarowej oraz parametrów metrologicznych. 5. Rejestrację sygnałów EA generowanej w układach modelujących podstawowe formy WNZ. 6. Dobór i wyznaczenie wartości deskryptorów częstotliwościowych oraz czasowo częstotliwościowych zarejestrowanych sygnałów EA, które zostały wykorzystane podczas uczenia i testowania sieci neuronowej. 7. Dobór typu architektury SSN, którą wykorzystano do rozpoznawania przyjętych form WNZ, jak również określenie jej konfiguracji oraz algorytmu uczącego. 8. Ocenę możliwości wykorzystania deskryptorów częstotliwościowych oraz czasowo częstotliwościowych w procesie rozpoznawania przez SSN podstawowych form WNZ. 9. Przedstawienie koncepcji diagnostycznego systemu eksperckiego, bazującego na metodzie EA, z wykorzystaniem klasyfikatora neuronowego jako elementu wnioskującego. 1.2. Podstawowe formy wyładowań niezupełnych występujące w izolacji papierowo - olejowej Na podstawie prowadzonych w Instytucie Elektroenergetyki Politechniki Opolskiej prac naukowo badawczych [15, 17, 18, 20, 21, 23], jak również badań własnych, przyjęto następujący podział WNZ: wyładowania w układzie ostrze ostrze w oleju, wyładowania w układzie ostrze płyta w oleju, wyładowania w układzie wieloostrze płyta w oleju, wyładowania w układzie powierzchniowym dwóch elektrod płaskich, między którymi znajduje się izolacja papierowo olejowa, wyładowania w układzie powierzchniowym jednej elektrody płaskiej, drugiej wieloostrzowej, między którymi znajduje się izolacja papierowo olejowa, wyładowania w układzie ostrze ostrze w oleju z pęcherzykami gazowymi, wyładowania w układzie wieloostrze płyta w oleju z pęcherzykami gazowymi, wyładowania na cząstkach 4

o nieokreślonym potencjale, które przemieszczają się w oleju. Przyjęty przez autora podział, daje możliwość wyodrębnienia najważniejszych form WNZ, jakie mogą występować w olejowych układach izolacyjnych urządzeń elektroenergetycznych. Do podstawowych form WNZ, które mogą odzwierciedlać rzeczywiste wyładowania elektryczne występujące w izolacji urządzeń elektroenergetycznych w przypadku oleju czystego i odgazowanego, można zaliczyć WNZ generowane w trzech układach elektrod. Zaproponowane formy WNZ można powiązać z rodzajem oraz stopniem uszkodzenia izolacji papierowo - olejowej diagnozowanego urządzenia energetycznego, a mianowicie: - wyładowania w układzie ostrze ostrze w oleju, które mogą odpowiadać WNZ powstałym na skutek uszkodzenia izolacji dwóch sąsiadujących zwojów uzwojenia transformatora, - wyładowania w układzie ostrze płyta w oleju, które mogą odpowiadać WNZ występującym między uszkodzoną częścią izolacji uzwojenia transformatora, a uziemionymi częściami płaskimi (elementy rdzenia, jarzma, kadzi, ekranów magnetycznych), - wyładowania w układzie wieloostrze płyta w oleju, które mogą odpowiadać WNZ występującym między wielopunktowym uszkodzeniem izolacji uzwojenia transformatora, a uziemionymi częściami płaskimi (elementy rdzenia, jarzma, kadzi, ekranów magnetycznych). Szeregowe uwarstwienie dielektryka ciekłego, który stanowi olej elektroizolacyjny z dielektrykiem stałym, najczęściej papierem kablowym, stwarza możliwości powstawania WNZ w układzie powierzchniowym (WNZP). Najczęściej miejscem generacji wyładowań tego typu jest tzw. punkt potrójny, w którym stykają się: krawędź przewodu uzwojenia urządzenia elektroenergetycznego, powierzchnia dielektryka stałego oraz dielektryk ciekły. Na granicy tych trzech faz występują największe naprężania izolacji stosowanej w transformatorach [61]. Zaproponowane w pracy iskierniki modelujące WNZP pozwoliły na generację wyładowań elektrycznych o odmiennych parametrach sygnałów EA, których różnice wynikały z odmiennego rozkładu natężenia pola elektrycznego między zastosowanymi elektrodami. W rzeczywistych układach izolacyjnych WNZP o bardziej jednorodnym natężeniu pola elektrycznego mogą występować na styku przewodów roboczych uzwojenia transformatora oraz dielektryka papierowego zaimpregnowanego olejem elektroizolacyjnym, w których miedź posiada gładką powierzchnię. Natomiast WNZP w polach bardziej niejednostajnych mogą rozwijać się na styku przewodów miedzianych i papierowo - olejowego układu izolacyjnego, w którym występuje nierównomierność powierzchni uzwojeń (np. spawy przewodów uzwojenia). Odmienną formą wyładowań elektrycznych, które mogą wystąpić w układzie izolacyjnym transformatorów elektroenergetycznych są wyładowania w oleju zawierającym pęcherzyki gazowe. Występowanie pęcherzyków gazowych w oleju znacznie obniża wytrzymałość elektryczną układu izolacyjnego. Powodem tego jest fakt, że gaz ma znacznie mniejszą przenikalność dielektryczną w porównaniu do cieczy, co z kolei związane jest ze zwiększeniem natężenia pola elektrycznego w pęcherzykach gazowych [53]. Wyładowania ostrze ostrze w oleju z pęcherzykami gazowymi mogą występować w izolacji sąsiadujących uzwojeń transformatora. Są one spowodowane uszkodzeniem lub osłabieniem układu izolacyjnego i zachodzą w oleju o rozwiniętym procesie starzenia dielektryków (silnym zagazowaniu). Natomiast WNZ generowane w układzie wieloostrze płyta w oleju z pęcherzykami gazowymi mogą występować w jednostkach transformatorowych o długim czasie eksploatacji. Rozwijające się w środowisku zagazowanego oleju wyładowania elektryczne powodują ciągłe osłabianie i degradację warstw zaimpregnowanego papieru kablowego, co w konsekwencji powoduje, że zamiast jednego punktu generacji WNZ, może wystąpić ich kilka lub kilkanaście. Oleje stosowane jako materiały izolacyjne urządzeń elektroenergetycznych, oprócz pęcherzyków gazowych mogą zawierać różnego rodzaju cząsteczki zanieczyszczeń. Są to zazwyczaj substancje ciekłe jak np. wilgoć występująca w postaci kropelek wody lub/oraz elementy stałe, np. cząsteczki metalu, kurzu, włókien celulozy. Znajdujące się w olejach elektroizolacyjnych cząsteczki o nieokreślonym potencjale posiadają znacznie większą przenikalność dielektryczną, co może spowodować lokalne wzmocnienie natężenia pola elektrycznego i być wystarczające do zapoczątkowania WNZ [57]. W transformatorach o długim czasie eksploatacji dominującą rolę w osłabieniu własności wytrzymałości elektrycznej układu izolacyjnego odgrywają rozwinięte procesy starzeniowe izolacji stałej rozpad celulozy. W celu 5

