استخراج ميزة النوافذ المتعددة لتحديد موضع خطأ الرؤية العميقة للمحول

أهمية استخراج ميزة النوافذ المتعددة لتحديد موضع خطأ المحولات

يعد تشخيص أعطال معدات الطاقة الرئيسية مثل محول الطاقة جزءاً مهماً من أنظمة الطاقة لتشغيلها الآمن والاقتصادي، ومع زيادة بناء الشبكة الذكية؛ ستستمر معدات الطاقة في التطور في اتجاه الذكاء والتكامل العالي، ومع ذلك؛ فإن طرق تشخيص أعطال محول الطاقة الحالية لا تزال تتمتع بقدرة ضعيفة نسبياً على استخراج ميزات أعطال المحولات الكهربائية.

بالتالي؛ فإن التأثير التشخيصي غير مرضٍ، ولا يمكن أن يلبي احتياجات بناء “الشبكة الذكية”، بحيث تركز معظم الدراسات على تشخيص نوع خطأ محول الطاقة، وفي حين أن هناك عدداً أقل من الدراسات ذات الصلة حول طرق تحديد موضع الخطأ.

كما تشمل طرق تشخيص أعطال المحولات تحليل الغازات المذابة (DGA) وتحليل استجابة التردد (FRA) والتصوير الحراري بالأشعة تحت الحمراء (IRT)، وما إلى ذلك، حيث أن تحليل استجابة تردد الاجتياح (SFRA)، يعتبر كواحد من طرق (FRA)، كما أن لديه حساسية أعلى لتشخيص أخطاء اللف، بحيث يستخدم وظيفة النقل للحصول على منحنى الاستجابة الترددية (FR) لتوفير معلومات للتشخيص.

وحالياً وتحديداً في المجال الصناعي؛ فإنه يتم تنفيذ تفسير منحنى (FR) بشكل أساسي من قبل المهندسين المهرة الذين لديهم خبرة واسعة في الكشف عن المحولات وصيانتها، بحيث يمكن اعتبار منحنى (FR) للمحول القياسي والصحي من الخصائص الأصلية للمحول، والتي تسمى غالباً بصمة الإصبع.

كما وقد تتسبب عيوب مثل التشوه المحوري المتعرج والتشوه الشعاعي والدوائر القصيرة المتداخلة في حدوث تغييرات في المعلمات في الدائرة المكافئة لملفات المحولات، وبالتالي تسبب تشوه بصمة (FR)، بحيث يمكن أن تؤدي مقارنة منحنى (FR) لمحول في حالة خطأ ببصمة إصبعه إلى تشخيص نوع خطأ معين.

وفي هذه الحالة، تعد الخبرة والقدرة المهنية لخبير التشخيص أمراً بالغ الأهمية، وذلك لأنه يتطلب معرفة مسبقة قوية بتأثير كل معلمة على منحنى (FR)، وهذا لا يمكن أن يلبي الاتجاه المتطور للمحطة الفرعية الذكية، وللتغلب على هذا القيد؛ فقد ركزت العديد من الدراسات على تحسين إمكانية تفسير منحنى (FR) من خلال تقنيات الحساب. يتم تقديم العديد من الفهارس الإحصائية (SI).

الطرق المقترحة لتحديد موضع خطأ الرؤية العميقة للمحول

مبدأ تجميع البيانات

يمكن اعتبار لف المحولات نموذج دائرة خطية تتكون من مكونات مثل المقاومات والمحاثات والمكثفات، وفي نطاق التردد العالي (> 1 كيلو هرتز)، خاصةً عندما يتم تطبيق إشارة طاقة إثارة متغيرة التردد في بداية اللف؛ فإن إشارة الاستجابة المقاسة في نهاية الملف ستتغير مع التردد.

كما يمكن الحصول على بيانات (FR) للملف عن طريق قياس إشارة الدخل وإشارة الاستجابة والحساب وفقاً لوظيفة النقل كما هو موضح في المعادلة (1)، لذلك سوف تتسبب أخطاء اللف الناتجة عن أسباب كهربائية وحرارية وميكانيكية وأسباب أخرى في حدوث تغييرات في المكونات في الدائرة المكافئة مثل المحاثات والمكثفات وتؤدي في النهاية إلى تغييرات في منحنى (FR).

على سبيل المثال، تحدث العيوب الاستقرائية في اللف عادة بسبب المنعطفات القصيرة، ونظراً لأن محاثة الملف تتناسب طردياً مع عدد الدورات في الملف؛ فإن دائرة قصر في الملف تقلل من تحريض الدائرة المكافئة، لذلك من خلال مقارنة منحنى (FR) المقاس ببصمة (FR)، يمكن تشخيص وتحديد خطأ تشوه اللف.

حيث يشير [U1 (f)] إلى إشارة الدخل، كما يشير [U2 (f)] إلى إشارة الاستجابة.

