A Deep Learning Approach to the Transformer Life Prediction Considering Diverse Aging Factors

Abstract

The reliability of a high-capacity power transformer is fundamental to the stable operation of power systems. However, characterization of the transformer aging process is a difficult task, considering the diverse aging factors in its life cycle. This prevents effective management of such equipment. In the work, we study the aging phenomenon of power system transformers, whose representative degeneration variables are extracted from real transformer operational data. Combining with the average life of the equipment, the extracted features are used as indicators for the transformer reliability evaluations. We developed a deep learning–based approach using a convolutional neural network for effective equipment life prediction. The performance of the transformer life prediction model is verified using field-test data, which demonstrates the superior accuracy of the presented approach.

Condition Monitoring and Analysis Method of Smart Substation Equipment Based on Deep Learning in Power Internet of Things

“…As a key component of the power system, power equipment will not only affect the power equipment itself, but also have an immeasurable impact on the large power grid system when serious faults occur (He et al, 2022). Therefore, the reliability of power equipment in smart substations must receive due attention, particularly in increasingly complex power systems.…”

Fuzzy logic-based estimation model of distribution transformers aging

“…У створеній моделі є чотири вихідних MF (рис. 4 г): Деградацію ізоляції котушок можна оцінити за допомогою індексу деградації (LoL), який використовується в теплових моделях реального трансформатора [22][23][24]. Вважається, що підвищення температури 𝛥𝜃 𝑂.𝑡 і 𝛥𝜃 𝐻𝑆𝑂.𝑡 не залежать від температури охолоджувального середовища в діапазоні її зміни від +40 до -20 °C [24].…”

“…Більш детально методика їх розрахунку представлена в [21]. Відносне зношування трансформатора оцінюється за допомогою 𝜃 𝐻𝑆 шляхом обчислення коефіцієнта прискорення старіння [22]:…”

“…де 𝜃 𝐻𝑆 𝑟𝑒𝑓 є еталонною температурою найгарячішої точки [22]. Сумарне відносне зношування для даного температурного циклу можна оцінити за допомогою еквівалентного коефіцієнта старіння, який дорівнює сумі відносного зношування для всіх інтервалів часу Δt i (i = 1, 2, …, M), поділеного на суму інтервалів часу:…”