طبقه‌بندی عیوب ترانسفورماتور با استفاده از تحلیل پاسخ فرکانسی بر پایه تکنیک همبستگی متقابل و ماشین بردار پشتیبان

یکی از مهم‌ترین روش‌های تشخیص عیب در ترانسفورماتورها (خصوصاً عیوب مکانیکی) روش تحلیل پاسخ فرکانسی (fra) است. مهم‌ترین گام در فرآیند تشخیص عیب به کمک fra، متمایزکردن عیوب و قراردادن آن‌ها در کلاس‌های متفاوت است. در این مقاله از روش هوشمند ماشین بردار پشتیبان (svm) برای طبقه‌بندی عیوب ترانسفورماتور استفاده می‌شود. برای این منظور، دو گروه از ترانسفورماتورها مورد آزمایش قرار گرفته است. ابتدا آزمایش‌های لازم بر روی ترانسفورماتورهای مدل تحت شرایط سالم و تحت شرایط عیوب مختلف (جابجایی محوری، تغییر شکل شعاعی، تغییر فاصله بین بشقاب‌ها، اتصال کوتاه بین بشقاب‌ها و تغییر شکل هسته) انجام می‌شود. سپس با تقسیم‌بندی بازه‌های فرکانسی توابع تبدیل اندازه‌گیری شده از ترانسفورماتور، یک مشخصه جدید مبتنی بر تکنیک همبستگی متقابل برای آموزش و اعتبارسنجی svm پیشنهاد می‌شود. بعد از انجام فرآیند آموزش، با اعمال داده‌های به‌دست‌آمده از ترانسفورماتورهای واقعی، عملکرد svm در حالت‌های مختلف مورد ارزیابی و مقایسه قرار گرفته و مناسب‌ترین شاخص ارائه می‌شود.

Classification of transformer faults using frequency response analysis based on cross-correlation technique and support vector machine

One of the most important methods for transformers fault diagnosis (especially mechanical defects) is the frequency response analysis (FRA). The most important step in the FRA diagnostic process is to differentiate the faults and classify them in different classes. This paper uses the intelligent support vector machine (SVM) method to classify transformer faults. To this end, two groups of transformers were tested and necessary measurements were obtained; the transformers with healthy conditions and the ones with various fault conditions (axial displacement, radial deformation, disc space variation, shortcircuits, and core deformation). Then, by dividing the frequency intervals of the measurements, a new feature based on the crosscorrelation technique was proposed for SVM training and validation. After the training process, by applying the data obtained from actual transformers, the performance of SVM in different conditions was evaluated and compared. Finally, the most appropriate feature was presented.