zamodelowania WNZ na cząstkach o nieokreślonym potencjale zastosowano iskiernik wieloostrze płyta, który zanurzono w oleju zawierającym cząsteczki wody oraz włókna celulozy. 2. Metoda emisji akustycznej oceny wyładowań niezupełnych Podjęcie prac nad wykorzystaniem sygnałów EA generowanej przez wyładowania elektryczne do oceny stanu technicznego badanej izolacji wynikało z trudności metrologicznych występujących podczas pomiarów diagnostycznych wykonywanych w warunkach przemysłowych. W czasie normalnej pracy urządzeń elektroenergetycznych pomiar WNZ metodami elektrycznymi, ze względu na wysoki poziom zakłóceń elektromagnetycznych, jest praktycznie niemożliwy. Natomiast istotnym problemem w metodzie chromatografii gazowej jest możliwość zafałszowania wyników pomiarów podczas pobierania i transportu próbek oleju izolacyjnego oraz gazów zgromadzonych w konserwatorze. Ponadto metody te pozwalają wyłącznie na detekcję oraz określenie intensywności WNZ, natomiast nie dają możliwości lokalizowania miejsc występowania wyładowań elektrycznych. Najważniejszą zaletą metody EA jest możliwość jej wykorzystania w bardzo trudnych warunkach eksploatacji urządzeń elektroenergetycznych. Umożliwia ona: detekcję WNZ bezpośrednio w izolacji badanego urządzenia, ocenę intensywności generowanych wyładowań, jak również określenie miejsc ich występowania. Wypełnia ona zatem lukę jaka istniała w metrologii wyładowań elektrycznych mogących występować w układach izolacyjnych urządzeń elektroenergetycznych [138]. 2.1. Dobór warunków pomiarowych Pomiary sygnałów EA generowanej przez poszczególne formy WNZ wykonano w Laboratorium Diagnostyki Układów Izolacyjnych Instytutu Elektroenergetyki Politechniki Opolskiej. Wygląd ogólny wysokonapięciowego układu probierczego wraz z pulpitem sterowniczym przedstawiono na rys. 2.1. Rys. 2.1 Wysokonapięciowy układ probierczy wraz z pulpitem sterującym Układ probierczy składał się z pulpitu sterowniczego zawierającego autotransformator, zabezpieczenie nadprądowe oraz układ pomiaru napięcia po stronie nn. Wyposażenie celki pomiarowej stanowił jednofazowy transformator probierczy typu TP60 o przekładni znamionowej ϑ = 220/60.000 [V/V], za pomocą którego, poprzez rezystor wodny, zasilano poszczególne iskierniki modelujące. Napięcie zasilające po stronie WN mierzono dołączonym, za rezystorem ograniczającym, woltomierzem elektrostatycznym. Aby wyniki pomiarów i analizy sygnałów EA generowanej przez analizowane formy WNZ miały walor ogólny i dawały możliwość ich porównywania oraz odtwarzania, jako wartość napięcia generacji wyładowań przyjęto wartość 80 % napięcia przebicia (U p ) każdego z układów. 6

Medium propagacyjnym dla sygnałów EA generowanej przez podstawowe formy WNZ był olej elektroizolacyjny wypełniający kadź transformatorową, w której umieszczono iskierniki modelujące. Dla przyjętych form WNZ, oprócz wyładowań na cząstkach o nieokreślonym potencjale, zaproponowano olej mineralny fabrycznie nowy. Natomiast do generacji wyładowań elektrycznych na cząstkach o nieokreślonym potencjale wykorzystano olej z dużą zawartością wody oraz sztucznie wprowadzonymi włóknami celulozowymi o koncentracji ok. 10 mg/l. Podczas pomiarów sygnałów EA przyjęto częstotliwość próbkowania f p = 2,56 MHz, co przełożyło się na 14 -to bitową rozdzielczość przetwornika A/C zastosowanej karty pomiarowej. W trakcie pomiarów sygnałów EA rejestrowano przebiegi czasowe o długości 20 ms, a każdy pomiar rozpoczynał się po przekroczeniu przez impulsy EA ustawionego na wartość 10 mv poziomu funkcji wyzwalającej. 2.2. Charakterystyka układu pomiarowego Właściwy dobór aparatury pomiarowej wykorzystywanej w pomiarach EA generowanej przez WNZ stanowi jeden z podstawowych czynników wpływających na poprawność interpretacji rejestrowanych sygnałów [55, 119]. Na podstawie wyników prac badawczych prowadzonych na Politechnice Opolskiej od 1975 roku, dotyczących doskonalenia akustycznej metody oceny stanu układu izolacyjnego wynika, iż zakres dominujących częstotliwości sygnałów EA zależy od formy WNZ, a jego całkowite pasmo zawiera się w przedziale (20 700) khz [30, 31, 41]. Do rejestracji sygnałów EA generowanej przez przyjęte formy WNZ zastosowano tor pomiarowy, którego schemat poglądowy przedstawiono na rys. 2.2. Rys. 2.2 Schemat układu pomiarowego 1 kadź transformatorowa wypełniona olejem elektroizolacyjnym, 2 iskiernik modelujący WNZ, 3 generator pęcherzyków gazowych (GP), 4 przetwornik pomiarowy, 5 wzmacniacz oraz filtr pomiarowy, 6 komputer z kartą pomiarową Generowane przez WNZ sygnały EA były odbierane przez przytwierdzony do kadzi (rys. 2.3a), za pomocą magnetycznego uchwytu, piezoelektryczny przetwornik pomiarowy typu WD AH 17, firmy Physical Acoustics Corporation. Zastosowany przetwornik charakteryzuje się wysoką czułością (55 db ± 1,5 db w odniesieniu do