تشخيص أعطال محولات القدرة باستخدام تحليل الغاز المذاب

أهمية تشخيص أعطال محولات القدرة باستخدام تحليل الغاز المذاب

تعد محولات القدرة الكهربائية مكونات مهمة لخطوط التوزيع والنقل، وذلك من أجل التشغيل المستقر والمتوازن “للمحولات الكهربائية”، بحيث يتم استخدام مواد العزل لمنع انتقال الحرارة والتفريغ الكهربائي، وذلك على الرغم من تصنيع المحولات لتلبية شروط “التصميم الموثوقة”؛ إلا أن عدم اليقين أثناء التشغيل يمكن أن يتسبب في تشغيل المحولات بطريقة غير متوقعة، وبالتالي منع الخسائر الاجتماعية والاقتصادية وخسائر كفاءة الطاقة الكارثية.

لذلك تم استخدام تحليل “الغازات المذابة” (DGA) على نطاق واسع لتشخيص محولات القدرة المشبعة بزيوت التبريد، وذلك عندما تتعرض مواد العزل باستمرار للضغوط الكهربائية والحرارية، بحيث تتحلل الغازات القابلة للاحتراق، على سبيل المثال، (H2  ،C2H2 ،C2H4) وما إلى ذلك ومن مواد العزل ثم تذوب في الزيت.

ومن خلال القياس المباشر (غير المتصل) لهذه الغازات المذابة؛ فإنه يمكن لـ (DGA) تشخيص (على سبيل المثال، اكتشاف وتحديد) الحالة الصحية للمحولات، وفي هذه الدراسة وكما يشير اكتشاف الخطأ إلى التصنيف الثنائي للحالات العادية وحالات الخطأ ويشير تحديد الخطأ إلى تصنيف متعدد لأنواع “الأعطال العادية” والكهربائية والحرارية.

حيث تنقسم طرق تشخيص الأعطال باستخدام (DGA) إلى فئتين، وهما الأساليب المستندة إلى القواعد والأساليب المستندة إلى الذكاء الاصطناعي (AI)، لذلك في الأساليب المستندة إلى القواعد، تُستخدم تركيزات الغازات أو نسب الغازات لتحديد الخطأ بناءً على عتبات الخبرة البشرية.

كما تتضمن أمثلة الطرق المستندة إلى القواعد طريقة نسب (IEC)  وطريقة نسب روجرز وطريقة نسب “دورننبورغ”، وبالإضافة إلى ذلك؛ فإنها توفر طرق نسبة دوفال رسومات ثنائية الأبعاد (على سبيل المثال، مثلث دوفال)، والتي تعتبر بديهية لتصنيف أنواع الأخطاء، ومع ذلك؛ فإن الطرق المستندة إلى القواعد لها دقة منخفضة نسبياً ونتائج تشخيص غير متسقة بسبب عدم “كفاية الحساب الرياضي” وعتباتهم التجريبية المصنوعة يدوياً.

استخدام الذكاء الاصطناعي في تشخيص أعطال محولات القدرة

في السنوات الأخيرة؛ فقد تم دمج تقنيات الذكاء الاصطناعي في تشخيص أخطاء محولات القدرة لتحسين الدقة، بحيث تتضمن تقنيات الذكاء الاصطناعي المنطق الضبابي وآلة ناقلات الدعم والشبكة العصبية الاصطناعية والإدراك متعدد الطبقات، وذلك لتحديد الميزات المثلى ومعالجة المشكلات غير المتوازنة لبيانات (DGA)، حيث تم تطبيق نهج الخوارزمية الجينية وطريقة أخذ العينات الزائدة التكيفية على التوالي.

وعلى الرغم من بعض الإنجازات باستخدام مناهج التعلم الخاضعة للإشراف هذه؛ فإن هذه الدراسات تأخذ فقط مجموعات بيانات (DGA) المسمى في الاعتبار، وفي عمل سابق آخر؛ فإنه تم تطوير نهج التعلم شبه الخاضع للإشراف باستخدام مقياس منخفض الأبعاد للنظر في بيانات (DGA) غير المسماة، ومع ذلك؛ فإن هذا النهج يواجه صعوبة في أداء اختيار الميزة الصحية لمجموعات البيانات غير المسماة.

وبدافع من هذا التحدي، تم الإبلاغ عن عدة طرق إضافية لاستخراج الميزات الصحية، حيث تم تقديم تحليل مكون رئيسي باستخدام طريقة (C-mean) الضبابية كطريقة استخراج ميزة غير خاضعة للإشراف، وإلى جانب ذلك؛ فإن الخرائط ذاتية التنظيم (SOM) لطرق الشبكة العصبية غير الخاضعة للرقابة استخرجت خرائط ميزات لأنواع عديدة من الأخطاء.

وعلاوة على ذلك؛ فقد تم استخدام تقنيات “التعلم العميق”، مثل عن طريق “التشفير التلقائي” المتناثر وشبكة المعتقدات العميقة، وذلك لاستخراج ميزات صحية عالية المستوى عن طريق التدريب المختلف غير الخاضع للرقابة مع طبقات مخفية هرمية عميقة.