ويشير البناء والمعطيات ذات الصلة لنموذج دائرة لف المحولات، حيث أن النموذج كما هو مبين في الشكل التالي يتكون نموذج الدائرة المكافئ لملف المحول من وحدات (i)، كما تتكون كل وحدة من محاثة الملف (Li)، الحث المتبادل (Mi)، السعة إلى الأرض (Cgi)، السعة (Csi) بين الملفات والمقاومة (Ri).

ونظراً لأن تأثير (Ri) صغير؛ فإن هذا الطرح يتجاهل تغيير (Ri)، وبعد ذلك؛ فإنه يمكن تبسيط الأخطاء المختلفة الموجودة في الوحدة (i) لملف المحول لتغيير المعامل Pai) = [LiMiCgiCsi]) في الدائرة المكافئة، لذلك ومن خلال تغيير (Pai) في مواقع مختلفة أنا في الدائرة المكافئة.

كما يمكن محاكاة الآلية المعقدة لخطأ لف المحولات ويمكن الحصول على بيانات (FR) في نطاق التردد الكهربائي لمزيد من المعالجة، وبالإضافة إلى ذلك، ونظراً لأن (Mi) و (Li) ليسا مستقلين؛ فإنه يجب أن تظل إعدادات الخطأ الخاصة بهما متزامنة.

استخراج ميزة النوافذ المتعددة في ظل القيود اللوغاريتمية

من أجل استخراج خصائص خطأ بيانات (FR) بشكل كامل، يقدم هذا الطرح طريقة لحساب فهرس خصائص (FR)، من خلال حساب ميزة متعددة النوافذ، بحيث تختلف هذه الطريقة عن معظم طرق (SI) التي تحسب بشكل مباشر منحنى (FR) بأكمله في فهرس مميز واحد.

كما تقوم هذه الطريقة بتعيين بيانات (FR) في تسلسل ميزة جديد بدلاً من فهرس، وفي هذه الطريقة؛ فإنه يتم تحديد نافذة بطول معين، بحيث يقوم بالمسح بخطوات من بداية نطاق التردد حتى النهاية، وفي كل مرة تتحرك فيها النافذة؛ فإنه يتم حساب قيمة ميزة البيانات المؤثرة في النافذة، حيث أن صيغة حساب طول تسلسل الميزة التي تم الحصول عليها كما هو موضح في المعادلة (4).

حيث:

(x0): تشير  إلى إحداثي (x) لنقطة البداية،

(xn): إلى إحداثيات (x) لنقطة النهاية.

(s و Ww): هي مضاعفات أعداد صحيحة موجبة لخطوة تردد المسح (FR Δf).

(s): تشير إلى طول خطوة النافذة.

(Ww): تشير إلى عرض النافذة.

ولمسح نطاق التردد بأكمله، يجب أن تكون (Ww≥2s)، بحيث يمثل (floor) دالة الحد الأدنى ويعيد أكبر عدد صحيح سابق.

معرف هيلبرت ثنائي الأبعاد

باستخدام طرق تصور البيانات؛ فإنه يمكن إدخال تسلسلات ميزة (FR) لملف المحولات التي تم الحصول عليها من استخراج ميزة النوافذ المتعددة بشكل فعال في نموذج التعلم العميق للتدريب وللحصول أخيراً على نموذج تحديد موقع خطأ الرؤية العميقة.

ومع ذلك؛ فإنه ونظراً لأن طرق التصور المختلفة لها أشكال وقدرات مختلفة لتحسين الميزات، والتي ستؤثر بشكل مباشر على التدريب النهائي وتأثير الاختبار لنموذج تحديد موقع أخطاء الرؤية العميقة؛ فإن طريقة التصور المناسبة لمزيد من العملية لها أهمية كبيرة في سيناريو التشخيص (FRA) هذا.

كما أن منحنى هلبرت هو منحنى خاص يمكنه ملء الفراغ بأكمله بشكل مستمر، بحيث يوجد هذا النوع من المنحنيات في الفضاء الإقليدي الذي حجمه أكبر من (1)، ويمكن تعديل ترتيب منحنى هيلبرت لجعله يجتاز كل نقاط محددة في الفضاء، بحيث يوضح الشكل التالي أمثلة لمنحنيات هيلبرت ذات الطلبات المختلفة (تشير n إلى ترتيب المنحنى).

حتى الآن، تم استخدام منحنيات هلبرت بنجاح في مجال معالجة تصور البيانات، وعند تقديم منحنى هيلبرت في سيناريو التشخيص؛ فإنه يمكن ترتيب تسلسلات ميزة المحول (FR) التي تم الحصول عليها بواسطة طريقة استخراج ميزة النوافذ المتعددة الموضحة في (II-B) بترتيب اتجاه تمديد منحنى هيلبرت.

كما ويمكن تمثيل القيم العددية لتسلسلات المعالم بألوان مختلفة، ثم سيتم تحويل تسلسل ميزة (FR) أخيراً إلى صور، مما يحقق بشكل فعال إبراز الميزة الرسومية للتسلسلات.