V/ms -1 ) oraz szerokim pasmem przenoszenia od 100 khz do 1 MHz przy maksymalnym spadku amplitudy ± 10 db. Zarejestrowane sygnały EA były wzmacniane i podawane filtracji przy użyciu różnicowego wzmacniacza pomiarowego AE SIGNAL CONDITIONER, firmy EA System. Widok płyty czołowej zastosowanego układu wzmacniająco filtrującego zamieszczono na rys. 2.3b. Wzmocnienie AESC jest stałe i wynosi 40 db dla układu różnicowego oraz 34 db dla pojedynczego wejścia, przy zwarciu drugiego do masy. Całkowite pasmo przenoszenia wzmacniacza mieści się w zakres (0 1,5) MHz. Dodatkowo układ ten wyposażony jest w aktywny filtr górnoprzepustowy ósmego rzędu o częstotliwości odcięcia 16 khz oraz filtr dolnoprzepustowy o częstotliwości odcięcia 700 khz. Zastosowanie ww. filtracji jest konieczne ze względu na eliminację sygnałów zakłócających, które mogą występować w dolnym i górnym paśmie częstotliwości. Ponadto poprzez zastosowanie częstotliwości odcięcia 700 khz wyeliminowano zjawisko aliasingu [94, 122, 145]. 7

Do rejestracji generowanych przez WNZ sygnałów EA zastosowano jednokanałową kartę pomiarową typu NI 5911 firmy National Instruments, której widok przedstawiono na rys. 2.3c. Zastosowana w badaniach karta pomiarowa umożliwia pomiar i rejestrację sygnałów o częstotliwościach do 100 MHz z rozdzielczością od 8 do 21 bitów. W celu ustawienia parametrów metrologicznych karty pomiarowej, wizualizacji rejestrowanych przebiegów czasowych sygnałów EA oraz archiwizacji plików pomiarowych wykorzystano profesjonalne oprogramowanie Virtual-Bench-Scope (rys. 2.3d). Rejestrację, przetwarzanie oraz analizę mierzonych sygnałów EA przeprowadzono przy użyciu szybkiego komputera klasy PC z 64 -bitowym procesorem taktowanym zegarem 3 GHz oraz pamięcią operacyjną 1 GB. Rys. 2.3 Elementy toru pomiarowego wykorzystywanego do pomiarów sygnałów EA generowanej przez poszczególne formy WNZ: a) przetwornik WD AH 17 przymocowany do kadzi transformatorowej za pomocą uchwytu magnetycznego, b) wzmacniacz pomiarowy AESC wraz z układami filtrującymi, c) karta pomiarowa NI 5911, d) interfejs graficzny programu do rejestracji przebiegów czasowych EA Virtual-Bench-Scope. 2.3. Dobór parametrów i sposób przygotowania sygnałów EA do analizy z wykorzystaniem SSN Poprawna ocena stopnia degradacji izolacji papierowo olejowej urządzeń elektroenergetycznych, poprzez skuteczną identyfikację podstawowych form WNZ, nie jest możliwa w oparciu o bezpośrednią analizę zarejestrowanych przebiegów czasowych sygnałów EA. Uzyskane na podstawie tej analizy deskryptory nie pozwalają na rozpoznawanie i klasyfikację podstawowych form WNZ [20, 21, 138]. Ze względu na znaczne ograniczenia, związane z wykorzystaniem do zadań rozpoznawania badanych form WNZ wyników analizy sygnałów EA w dziedzinie czasu, w procesie uczenia i testowania sieci neuronowej wykorzystane zostały wyłącznie parametry częstotliwościowe oraz czasowo częstotliwościowe. Do uczenia i testowania SSN, jako parametr analizy opisującej sygnały EA generowanej przez podstawowe formy WNZ w dziedzinie częstotliwości, przyjęto widmo gęstości mocy PSD (ang. Power Spectrum Density). Wyznaczenie tego parametru oparto na procedurze numerycznej programu Matlab 6.5.1, która pozwala na obliczenie PSD za pomocą FFT dla ciągu N próbek czasowego przebiegu sygnału EA, przy zastosowaniu techniki okienkowania, eliminującej nieciągłości sygnału na granicach przedziału rejestracji. Podczas wyznaczania PSD zastosowano okno Hanninga. W prowadzonych obliczeniach dokładność wyznaczenia widmowej gęstości mocy jest zależna od zadanej liczby punków uśredniających, których wartości zawierały się w przedziale od 16 do 1024 punktów. Na rys. 2.4 zaprezentowano przykładowe wyniki analizy częstotliwościowej dla WNZ modelowanych w układzie ostrze ostrze w oleju. Wyznaczone przy użyciu procedur Matlab a odpowiednie wartości widmowej gęstości mocy, w postaci wektora kolumnowego, posłużyły do budowy ciągów uczących (CU) oraz ciągów testowych (CT) wykorzystywanych w procesie uczenia i testowania zaproponowanej architektury sieci neuronowej służącej do identyfikacji form WNZ. 8

a) b) c) Rys. 2.4 Przykładowe charakterystyki widmowej gęstości mocy dla sygnału EA generowanej w układzie ostrze ostrze w oleju a) PSD (512), b) PSD (1024), c) PSD (2048) Podczas treningu i sprawdzenia stopnia wyuczenia przyjętej w pracy SSN, pod kątem skuteczności rozpoznawania przez nią podstawowych form WNZ na podstawie wyników analizy czasowo częstotliwościowej, zaproponowano wykorzystanie parametrów sygnałów EA wyznaczonych za pomocą przekształcenia STFT. Procedurę obliczeniową oparto na dostępnej w środowisku Matlab funkcji specgram, która pozwana na wyznaczenie trójwymiarowych map widmowej gęstości mocy. W celu ograniczenia liczby wyników uzyskiwanych przy zastosowaniu przekształcenia STFT konieczne było odpowiednie przygotowanie plików pomiarowych. Zabieg ten polegał na wyizolowaniu z całego zarejestrowanego przebiegu czasowego sygnału EA, wyłącznie interwału obejmującego zdarzenie akustyczne czas występowania WNZ. O początku odseparowanego w ten sposób przedziału czasowego, zawierającego informacje o sygnale pochodzącym od WNZ, decydowała maksymalna wartość amplitudy EA. Długość przyjętego w rozprawie przedziału wynosiła 5120 próbek, co dla przyjętej częstotliwości próbkowania (f p = 2,56 MHz) odpowiadało długości okna czasowego równej 2 ms. Tak wyselekcjonowaną część sygnału EA poddawano analizie STFT, obliczając wartości widmowej gęstości mocy w poszczególnych chwilach czasowych i próbkach częstotliwości. Graficzną reprezentację procedury przygotowania wyselekcjonowanego przebiegu czasowego zmierzonego sygnału EA oraz obliczony przy zastosowaniu STFT spektrogram zaprezentowano na rys. 2.5. a) b) c) U [ V ] U [ V ] f [ khz ] 0,2 0,1 0-0,1-0,2 0 2 4 6 8 10 12 14 16 18 20 t [ ms ] 0,2 0,1 0-0,1-0,2 0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2,0 t [ ms ] db db[ - ] 600 20 500 400 300 200 100 0 0 0,2 0,4 0,6 0,8 1 t [ ms ] 1,2 1,4 1,6 1,8 2,0 0-20 -40-60 Rys. 2.5 Metodyka przygotowania parametrów sygnałów EA do dalszej analizy przy wykorzystaniu SSN: a) zarejestrowany przebieg czasowy sygnału EA od WNZ, b) wybrany fragment sygnału EA, c) spektrogram obliczony przy zastosowaniu STFT dla wybranego przedziału czasowego (2 ms). 9

