توطين التفريغ الجزئي في محولات القدرة باستخدام تقنية Neuro-Fuzzy

الهدف من إجراءات التفريغ الجزئي في محولات القدرة الكهربائية

تعتبر محولات القدرة مهمة لشبكات الطاقة الكهربائية، لذلك لقد تم استخدامها في مختلف الظروف البيئية والكهربائية والميكانيكية، ولقد تم استخدامها بالفعل في مختلف الظروف البيئية والكهربائية والميكانيكية على الرغم من أنها باهظة الثمن، ومع ذلك؛ فإنها تشكل نسبة عالية في استثمار نظام الطاقة.

كما تعد الحياة الطويلة للمحولات ذات قيمة اقتصادية ويمكن أن تمنع خسارة الإيرادات عند حدوث انقطاع للتيار الكهربائي، بحيث يعود السبب الرئيسي لفشل المحول إلى فشل في عزله، مثل البطانات والملفات كما يرجع هذا الفشل بشكل أساسي إلى التفريغ الجزئي (PD)، وهو تبديد الطاقة الناتج عن تراكم شدة المجال الكهربائي الموضعي.

لذلك يمكن أن يكون تراكم الشحنة وإطلاقها أثناء (PD) مؤشراً قوياً على المشكلات المتعلقة بالتلف، مثل وجود مكونات عائمة وتدهور وفشل عزل المحولات الكهربائية، لذلك؛ فقد يتم استخدام اكتشاف (PD) في أنظمة الطاقة كأداة تشخيصية للتحقيق في حالة نظام عزل جديد أو أثناء الخدمة لمعدات الجهد العالي (HV).

وفي نطاق التردد الكهربائي العالي؛ فإنه يتم استخدام التحليل القائم على وظيفة النقل (TF) لملف محولات الطاقة بشكل شائع في تطبيقات هندسة الطاقة المختلفة، كما وتشمل هذه التحليل العابر وتنسيق العزل وتصميم المحولات، بحيث تم استخدام تطبيقات (TF) لأغراض التشخيص، مما أدى إلى الكشف عن ماس كهربائي أو عيوب العزل، مثل (PD) داخل العزل.

لذلك إذا تم اكتشاف (PD)؛ فإن التحديد الدقيق للعيب في المحول مهم جداً للصيانة أو الإصلاح، وعلى الرغم من إمكانية توطين (PD) في لف المحولات باستخدام وظيفة تحويل اللف، إلا أن هذه الطريقة لها قيود، كما أن هذا خاص بالمحولات القديمة، حيث لا توجد بيانات التصميم، مثل نوع الملف وعدد الأقراص ونوعها ورقم الدوران في كل قرص وأبعاد الملف، كذلك؛ فإن هذه المعلومات مطلوبة في تقنية اللف (TF) لتوطين (PD) في المحول.

حالياً توجد طرق أو تقنيات مختلفة لتوطين حدوث (PD) في المحولات، بحيث تقيس التقنية التقليدية القياسية نبض التيار القصير الذي يتدفق عبر عيب العزل حيث يحدث التفريغ، كما يتم اكتشاف هذه (PDs) من خلال عملية إعادة الشحن من سعة اقتران، بحيث تستخدم طريقة كهربائية أخرى هوائيات (RF) لقياس انبعاثات التردد اللاسلكي التي تحدث بسبب النبضات الكهربائية ذات المدة القصيرة جداً، والناتجة عن تيار (PD) في العيب والفراغ.

التعرف على الأنماط الخاصة باستخدام تقنية (Neuro-Fuzzy)

في التعلم الآلي، يتم تعيين التعرف على الأنماط وفقاً لخوارزمية محددة لقيمة الإخراج (أو التسمية) لقيمة إدخال معينة (أو مثيل)، كما تتيح التحولات المتعامدة في التعرف على الأنماط تحويلاً غير قابل للانعكاس إلى أبعاد مخفضة لمساحة الميزة من مساحة النمط.

وفي توطين (PD)؛ فإن السبب الرئيسي للتحولات المتعامدة هو توليد إشارة الإخراج، والتي لها ميزات قيمة، بحيث يمكن الاعتماد على الميزات القائمة على التحويل؛ لأن التحويل الذي تم اختياره بشكل مناسب يمكن أن يزيل التكرار في المعلومات، والتي توجد عادةً في عينات من أداة القياس.

وللعثور على موقع (PD)؛ فإنه يتم الحصول على المسافة بين الميزات باستخدام تحويلات متعامدة مناسبة باستخدام صيغ التشابه والاختلاف على “الإشارات المحولة”، بحيث يوضح الشكل التالي (1) لمحة عامة عن تصنيف النظام.، كما تمت معالجة أنماط الاختبار والتدريب لقياس ميزاتها وتصنيفها.

