Transformatör iç arklarının geçici rejim sinyal işleme ve makine öğrenme yöntemleriyle erken tespiti
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İnönü Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Güç transformatörlerinde yıldırım düşmesi, anahtarlama olayları ve kısa devre arızaları gibi nedenler, sargı yalıtımında deformasyona yol açarak sargılar arasında elektrik arkı oluşumuna neden olmaktadır. Ark oluşumu zamanla rijit bir kısa devreye yol açarak trafoların aşırı ısınmasına ve basınç nedeniyle transformatörün patlamasına sebep olabilmektedir. Bu tez çalışmasında, transformatör sargılarındaki ark oluşumu transformatörün terminallerindeki akım ve gerilim sinyallerindeki geçici rejim değişimleri incelenerek tespit edilmiştir. Çalışmada, 15 MVA gücünde bir güç transformatörü ANSYS@Maxwell ortamında üç boyutlu olarak modellenmiş ve MATLAB@Simulink'te oluşturulan ark modeli ANSYS@Maxwell manyetik modeline adapte edilerek yapılan senkronize çalışma ile transformatör sargılarındaki ark analizi gerçekleştirilmiştir. Tasarımların çözümlemesinde Sonlu Elemanlar Yöntemi (SEY) kullanılmıştır. Transformatör modelinin doğruluğunu sağlaması için normal, kısa devre ve harmonik analizleri gerçekleştirilmiş ve elde edilen sonuçlar fabrika ve tasarım verileriyle karşılaştırılarak sonuçların uyumlu olduğu belirlenmiştir. Transformatör girişinden elde edilen veriler, Hızlı Fourier Dönüşümü (FFT) kullanılarak frekans spektrumuna dönüştürülmüş ve bu sinyallerden transformatördeki ark arızası durumlarında oluşan yüksek frekanslı harmonikler tespit edilmiştir. Frekans spektrumlarından elde edilen 361 ayrı noktadaki harmonik veriler kullanılarak K-NN, DT, SVM, YSA ve ESM gibi Makine Öğrenmesi (MÖ) algoritmaları ile modeller eğitilmiştir. Arızalı sargı ve arızalı diske ait arıza tespit modellerinde yüksek doğruluk ve performans değerleri sağlanmıştır. Böylece, geliştirilen yöntem sayesinde transformatör sargılarında ark arızası oluşumunun sensör kullanmadan kısa sürede tespit edilmesine imkân sağlanmıştır.
In power transformers, phenomena such as lightning strikes, switching operations, and short-circuit faults can lead to deformation of the winding insulation, causing electrical arc formation between windings. Over time, arc formation may result in a rigid short circuit, leading to excessive heating and, under pressure, transformer explosions. This thesis investigates the detection of arc formation in transformer windings by analyzing transient in the current and voltage signals at the transformer terminals. In this study, a 15 MVA power transformer is modelled in three dimensions in ANSYS@Maxwell environment and the arc model created in MATLAB@Simulink is adapted to the ANSYS@Maxwell magnetic model by performing the arc analysis in the transformer windings via synchronised operation. Finite Element Method (FEM) is used to analyse the designs. In order to ensure the accuracy of the transformer model, normal, short circuit and harmonic analyses are performed and the results obtained are compared with the factory and design data and it is determined that the results are compatible. The data obtained from the transformer terminals are transformed into frequency spectrum using Fast Fourier Transform (FFT) and high frequency harmonics generated during arc fault conditions in the transformer are detected from these signals. The models are trained with Machine Learning (ML) algorithms such as K-NN, DT, SVM, ANN and ESM using harmonic data at 361 different points obtained from frequency spectra. High accuracy and performance values are achieved in fault detection models of faulty winding and faulty disc. Thus, with the developed method, it is possible to detect arc fault formation in transformer windings in a short time without need of any sensor.
In power transformers, phenomena such as lightning strikes, switching operations, and short-circuit faults can lead to deformation of the winding insulation, causing electrical arc formation between windings. Over time, arc formation may result in a rigid short circuit, leading to excessive heating and, under pressure, transformer explosions. This thesis investigates the detection of arc formation in transformer windings by analyzing transient in the current and voltage signals at the transformer terminals. In this study, a 15 MVA power transformer is modelled in three dimensions in ANSYS@Maxwell environment and the arc model created in MATLAB@Simulink is adapted to the ANSYS@Maxwell magnetic model by performing the arc analysis in the transformer windings via synchronised operation. Finite Element Method (FEM) is used to analyse the designs. In order to ensure the accuracy of the transformer model, normal, short circuit and harmonic analyses are performed and the results obtained are compared with the factory and design data and it is determined that the results are compatible. The data obtained from the transformer terminals are transformed into frequency spectrum using Fast Fourier Transform (FFT) and high frequency harmonics generated during arc fault conditions in the transformer are detected from these signals. The models are trained with Machine Learning (ML) algorithms such as K-NN, DT, SVM, ANN and ESM using harmonic data at 361 different points obtained from frequency spectra. High accuracy and performance values are achieved in fault detection models of faulty winding and faulty disc. Thus, with the developed method, it is possible to detect arc fault formation in transformer windings in a short time without need of any sensor.
Açıklama
Fen Bilimleri Enstitüsü, Elektrik Tesisleri Ana Bilim Dalı
Anahtar Kelimeler
Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