Przyjęcie wąskiego okna czasowego (2 ms) pozwoliło na skuteczne zawężenie analizowanego przebiegu czasowego, jak również na efektywne przyśpieszenie procesu wstępnego przetwarzania danych niezbędnych do treningu sieci neuronowej. Wyznaczone w ten sposób trójwymiarowe macierze przekształcano następnie do jednokolumnowego wektora, który stanowił elementy wektorów CU oraz CT wprowadzanych na wejścia SSN. 3. Dobór sieci neuronowej do rozpoznawania form wyładowań niezupełnych W dostępnej literaturze autor rozprawy nie spotkał się ze zbyt wieloma publikacjami na temat wykorzystania sieci neuronowych do analizy i rozpoznawania sygnałów EA generowanej przez podstawowe formy WNZ. Przy wyborze metodyki postępowania wykorzystał jedynie informacje dotyczące użycia SSN w procesie identyfikacji WNZ mierzonych metodą elektryczną i DGA [37, 39, 59, 65, 67, 70, 71, 79, 150, 158, 164, 165]. Z przeanalizowanych publikacji wynika, że ponad 95 % wszystkich stosowanych architektur to sieci jednokierunkowe wielowarstwowe, a uzyskiwane przez autorów wysokie wartości skuteczności rozpoznawania poszczególnych form WNZ oraz uszkodzeń układu izolacyjnego skłaniają do zastosowania identycznej struktury. 3.1. Kryteria doboru SSN do rozpoznawania form wyładowań niezupełnych W oparciu o przeprowadzony w rozprawie przegląd doniesień literaturowych, autor pracy zaproponował aby do rozpoznawania podstawowych form WNZ, na podstawie generowanych przez nie sygnałów EA, zastosować jednokierunkową wielowarstwową sieć neuronową, którą zaimplementowano środowisku programowym Matlab 6.5.1. Zastosowana struktura to sieć typu Feed Forward Backpropagation Network (F - F BP), w której każdy z neuronów posiadał sigmoidalną funkcję aktywacji. Wykorzystana w badaniach struktura posiadała trzy warstwy: warstwę wejściową, jedną warstwę ukrytą oraz warstwę wyjściową. Proces uczenia zastosowanej sieci przeprowadzono w oparciu o uczenie nadzorowane, wobec czego część z zarejestrowanych plików pomiarowych zawierających informacje o sygnałach EA od WNZ traktowano jako wektory CU, natomiast pozostałą część jako wektory CT. Dla każdej z rozważanych w badaniach podstawowych form WNZ zarejestrowano 100 plików pomiarowych, z których losowo wybierano reprezentantów wchodzących w skład CU. Pozostałą część populacji zmierzonych sygnałów EA wykorzystywano do testowania stopnia wytrenowania sieci pod względem skuteczności rozpoznawania poszczególnych form WNZ. Jednym z głównych parametrów determinujących uzyskiwanie satysfakcjonujących, z diagnostycznego punktu widzenia, skuteczności rozpoznawania podstawowych form WNZ, w oparciu o identyfikację generowanych prze nie sygnałów EA, był odpowiedni dobór algorytmu uczącego przyjętą architekturę SSN. Przeprowadzony dla potrzeb rozprawy wybór procedury uczenia oparty był na kompromisie między szybkością procesu treningu, a skutecznością rozpoznawania przez sieć poszczególnych wzorców. Bardzo ważnym zagadnieniem podczas wyboru algorytmu treningowego było również utrzymywanie przez niego stabilności procesu uczenia, a przede wszystkim osiągnięcie zbieżności w możliwie jak najkrótszym czasie. W celu wyłonienia najlepszej procedury uczącej przetestowano następujące algorytmy: GDA (ang. Gradient Descent with Adaptive Learning Rate Backpropagation),GDM (ang. Gradient Descent with Momentum Backpropagation), GDX (ang. Gradient Descent with Momentum and Adaptive Learning Rate Backpropagation), SCG (ang. Scaled Conjugate Gradient Backpropagation),CGF (ang. Conjugate Gradient Backpropagation with Fletcher-Reevers Update), RPROP (ang. Resilent Backpropagation). Wybór algorytmu uczącego przyjętej w pracy trójwarstwowej struktury sieci neuronowej przeprowadzono na podstawie analizy i porównania następujących parametrów: - stabilności i zbieżności procesu uczącego, - skuteczności rozpoznawania sygnałów EA generowanej przez przyjęte formy WNZ, - czasookresów procesu uczącego. 10

Jako parametry CU i CT podczas uczenia i testowania każdego z algorytmów zaproponowano wyniki analizy częstotliwościowej zarejestrowanych sygnałów EA generowanej przez podstawowe formy WNZ. Ocenę szybkości i skuteczności rozpoznawania przeprowadzono dla 8 miu podstawowych form WNZ jednocześnie podawanych na wejścia sieci. Na rys. 3.1 przedstawiono porównawcze zestawienie wyników całkowitej skuteczności rozpoznawania (SKUT) ośmiu podstawowych form WNZ przez przyjętą w pracy strukturę sieci neuronowej w zależności od rozmiaru ciągu uczącego (RCU). Zaprezentowane na poniższym rysunku krzywe przedstawiają skuteczność rozpoznawania badanych form WNZ w zależności od zastosowanej procedury uczącej dla liczby neuronów warstwy ukrytej LNWU = 70. Rys. 3.1 Porównanie skuteczności rozpoznawania badanych form WNZ w zależności od rodzaju algorytmu