mechanical fault types detection in transformer windings using ‎interpretation of frequency responses via multilayer perceptron

The frequency response analysis (fra) technique has advantages in identifying faults related to power transformers, but it suffers from the interpretation of frequency responses. this paper presents an approach based on statistical indices and artificial neural network (ann) methods to interpret frequency responses. the proposed procedure divides frequency responses into four frequency regions based on frequency resonances and anti-resonances. then, lin’s concordance coefficient (lcc) index is used as one of the most appropriate numerical indices to extract features of the four frequency regions. finally, the multilayer perceptron (mlp) neural network is trained by the extracted features to identify and differentiate the types of winding faults. besides, other intelligent algorithms such as support vector machine (svm), extreme learning machine (elm), probabilistic neural network (pnn), and radial basis function (rbf) neural network have been employed to compare the classification results. the proposed techniques have been practically implemented. the axial displacement (ad) and disk space variation (dsv) faults are applied as two common mechanical faults in different locations and intensities on the 20kv windings of a 1.6mva distribution power transformer and their corresponding frequency responses are calculated. frequency responses calculated from the ad and dsv faults constitute the mlp input data set. the network is trained with part of the input data, and the rest of the data is allocated to validate and test the network. the results show that the suggested method has more proper performance than others using the phase component of the frequency responses in interpreting frequency responses and separation and identifying various mechanical fault types of transformer windings.

تشخیص عیوب مکانیکی در سیم پیچ‎‌‎های ترانسفورماتور با استفاده از تفسیر پاسخ ‏فرکانسی با استفاده از پرسپترون چند لایه ‏

تکنیک تحلیل پاسخ فرکانس (FRA) در شناسایی عیوب مربوط به ترانسفورماتورهای قدرت مؤثر و کارا است، اما در تفسیر پاسخ های فرکانسی چالش­هایی وجود دارند. این مقاله رویکردی مبتنی بر شاخص‌های آماری و روش‌های شبکه عصبی مصنوعی (ANN) برای تفسیر پاسخ‌های فرکانسی ارائه می‌کند. روش پیشنهادی پاسخ های فرکانسی را بر اساس فرکانش­های رزونانس و آنتی رزونانس به چهار ناحیه فرکانسی تقسیم می کند. سپس از شاخص ضریب همخوانی لین (LCC) به عنوان یکی از مناسب‌ترین شاخص‌های عددی برای استخراج ویژگی‌های چهار ناحیه فرکانسی استفاده می‌شود. در نهایت، شبکه عصبی پرسپترون چند لایه (MLP) توسط ویژگی‌های استخراج‌شده برای شناسایی و تمایز انواع عیوب سیم‌پیچ آموزش داده می‌شود. علاوه بر این، الگوریتم‌های هوشمند دیگری مانند ماشین بردار پشتیبان (SVM)، ماشین یادگیری تشدیدیافته (ELM)، شبکه عصبی احتمالی (PNN) و شبکه عصبی تابع مبنای شعاعی (RBF) برای مقایسه نتایج طبقه‌بندی استفاده شده‌اند. تکنیک­های پیشنهادی به صورت عملی پیاده سازی شده اند. عیوب جابجایی محوری (AD) و تغییر فاصله بین دیسک­ها (DSV) به عنوان دو عیب مکانیکی رایج در مکان‌ها و شدت‌های مختلف بر روی سیم‌پیچ‌های 20 کیلوولت ترانسفورماتور توزیع قدرت1.6 MVA  اعمال می‌شوند و پاسخ‌های فرکانسی مربوطه آنها محاسبه می‌شود. پاسخ­های فرکانسی محاسبه شده از عیوب AD و DSV مجموعه داده­های ورودی MLP را تشکیل می دهند. شبکه با بخشی از داده­های ورودی آموزش داده می شود و بقیه داده ها به اعتبارسنجی و آزمایش شبکه اختصاص می­یابد. نتایج نشان می‌دهد که روش پیشنهادی با استفاده از مؤلفه فازی پاسخ‌های فرکانسی در تفسیر پاسخ‌های فرکانسی و جداسازی و شناسایی انواع عیوب مکانیکی سیم‌پیچ‌های ترانسفورماتور، عملکرد مناسب‌تری نسبت به سایر روش‌ها دارد.