تحويل كارهونين-لوف (KLT)

يعتبر تحويل Karhunen – Loève( (KLT)) بمثابة أسلوب تحويل خطي معروف جيداً يزيل التكرار عن طريق ربط البيانات، وبالتالي يمكن تخزين الإشارة بشكل أكثر فعالية ويمكن استخدامها لضغط البيانات وترشيحها كما تم استخدام (KLT).

وذلك لأول مرة في التحويل الأمثل للإشارات العشوائية البالغة 3.4 (يعني الأمثل هنا تقليل متوسط الخطأ التربيعي بين متجه البيانات “x” والمتجه المحول “X”، وذلك مع كون عدد المعاملات المستخدمة لإعادة التحويل أصغر من عدد معاملات المتجه الأصلي)، بحيث يتم حساب مصفوفة تحويل (KLT) المتعامدة (ϕ) بمساعدة مصفوفة ارتباط تلقائي (A) من تسلسل عشوائي (“x”)، وذلك لأي تسلسل من (“x.”)، كما يتم إعطاء مصفوفة الارتباط التلقائي (N × N) من خلال:

بحيث تسمح قيم (eigenvalues) لحساب “مصفوفة الارتباط التلقائي” بحساب المتجهات الذاتية، وهي أعمدة مصفوفة التحويل (ϕ) لـ ( KLT)، بحيث ينتج ترتيب المتجهات الذاتية، والذي يتوافق مع القيم المطلقة لقيمها الذاتية في “مصفوفة التحويل”، وذلك على النحو التالي:

ومن أجل توطين (PD) في المحولات، يعد حساب ميزات الإشارات المحولة بواسطة (KLT) مفيداً، بحيث تمثل حصة الطاقة النسبية لإشارة مرجعية في إشارة البيانات خياراً جيداً للغاية.

جيب التمام المنفصل (DCT) وتحولات الجيب (DST)

تحويل “جيب التمام المنفصل” (DCT) وتحويل “الجيب المنفصل” (DST) عبارة عن تحويلات مرتبطة ببعضها، مثل تحويل فورييه المنفصل (DFT)، ومع ذلك؛ فإنه يتم استخدام الأرقام الحقيقية فقط في (DCT) و (DST)، لذلك؛ فهي تعادل “DFTs” بحوالي ضعف الطول، كما أن تطبيقات”DCT” و “DST” في الإشارات الرقمية ومعالجة الصور وفي تحويل أنظمة التشفير لضغط فك ضغط البيانات.

ومع ذلك؛ فإن طريقة ضغط الطاقة لـ (DCT) و (DST) أفضل من (DFT)، حيث أنه يمكن تعبئة بيانات الإدخال في عدد قليل من المعاملات، وأيضاً تكون كمية تعبئة الطاقة بواسطة (DCT) و (DST) أعلى من (DFT) للإشارات شديدة الارتباط، كما يتم تعريف (DCT) لمتجه البيانات لعينات (N) بواسطة مصفوفة التحويل، كما هو محدد بواسطة المعادلة (4) بينما يتم تعريف (DST) بواسطة:

حيث:

(C): هي (DST) و (DCT) في شكل التفاف.

(n) و (k): الرقم الخاص.

(N): هو حجم الكتلة.

صيغ التشابه والاختلاف للتجميع

يوضح الشكل (2) طريقة التجميع المقترحة في هذا العمل لتوطين (PD) في المحولات، كما تعتمد الخوارزمية بشكل أساسي على تعيين متجه ميزات (N) إلى مجموعات (M)، ومع (M≤N)؛ فإنه يتم تخصيص متجه الميزة الأول للمجموعة الأولى.

كما أن الميزة الثانية لتشابه المتجه مع الأولى ستؤسس مهمته على المجموعة الأولى أو الكتلة الجديدة، وذلك من خلال متطلبات النظام التي يحددها المستخدم هي مقدار الاختلاف بين المجموعات (θ) ويتم حساب الحد الأقصى لعدد المجموعات (M ،θ) باستخدام:

وأخيراً؛ فقد تم اقتراح نظام توطين عصبي غامض غير خطي يستخدم التعرف على الأنماط غير الخاضعة للإشراف بنجاح، وذلك لتوطين (PD) في محولات الطاقة، كذلك من الاختبار الذي تم إجراؤه على لف محول (MV) في المختبر، حيث أظهرت النتائج تحسناً كبيراً في توطين (PD) لثلاثة أنواع من (PDs) مقارنة بطريقة المعايرة الخطية من خلال التحويلات المتعامدة أو التجميع الحبيبي.