uczącego dla LNWU = 70 Z analizy uzyskanych wartości pod kątem stabilności i zbieżności procedury uczącej wynika, że spośród sześciu przyjętych do testów algorytmów, tylko połowa pozwoliła na osiągnięcie skutecznego rozpoznawania w całym przedziale RCU. Ze względu na zbyt szybką utratę stabilności i zbieżności, do identyfikacji podstawowych form WNZ, na podstawie analizy zarejestrowanych sygnałów EA, nie nadają się algorytmy GDM, GDX i GDA. Kolejnym kryterium doboru strategii uczenia zastosowanego perceptronu wielowarstwowego było określenie jego możliwości do uzyskiwania jak najwyższych skuteczności rozpoznawania sygnałów EA generowanej przez WNZ. Z analizy otrzymanych danych wynika, że wartości skuteczności rozpoznawania ośmiu form WNZ dają podobne rezultaty, a nieznaczne różnice mogą wynikać z losowo dobieranych podczas rozpoczynania procesu uczącego wartości współczynników wagowych każdego z neuronów. Niemniej jednak, przeprowadzone badania wykazały, że wyższe nawet o kilka procent skuteczności identyfikacji sygnałów EA można osiągać wykorzystując algorytm RPROP. Parametrem decydującym o przydatności narzędzi sztucznej inteligencji w diagnostyce izolacji papierowo olejowej transformatorów elektroenergetycznych jest również czas niezbędny do przeprowadzenia procesu identyfikacji poszczególnych form WNZ. W tabeli 3.1 zestawiono otrzymane podczas symulacji wartości średnie czasookresów wymaganych do wytrenowania SSN przy wykorzystaniu analizowanych algorytmów uczących. Tabela 3.1 Czasookresy procesu treningu SSN dla różnych algorytmów uczących dla RCU w zakresie od 1 do 99 (czas w minutach) LNWU Algorytm 10 20 30 40 50 60 70 80 90 100 GDA 122 119 56 *) 103 *) 71 *) 60 *) 76 *) 60 *) 57 *) 40 *) GDM 22 *) 6 *) 4 *) 7 *) 6 *) 4 *) 4 *) 4 *) 4 *) 4 *) GDX 11 4 *) 1 *) 2 *) 2 *) 1 *) 1 *) 1 *) 1*) 1 *) SCG 6 7 9 12 13 15 18 22 CFG 35 47 83 91 120 80 231 126 11 **) **) **) **) RPROP 3 2,4 2,3 2,3 2,6 3,1 3,2 3,4 4 4,3 *) **) utrata stabilności i zbieżności procesu już w początkowej fazie uczenia nieudany proces uczenia brak pamięci operacyjnej

Z zaprezentowanych w tabeli 3.1 wartości interwałów czasowych wynika, że najszybszym algorytmem jest RPROP. Uczenie sieci za pomocą algorytmów SCG oraz CFG, mimo osiągania podobnych skuteczności, powodowało znaczne wydłużenie czasu niezbędnego do uzyskania identycznego poziomu wytrenowania. Poza tym algorytmy te wymagają znacznie większej pamięci RAM, co w przypadku jej niewystarczającej ilości, objawia się zatrzymaniem procesu uczenia i blokadą systemu operacyjnego jednostki obliczeniowej. Pozostałe trzy strategie (GDA, GDM, GDX) wykazały zróżnicowane wartości zmierzonych przedziałów czasowych, jednak utrata stabilności oraz nie osiągnięcie zbieżności cyklu uczącego spowodowało, że nie zostały one wykorzystane do rozpoznawania badanych form WNZ. Na podstawie przeprowadzonych badań dotyczących doboru algorytmu uczącego SSN, mającego umożliwić szybkie i skuteczne rozpoznawanie jednoźródłowych form WNZ w oparciu o analizę sygnałów EA, zaproponowano zastosowanie algorytmu RPROP. Proces korekcji wag poszczególnych neuronów dla tego algorytmu przebiega według zależności opisanej wzorem: w ( k ) ij ( k ) ( ( n) ) ( k ) ( k ) ( n + 1) = w ( n) η ( n) sgn, (3.1) ij ij gdzie: (k) η - indywidualny współczynnik uczenia dla każdej wagi, ( k) ( n) - składowa gradientu funkcji błędu ij ij ij W algorytmie RPROP współczynnik uczenia jest dobierany w każdym cyklu dla każdej wagi w ij indywidualnie na podstawie zmian wartości gradientu. Jeśli w obu kolejnych iteracjach znak gradientu jest taki sam następuje wzrost współczynnika uczenia η, w przeciwnym przypadku zachodzi jego redukcja: ( k) ( aη ( n 1), η ) ( k) ( k) min ij max dla ij ( n) ij ( n 1) > 0 ( k) ( k ) ( k) ( k) ηij ( n) = max( bηij ( n 1), ηmin ) dla ij ( n) ij ( n 1) < 0 ( k) ηij ( n 1) dla w innym przypadku (3.2) Wielkości a i b są stałymi (a = 1,2; b = 0,5), η max i η min oznaczają maksymalną i minimalną wartość współczynnika uczenia (η max = 50; η min = 10-6 ), natomiast funkcja sgn oznacza znak argumentu [50, 109]. 4. Możliwości identyfikowania form wyładowań niezupełnych przy wykorzystaniu sieci neuronowych W celu usystematyzowania wykorzystywanego w niniejszej rozprawie nazewnictwa wprowadzono pojęcie klasy, które określa konkretną, podstawową formę WNZ. Przyjmując do analizy osiem form wyładowań elektrycznych, zdefiniowano następujące klasy: - 1 - wyładowania w układzie ostrze ostrze w oleju, - 2 - wyładowania w układzie ostrze ostrze w oleju z pęcherzykami gazowymi, - 3 - wyładowania ostrze płyta w oleju, - 4 - wyładowania w układzie powierzchniowym dwóch elektrod płaskich, między którymi znajduje się izolacja papierowo olejowa, - 5 - wyładowania w układzie powierzchniowym z jedną elektrodą płaską, drugą wieloostrzową, miedzy którymi znajduje się izolacja papierowo olejowa, - 6 - wyładowania w układzie wieloostrze płyta w oleju, - 7 - wyładowania w układzie wieloostrze płyta w oleju z pęcherzykami gazowymi, - 8 - wyładowania na cząstkach o nieokreślonym potencjale, które przemieszczają się w oleju. 12

