Power Transformer Operating State Prediction Method Based on an LSTM Network

Song, Hui; Dai, Jufeng; Luo, Lingen; Sheng, Gehao; Jiang, Xiuchen

doi:10.3390/en11040914

Cited by 30 publications

(17 citation statements)

References 33 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Також наявні роботи [11][12][13][14][15], в яких приведені методи та підходи, використання яких дозволяє здійснювати ідентифікацію та прогнозування технічного стану трансформатора.…”

Section: електричні машини і апаратиunclassified

Structure of the Device for Identifying Power Oil Transformer Resources

Rozvodiuk¹,

Vdovichenko²

2019

EES

View full text Add to dashboard Cite

Відсутність фінансування енергетичної галузі в необхідному обсязі призводить до необхідності здійснювати експлуатацію силових масляних трансформаторів не за терміном їх служби, який гарантований заводомвиробником, а за технічним станом. За таких умов важливим фактором є забезпечення надійності функціонування силових масляних трансформаторів. Реалізація такої умови можлива за рахунок визначення достовірного значення їхнього залишкового ресурсу. Розв'язання цієї задачі можливе з використанням засобів діагностування. Найбільш ефективними є саме ті, що дозволяють визначати залишковий ресурс силового масляного трансформатора в процесі його експлуатації. В роботі запропоновано визначати ресурс силового масляного трансформатора за такими показниками: температурою верхніх шарів масла в баку, струмом в колі вторинної обмотки, напругою, коефіцієнтом потужності, температурою навколишнього середовища, тиском масла в високовольтному вводі, концентрацією газів у маслі високовольтного вводу, швидкістю зростання концентрації газів у маслі високовольтного вводу, а також за технічним станом пристрою регулювання напруги під навантаженням. Розроблено граф функціонування блока обробки інформації структури пристрою, який характеризує стани переходу системи при різних режимах роботи трансформатора: в нормальному та режимах перевантаження за чотирма параметрами. Здійснено аналітичний опис функціонування графа за допомогою апарату секвенцій. Це дало можливість синтезувати структуру пристрою для визначення ресурсу силового масляного трансформатора, яка враховує всі зазначені вище показники, які впливають на зменшення цього ресурсу. Крім визначення ресурсу трансформатора, як в нормальному режимі роботи, так і в режимі перевантаження, пристрій має здатність контролювати допустимий тиск в маслі високовольтного вводу та визначати неодночасність перемикання пристрою регулювання напруги під навантаженням при пофазному перемиканні відпайок. При перевищенні хоча б одного з показників трансформатора допустимого значення, подається сигнал в коло сигналізації та відображається інформація на відповідному індикаторі. Використання отриманих результатів дозволить підвищити надійність функціонування силових масляних трансформаторів. Ключові слова: трансформатор, залишковий ресурс, апарат секвенцій, блок обробки інформації.

show abstract

Section: електричні машини і апаратиunclassified

Structure of the Device for Identifying Power Oil Transformer Resources

Rozvodiuk¹,

Vdovichenko²

2019

EES

View full text Add to dashboard Cite

show abstract

“…Significant work has been done by researchers to establish machine learning methods for transformer fault prediction and classification (Ghoneim 2018, Song et al 2018, Zheng et al 2018, Lin et al 2018, Liu et al 2019, Jiang et al 2019, Elânio Bezerra et al 2020, Zeng et al 2020. Most of the proposed artificial intelligent methods are based on single gas ratio interpretation methods (IEC 60599 2015).…”

Section: Introductionmentioning

confidence: 99%

Maintenance Automation Architecture and Electrical Equipment Fault Prediction Method in Tanzania Secondary Distribution Networks

2021

View full text Add to dashboard Cite

Distribution networks remain the most maintenance-intensive parts of power systems. The implementation of maintenance automation and prediction of equipment fault can enhance system reliability while reducing the overall costs. In Tanzania, however, maintenance automation has not been deployed in secondary distribution networks (SDNs). Instead, traditional methods are used for condition prediction and fault identification of power assets (transformers and power lines). These (manual) methods are costly and time-consuming, and may introduce human-related errors. Motivated by these challenges, this work introduces maintenance automation into the network architecture by implementing effective maintenance and fault identification methods. The proposed method adopts machine learning techniques to develop a novel system architecture for maintenance automation in the SDN. Experimental results showed that different transformer prediction methods, namely support vector machine, kernel support vector machine, and multi-layer artificial neural network, give performance values of 96.72%, 97.50%, and 97.53%, respectively. Furthermore, oil based performance analysis was done to compare the existing methods with the proposed method. Simulation results showed that the proposed method can accurately identify up to ten transformer abnormalities. These results suggest that the proposed system may be integrated into a maintenance scheduling platform to reduce unplanned maintenance outages and human maintenance-related errors. Keywords: Predictive maintenance; fault identification; fault prediction; maintenance automation; secondary electrical distribution network

show abstract

“…The experimental results showed that the RNN structure effectively predicted the running status of the hard disc. The literatures [15, 16] used a single LSTM to predict short‐term wind power and transformer operating state predictions. It achieved significant improvements in prediction accuracy.…”

Section: Introductionmentioning

confidence: 99%

Short‐term wind power forecasting based on two‐stage attention mechanism

Wang

Yang

2020

IET Renewable Power Generation

View full text Add to dashboard Cite

Wind power is usually closely related to the meteorological information around the wind farm, which leads to the fluctuation of wind power and makes it difficult to predict precisely. In this study, a wind power forecasting model based on longshort-term memory network two-stage attention mechanism is established. The attention mechanism is extensively employed to weigh the input feature and strengthen the trend characteristic of wind power. The intermittency and volatility feature of the wind are efficiently mitigated, and the prediction accuracy is improved significantly. Besides, quantile regression and kernel density estimation are combined with the proposed model to predict the wind power interval and the probability density. These two parameters are important information for ensuring security and stability while accessing to the electricity grid. The simulation results on the actual wind power dataset verify the higher prediction accuracy of the proposed model compared with other machine learning methods.

show abstract

Power Transformer Operating State Prediction Method Based on an LSTM Network

Cited by 30 publications

References 33 publications

Structure of the Device for Identifying Power Oil Transformer Resources

Structure of the Device for Identifying Power Oil Transformer Resources

Maintenance Automation Architecture and Electrical Equipment Fault Prediction Method in Tanzania Secondary Distribution Networks

Short‐term wind power forecasting based on two‐stage attention mechanism

Contact Info

Product

Resources

About