آشکارسازی و تحلیل سیگنال‌های آکوستیک تغییردهنده‌های تپ زیر بار ترانسفورماتورهای قدرت جهت تشخیص خطا

تغییردهنده‌های تپ قابل قطع زیر بار یکی از مهم‌ترین تجهیزات ترانسفورماتورهای قدرت محسوب می‌شوند. این تجهیزات به‌دلیل داشتن حرکت‌های مکانیکی شدید و ایجاد قوس الکتریکی با انرژی بالا، دارای نرخ خرابی بالایی نسبت به دیگر تجهیزات داخلی ترانسفورماتور هستند. ارزیابی برخط و دقیق صحت عملکرد عادی تغییردهنده‌های تپ توسط روش‌هایی که در عملکرد عادی ترانسفورماتور خللی ایجاد نکنند، از اهمیت بسیار زیادی برخوردار است. در این مقاله، روند تشخیص عیوب تغییردهنده‌های تپ با استفاده از ویژگی‌های استخراج‌شده از سیگنال‌های آکوستیک مورد بحث و بررسی قرار گرفته است. این سیگنال‌ها توسط یک سنسور شتاب‌سنج از مخزن یک ترانسفورماتور قدرت و در حین تغییر تپ به‌صورت عملی آشکارسازی شده‌اند. در این مقاله علاوه بر بررسی ویژگی‌های معمول، دو ویژگی جدید شاخص زمان و شاخص فرکانس معرفی شده است. نهایتاً جهت انتخاب ویژگی‌های مناسب جهت تشخیص عیوب و ارائه روشی کارآمد جهت دسته‌بندی آنها، برخی از داده‌های عملی موجود با توجه به نتایج ارائه‌شده در مراجع به‌صورت تصادفی معیوب شده و توسط روش ماشین بردار پشتیبان، داده‌های سالم و معیوب به‌طور موفقیت‌آمیزی طبقه‌بندی شده‌اند.

detection and analysis of acoustic signals of power transformers on-load tap changers for assessment of their faults

on load tap changers are very important equipment of the power transformers. due to the strongly mechanical movements and high-energy arcs, this equipment has a much higher failure rate with respect to other internal transformer equipment. online and accurate evaluation of well operation of these equipment by indicators with no interfere on the normal operation of the transformer, is very important issue. in this paper, various faults detecting methods in the tap changer have been discussed an investigated by some extracted features of acoustic signals. these signals have been captured experimentally in various tap changing periods by an accelerometer sensor mounted on a power transformer body. in this paper, in addition to common features, two new feathers entitled time and frequency indicators have been introduced. finally, for selecting the proper features to faults detection and proposing an effective classification method, some available experimental data were randomly defected by results in the references, and classified successfully as healthy and defective data by support vector machine (svm) method.