4.1. Parametryzacja częstotliwościowa Pierwszym parametrem służącym do budowy wektorów uczących SSN, opisującym każdy z zarejestrowanych od przyjętych klas sygnałów EA, było wykorzystanie wyników analizy częstotliwościowej (PSD). Na rys. 4.1 zilustrowano wyniki całkowitej skuteczności rozpoznawania ośmiu form WNZ (ośmiu klas) w zależności od RCU oraz liczby punktów uśredniających widmowej gęstości mocy (LPU). Pod pojęciem RCU rozumie się w tym przypadku liczbę wektorów CU podawanych na wejście SSN dla każdej z klas. Celem prowadzonych badań było określenie minimalnej wartości punktów uśredniających PSD pozwalających na jednoznaczne scharakteryzowanie i rozpoznawanie badanych form WNZ na podstawie parametrów analizy częstotliwościowej ich sygnałów EA. a) b) SKUT [ % ] SKUT [ % ] LPU RCU LPU RCU Rys. 4.1 Całkowita skuteczność rozpoznawania przez SSN ośmiu form WNZ (SKUT) w zależności od rozmiaru CU (RCU) oraz zmiennej liczby punktów uśredniających PSD (LPU): a) LNWU = 5, b) LNWU = 45 Z przedstawionych na rys. 4.1 charakterystyk wynika, że aby uzyskać zadowalającą z punktu widzenia poprawności identyfikacji defektów układu izolacyjnego skuteczność rozpoznawania (powyżej 90 %) dla 8 -miu klas jednocześnie wprowadzanych na warstwę wejściową SSN, wystarczy ok. 128 punktów uśredniających PSD. Ponadto stwierdzono, że zwiększanie LPU powyżej 128 punktów nieznacznie zwiększa skuteczność rozpoznawania, lecz powoduje wydłużenie procesu uczenia i rozpoznawania badanych form WNZ. Na podstawie analizy uzyskanych danych wynika także, że znaczącą rolę w otrzymywanych wartościach skuteczności rozpoznawania odgrywa RCU, którego wartość dla osiągnięcia SKUT 90%, powinna wynosić co najmniej 30. Z porównania zaprezentowanych na rys. 4.1 charakterystyk wynika również, że na uzyskiwaną wartość całkowitej skuteczności rozpoznawania w znacznym stopniu wpływa wielkość warstwy ukrytej zastosowanej architektury sieci neuronowej. Jednym z kryterium dotyczącym określenia odpowiedniej LPU widmowej gęstości mocy, poza uzyskiwaniem maksymalnych wartości skuteczności rozpoznawania przez SSN poszczególnych klas, była konieczność minimalizacji czasu niezbędnego do wytrenowania przyjętego klasyfikatora neuronowego. Warunkiem progowym tego kryterium było utrzymywanie wartości całkowitej skuteczności rozpoznawania ośmiu form WNZ na poziomie przewyższającym 90 %, przy RCU 20. Na podstawie przyjętego kompromisu między wartością otrzymanej skuteczności, a wymaganym czasem treningu sieci dla LNWU = 45 stwierdzono, że zadowalające wyniki rozróżniania poszczególnych defektów układu izolacyjnego na podstawie zarejestrowanych sygnałów EA uzyskuje się dla LPU = 128. Dla tak przyjętej wartości LPU, skuteczność rozpoznawania jest większa niż zakładany próg, a czas niezbędny na przeprowadzenie procedury uczącej jest relatywnie niski (rys. 4.2). Przyjęcie w trakcie symulacji rozmiaru warstwy ukrytej równej LNWU = 45 podyktowane zostało przedstawionymi na rys. 4.1 wartościami skuteczności, jak również dodatkowym wskaźnikiem czasowym, omówionym w dalszej części niniejszego autoreferatu (tabela 4.1). 13

Rys. 4.2 Wartości interwałów czasowych niezbędnych do rozpoznawania przez SSN ośmiu form WNZ, w zależności od liczby punktów uśredniających PSD (LPU) dla LNWU = 45 i RCU = 30 Na podstawie zaprezentowanych rezultatów, określających możliwość zastosowania wyników analizy częstotliwościowej sygnałów EA oraz algorytmu RPROP do rozpoznawania przez SSN podstawowych form WNZ (klas), jak również z uwzględnienia kompromisu między uzyskiwanymi wartościami skuteczności rozpoznawania, a wymaganym czasem przetwarzania danych, w dalszych pracach za parametr sygnału EA przyjęto PSD, wyznaczone dla LPU = 128. W celu określenia i oceny wpływu liczby neuronów warstwy ukrytej SSN na skuteczność rozpoznawania uszkodzeń izolacji papierowo olejowej transformatorów energetycznych w oparciu o identyfikatory częstotliwościowe zarejestrowanych sygnałów EA, na rys. 4.3 przedstawiono całkowitą skuteczność rozpoznawania zdefiniowanych w rozprawie podstawowych form WNZ w zależności od LNWU oraz liczby klas rozpoznawanych (LKR). Na podstawie zaprezentowanej całkowitej skuteczności rozpoznawania poszczególnych klas można stwierdzić, że wraz ze zwiększaniem wskaźnika LKR oraz przy stałej wartości LNWU skuteczność rozpoznawania maleje. Z analizy porównawczej uzyskanych wartości skuteczności rozpoznawania podstawowych form WNZ wynika również, że dla przyjętej architektury sieci opartej na algorytmie RPROP, otrzymywana skuteczność jest względnie stała dla dość szerokiego przedziału zmian LNWU. a) b) SKUT [ % ] SKUT [ % ] LKR LKR LNWU LNWU Rys. 4.3 Całkowita skuteczność rozpoznawania przez SSN badanych form WNZ w zależności liczby neuronów warstwy ukrytej(lnwu) oraz zmiennej liczby klas rozpoznawanych (LKR): a) RCU = 1, b) RCU = 20 Niższe od zakładanych wartości skuteczności dla ośmiu klas jednocześnie rozpoznawanych przez sieć (poniżej 90 %) uzyskuje się dla LNWU < 10. Natomiast zwiększenie LNWU powyżej 60 nieznacznie poprawia całkowitą skuteczność rozpoznawania ok. (0,5 2) %, przy jednoczesnym wzroście interwału czasowego niezbędnego do wytrenowania sieci (tabela 4.1). Na podstawie uzyskanych wyników można także stwierdzić, że po przekroczeniu pewnej wartości LNWU, stałej LKR oraz RCU następuje nagły spadek skuteczności rozpoznawania przez sieć badanych klas, co spowodowane jest stopniowym nasycaniem się wag neuronów sieci. Według przyjętych założeń zastosowana sieć neuronowa, oprócz satysfakcjonującej skuteczności rozpoznawania poszczególnych defektów układu izolacyjnego na podstawie 14