أهمية وجود مشفر آلي شبه خاضع للإشراف مع مهمة مساعدة

تم وصف خوارزميتين أساسيتين (أي جهاز التشفير التلقائي (AE) ومصنف softmax (SC))، ومن (SAAT) المقترح في القسمين (II.A) و (II.B) على التوالي، وفي القسم (II.C)؛ فإنه يتم شرح (SSAE) من حيث (AE) و (SC).

استخراج الميزات غير الخاضعة للإشراف (AE)

وهي شبكة عصبية معروفة وغير خاضعة للإشراف، بحيث تتكون من جزء مشفر وجزء مفكك مع طبقة مخفية، وكما هو موضح في الشكل التالي (1) لعينات تدريب معينة x = {x (1)، x (2)، ⋯، x (N)}، حيث (N) هو عدد العينات المطلوبة للعملية، كما أن x (m) ∈Rd (m = 1،2، ⋯، N)، تقوم على ضغط وظيفة المشفر (fen) على أبعاد عينات التدريب من (Rd) إلى Rd ′ (d> d ′) مع مجموعة من معطبات المشفر (θen).

التصنيف الخاضع للإشراف (SOFTMAX)

هنا تم استخدام (SC) على نطاق واسع لغرض تصنيف الفئات المتعددة من خلال استخدام الميزات عالية المستوى المستخرجة في “الخوارزميات” القائمة على “الذكاء الاصطناعي”، وعند دمج (SC) في (AE)؛ فإنه يمكن أن تكون h (m) هي بيانات الإدخال لوظيفة (softmax)، وذلك كما هو موضح في الشكل السابق (b).

التصنيف شبه الخاضع للإشراف

يمكن أن يؤدي التعلم المنفصل بين التدريب المسبق والضبط الدقيق عن طريق أداء (AE) و (SC) بالتتابع إلى استخراج الميزات غير المرتبطة بالمعلومات المستهدفة للبيانات المصنفة أو إلى تشويه الخصائص الأساسية لعينات تدريب الإدخال، ومع هذا الدافع؛ فإنه تم اقتراح (SSAE)، وذلك كما هو مبين في الشكل (1) (c).

وبالمقارنة مع عملية التدريب السابقة المنفذة تسلسلياً؛ فقد تحقق (SSAE)، وذلك من حيث استخراج الميزات عالية المستوى التي ترتبط ارتباطاً وثيقاً بكل من بيانات الإدخال (x) والمعلومات المصنفة (y)، وذلك من خلال تحسين (AE) و (cl)  في نفس الوقت.

ولذلك تم اقتراح جهاز تشفير تلقائي شبه خاضع للإشراف مع مهمة مساعدة (SAAT) لتشخيص محولات الطاقة الصناعية باستخدام تحليل الغاز المذاب (DGA)، كما تم اختبار الطريقة باستخدام كمية كبيرة من مجموعات بيانات (DGA) المقدمة من شركة (KEPCO)، بحيث تتكون الفكرة المقترحة من ثلاث خطوات رئيسية:

• المعالجة المسبقة لبيانات (DGA).

• استخراج ميزتين صحيتين بطريقة (SAAT).

• تصور الميزتين الصحيتين في مساحة ثنائية الأبعاد.

وهناك ما يسمى بمساحة الميزات الصحية (HFS)، حيث قام المختصين بتقييم تشخيص الخطأ وأداء التدهور الصحي للنهج المقترح في أربع دراسات مقارنة، كما حققت الدراسة الأولى في فعالية مهمة الكشف المساعدة في نموذج تشخيص الخطأ القائم على المشفر التلقائي شبه الخاضع للإشراف (SSAE).

وذلك بحيث تُظهر النتائج الكمية لاكتشاف الأخطاء وتحديدها أن (SAAT) تحقق أداءً يزيد عن 90٪ في جميع المقاييس، كما تُظهر النتائج النوعية لـ (HFS) أن (SAAT) تمثل الخصائص المتكاملة لميزات تحديد الخطأ في (SSAE-IU) وميزات تدهور الصحة في (SSAE-DU).

وفي دراسة المقارنة الثانية؛ فقد توضّح الطريقة المقترحة لتصور الميزات الصحية بشكل مباشر دون التحول أو تقليل الأبعاد بشكل حدسي خصائص التدهور الصحي مقارنة بأساليب التصور التقليدية (تضمين الجار العشوائي (t-SNE) وخريطة التنظيم الذاتي (SOM)).

وفي الدراسة الثالثة، تفوقت (SAAT) على جميع طرق تشخيص الأخطاء التقليدية (تحليل المكونات الرئيسية (PCA) والتشفير التلقائي المتناثر (SAE) وشبكة المعتقدات العميقة (DBN))، وذلك من حيث النتائج الكمية والنوعية لأداء التدهور التقني.