przetwarzanych parametrów częstotliwościowych sygnałów EA generowanej przez WNZ, powinna charakteryzować się względnie niskim czasem procesu treningu. Wyznaczone wartości interwałów czasowych niezbędnych do jednoczesnego rozpoznawania przez sieć neuronową ośmiu klas w zależności od LNWU zestawiono w tabeli 4.1. Tabela 4.1 Wartości interwałów czasowych niezbędnych do rozpoznawania przez SSN ośmiu form WNZ w zależności od LNWU dla 128 punktów uśredniających PSD i RCU = 30 LNWU T [ s ] LNWU T [ s ] LNWU T [ s ] 5 5,1 205 9,9 405 16,4 25 3,4 225 10,5 425 17,6 45 3,0 245 9,5 445 16,9 65 3,9 265 10,6 465 18,8 85 4,6 285 12,3 485 19,5 *) 105 6,7 305 11,7 505 19,8 *) 125 5,7 325 12,6 525 1,7 **) 145 6,8 345 14,4 545 2,0 **) 165 7,3 365 14,8 565 2,0 **) 185 8,4 385 16,3 585 1,9 **) *) utrata zbieżności procesu rozpoznawania - stopniowe nasycanie wag neuronów **) całkowita utrata zbieżności procesu rozpoznawania - nasycenie wag neuronów Z zaprezentowanych w tabeli 4.1 wartości wskaźników czasowych wymaganych do uczenia i rozpoznawania przez sieć ośmiu klas wynika, że najkrótsze czasy przetwarzania uzyskuje się dla LNWU mieszczącej się w przedziale od 25 do 60. Najlepsze efekty identyfikacji poszczególnych form WNZ, przy stosunkowo niskim nakładzie czasowym analizy danych pomiarowych, uzyskano dla LNWU na poziomie 45. W tabeli 4.2 przedstawiono uzyskane skuteczności rozpoznawania przez SSN każdej z rozważanej w rozprawie klasy. Tabela 4.2 Wartości skuteczności rozpoznawania przez SSN badanych form WNZ przy wykorzystaniu 128 punktów uśredniających PSD oraz LNWU = 45 RCU 1 2 3 4 5 6 7 8 Skuteczność całkowita 1 97,5 99,6 94,4 88,6 93,6 95,8 91,3 98,5 59,3 10 99,3 99,4 99,3 98,6 99,3 99,3 96,6 98,6 90,4 20 99,7 98,9 99,7 99,2 99,5 99,2 98,1 99,7 94,0 30 99,8 99,1 100,0 99,3 97,5 98,0 99,8 99,3 92,8 40 99,2 98,5 99,6 99,6 98,5 99,6 99,8 98,9 93,6 50 98,0 99,7 100,0 100,0 99,7 99,7 99,0 98,2 94,4 60 99,4 100,0 100,0 100,0 98,7 99,0 100,0 99,7 96,8 70 100,0 99,1 99,6 100,0 99,6 99,6 99,6 99,1 96,6 80 99,3 99,3 100,0 100,0 98,7 99,3 100,0 99,3 96,1 90 98,6 100,0 100,0 100,0 100,0 100,0 100,0 98,6 97,2 Z przedstawionej powyżej procentowej wartości skuteczności wynika, że wybór parametru analizy częstotliwościowej zarejestrowanych sygnałów EA generowanej przez badane formy WNZ w postaci 128 punktów uśredniających PSD pozwala na uzyskanie satysfakcjonujących rezultatów rozpoznawania zadanych defektów układu izolacyjnego. Przyjęcie sieci neuronowej o LNWU = 45 zapewnienia otrzymywanie całkowitej skuteczności rozpoznawania powyżej 90 % (dla 8 klas), przy RCU = 10, a przez to każdej z klas na poziomie bliskim 99 %. 4.2. Parametryzacja czasowo - częstotliwościowa Kolejnym parametrem służącym do budowy wektorów uczących i testujących SSN, było wykorzystanie wyników analizy czasowo - częstotliwościowej z użyciem krótkoczasowego przekształcenia Fouriera (STFT). Na rys. 4.4 przedstawiono całkowitą skuteczność 15

rozpoznawania ośmiu badanych klas w zależności od RCU oraz zmiennego przedziału czasowego dt. Parametr czasowy dt zdefiniowany został jako szerokość okna czasowego, dla którego wykonana została analiza STFT zmierzonych sygnałów EA. Celem prowadzonych badań było określenie odpowiedniej szerokości okna czasowego dt z wybranego fragmentu zarejestrowanego sygnału EA, pozwalającego na skuteczne rozpoznawanie poszczególnych form WNZ na podstawie parametrów analizy czasowo częstotliwościowej. a) b) SKUT [ % ] SKUT [ % ] dt [ ms ] RCU dt [ ms ] RCU Rys. 4.4 Całkowita skuteczność rozpoznawania przez SSN ośmiu form WNZ (SKUT) w zależności od rozmiaru CU (RCU) oraz wielkości przedziału czasowego (dt) poddanego analizie STFT: a) LNWU = 5, b) LNWU = 45 Z zaprezentowanych na rys. 4.4 wykresów wynika, że wraz ze wzrostem RCU całkowita skuteczność rozpoznawania wzrasta. W przypadku gdy LNWU = 5 (rys. 4.4a) uzyskane wartości skuteczności rozpoznawania wynoszą maksymalnie ok. 80 %, co z punktu diagnostyki układów izolacyjnych nie jest wartością zadowalającą. Poprawę skuteczności, do wartości powyżej 90 %, można w tym przypadku osiągnąć poprzez zwiększenie LNWU (rys. 4.4b). Z przedstawionych charakterystyk wynika również, że najwyższe skuteczności rozpoznawania uzyskuje się dla wąskich okien czasowych dt analizy STFT. Jest to szczególnie widoczne dla małych RCU i związane jest to najprawdopodobniej z analizą sygnałów EA pochodzących bezpośrednio od WNZ, a nie jak w przypadku analizy szerokich okien od WNZ oraz odbić od ścian kadzi transformatorowej. Dla LNWU = 45 i wartości RCU powyżej 20 tu, wartość uzyskanej całkowitej skuteczności rozpoznawania ośmiu klas wynosi blisko 95 %, co z punktu widzenia diagnostycznego jest wynikiem wystarczającym. Dodatkowym kryterium, zastosowanym w celu odpowiedniego doboru parametrów analizy czasowo częstotliwościowej sygnałów EA wykorzystywanych podczas treningu sieci neuronowej była minimalizacja przedziału czasowego niezbędnego do identyfikacji przez SSN poszczególnych klas. Na rys. 4.5 zamieszczono wykres słupkowy przedstawiający zależność wymaganego podczas procesu rozpoznawania przez SSN czasu (T) od szerokości okna czasowego (dt), dla którego wykonano przekształcenie STFT. Wyznacznikiem przyjętego kryterium czasowego było uzyskiwanie przez zastosowany klasyfikator neuronowy całkowitej skuteczności rozpoznawania ośmiu klas na poziomie przewyższającym 90 % dla RCU 20. Przyjmując kompromis między wartością otrzymanej skuteczności, a wymaganym czasem uczenia sieci dla LNWU = 45 stwierdzono, że zadowalające wyniki rozpoznawania poszczególnych form WNZ na podstawie analizy czasowo częstotliwościowej (STFT) zarejestrowanych sygnałów EA uzyskuje się dla szerokości okna czasowego dt = 0,4 ms (przedział czasowy t = 0 0,4 ms). Dla tak przyjętej wartości dt, całkowita skuteczność rozpoznawania jest większa niż zakładany próg, a nakłady czasowe niezbędne na przeprowadzenie procedury uczącej są względnie małe. Przyjęcie w trakcie badań LNWU = 45 uwarunkowane zostało zaprezentowanymi na rys. 4.4 wynikami otrzymanej skuteczności rozpoznawania, jak również wskaźnikiem czasowym, określającym wpływ wielkości warstwy ukrytej na czas uczenia SSN (tabela 4.3). 16

Rys. 4.5 Wartości interwałów czasowych niezbędnych do rozpoznawania przez SSN ośmiu form WNZ w zależności od wielkości przedziału czasowego (dt) analizy STFT dla LNWU = 45 i RCU = 30 Wpływ LNWU sieci neuronowej na skuteczność rozpoznawania uszkodzeń izolacji papierowo olejowej, w oparciu o parametry czasowo częstotliwościowe zarejestrowanych sygnałów EA (STFT dla dt = 0,4 ms), oceniono na podstawie przedstawionych na rys. 4.6 wyników symulacji. a) b) SKUT [ % ] SKUT [ % ] LKR LKR LNWU LNWU Rys. 4.6 Całkowita skuteczność rozpoznawania przez SSN badanych form WNZ (SKUT) dla dt = 0,4 ms w zależności od liczby neuronów warstwy ukrytej (LNWU) oraz liczby klas rozpoznawanych (LKR): a) RCU = 1, b) RCU = 20 Z analizy uzyskanych wartości skuteczności identyfikacji podstawowych form WNZ, na podstawie treningu SSN parametrem wyznaczonym przy użyciu krótkoczasowego przekształcenia Fouriera sygnałów EA dla dt = 0,4 ms wynika, że dla przyjętego jednokierunkowego klasyfikatora neuronowego opartego na algorytmie RPROP, uzyskiwana skuteczność, podobnie jak dla parametru częstotliwościowego, jest relatywnie stała dla dość szerokiego przedziału zmian LNWU. Niższe od zakładanych wartości skuteczności uzyskuje się dla LNWU 25. Natomiast zwiększenie LNWU powyżej 55 nieznacznie zwiększa całkowitą skuteczność rozpoznawania o ok. (0,4 2) %, wydłużając jednocześnie czas treningu sieci. Uzyskane wyniki potwierdziły również zależność, że po przekroczeniu pewnej wartości LNWU (ok. 450), stałej LKR oraz RCU następuje nagły spadek skuteczności rozpoznawania przez sieć poszczególnych klas, co jest wynikiem stopniowego nasycania się wag neuronów oraz uczenia się sieci na pamięć. Przeprowadzone symulacje potwierdziły zatem, że dla uzyskania skuteczności na poziomie przewyższającym 90 % konieczne jest przyjęcie architektury zawierającej odpowiedni rozmiar warstwy ukrytej (LNWU) oraz wielkości RCU. Ostatnim etapem prowadzonych prac był stosowny dobór rozmiaru warstwy ukrytej zastosowanego narzędzia klasyfikującego. Celem wykonywanych obliczeń było określenie takiej struktury przyjętej architektury SSN, która poza osiąganiem wystarczającej całkowitej skuteczności rozpoznawania (SKUT > 90%), charakteryzowałaby się względnie krótkim czasem wyuczenia wymaganych wzorców. 17

Tabela 4.3 Wartości interwałów czasowych niezbędnych do rozpoznawania przez SSN ośmiu form WNZ w zależności od LNWU dla stałej wielkości przedziału czasowego dt = 0,4 ms i RCU = 30 LNWU T [ s ] LNWU T [ s ] LNWU T [ s ] 5 26,5 205 24,7 405 44,2 25 8,5 225 26,2 425 47,7 45 8,9 245 31,8 445 48,0 65 10,7 265 31,1 465 49,2 85 14,2 285 33,0 485 56,0 *) 105 15,6 305 34,5 505 8,7 **) 125 16,7 325 38,4 525 6,2 **) 145 19,2 345 39,4 545 6,2 **) 165 20,8 365 41,2 565 6,1 **) 185 24,9 385 45,3 585 6,2 **) *) utrata zbieżności procesu uczenia **) utrata zbieżności procesu rozpoznawania, spowodowana nasycaniem wag neuronów Na podstawie przedstawionych w tabeli 4.3 wartości parametrów czasowych wymaganych do uczenia i rozpoznawania przez sieć ośmiu klas wynika, że najkorzystniejsze pod względem czasochłonności procesu przetwarzania danych rezultaty uzyskuje się dla LNWU w przedziale od 20 do 70. Przyjmując kompromis między uzyskiwaną skutecznością rozpoznawania przez SSN badanych form WNZ, na podstawie parametrów analizy czasowo częstotliwościowej STFT sygnałów EA, a wartością czasu niezbędnego do jej przeprowadzenia można stwierdzić, że najbardziej optymalne wyniki identyfikacji uzyskano dla LNWU = 45. W tabeli 4.4 zestawiono uzyskane skuteczności rozpoznawania każdej z rozważanych klas. Z analizy przedstawionej poniżej procentowej skuteczności wynika, że parametryzacja czasowo - częstotliwościowa STFT zarejestrowanych sygnałów EA, wykonana dla szerokości okna czasowego dt = 0,4 ms, pozwala na uzyskanie satysfakcjonujących rezultatów rozpoznawania przez sieć zadanych defektów papierowo olejowego układu izolacyjnego. Przyjęcie architektury o LNWU = 45 oraz treningu SSN rozmiarem RCU = 20 pozwala na osiągnięcie całkowitej skuteczności rozpoznawania na poziomie 95 %, co skutkuje ponad 99 % -ym rozpoznawaniem każdej z przyjętych klas. Tabela 4.4 Wartości skuteczności rozpoznawania przez SSN badanych form WNZ w oparciu o wyniki analizy STFT dla dt = 0,4 ms oraz LNWU = 45 RCU 1 2 3 4 5 6 7 8 Skuteczność całkowita 1 95,5 93,8 96,0 97,7 92,1 92,1 93,2 91,8 52,1 10 99,6 98,2 99,9 99,4 99,4 95,5 95,0 99,9 86,9 20 99,7 98,9 100,0 99,4 99,7 99,2 99,4 99,7 95,9 30 100,0 99,1 100,0 99,6 98,8 99,3 99,1 99,5 95,3 40 99,8 99,4 99,9 99,2 99,8 99,4 98,9 99,4 95,7 50 99,7 99,2 100,0 99,5 99,0 100,0 99,0 99,0 95,4 60 99,7 100,0 100,0 99,7 100,0 99,7 99,0 100,0 98,1 70 100,0 99,5 99,8 99,6 100,0 99,6 99,6 99,6 97,5 80 100,0 100,0 100,0 100,0 99,9 99,3 99,3 100,0 98,6 90 100,0 99,9 100,0 98,6 100,0 100,0 98,2 99,6 96,3 5. Możliwości wykorzystania metody emisji akustycznej w systemach eksperckich oceny układów izolacyjnych transformatorów dużych mocy Przedstawione w rozprawie wyniki, dotyczące zastosowania SSN do rozpoznawania podstawowych form wyładowań elektrycznych, stanowią kolejny etap prac badawczych prowadzonych w Katedrze Wysokich Napięć Politechniki Opolskiej, które zmierzają do stworzenia narzędzia diagnostycznego opartego na metodzie EA, umożliwiającego 18