تدوین نرم‌افزار پایش وضعیت ترانسفورماتور به کمک تحلیل پاسخ فرکانسی (Fra)

در حال حاضر مشکل عمده‌ تشخیص عیب ترانسفورماتور با استفاده از fra، پیچیدگی زیاد روش‌های تحلیل موجود به لحاظ الگوریتمی و محاسباتی و عدم امکان استفاده آسان توسط کاربر است. برخلاف روش dga که نرم‌افزارهای مناسبی برای تفسیر نتایج اندازه‌گیری‌های آن توسعه یافته‌اند، روش fra، با توجه به نوپا بودن، فاقد چنین نرم‌افزارهای جامعی است. بنابراین ضروری است نرم‌افزاری دقیق، کاربرپسند و قابل‌اطمینان برای این منظور تدوین شود. در این تحقیق نرم‌افزاری گرافیکی در محیط matlab تدوین شده است تا مهندس بهره‌بردار ترانسفورماتور، بدون نیاز به انجام محاسبات پیچیده، وضعیت ترانسفورماتور را تحلیل و بررسی نماید. برای این منظور، ابتدا آزمایش‌های لازم بر روی ترانسفورماتورهای مختلف (در حالت سالم و حالت‌های مختلف عیب) انجام و سپس به کمک روش‌های شناخته‌شده، نوع و شدت عیب مشخص می‌شود. علاوه بر روش‌های پیشین، روش جدیدی بر پایه ترکیب شبکه‌های عصبی احتمالی و شاخص‌های عددی برای تشخیص نوع عیب ارایه شده است. همچنین معیار جدیدی برای تشخیص معیوب بودن ترانسفورماتور بر پایه شاخص cc (در حالتی که نتایج اندازه‌گیری حالت سالم ترانسفورماتور در دسترس نیست) پیشنهاد می‌شود. در انتها عملکرد روش‌های پیشین و روش‌های پیشنهادی مورد ارزیابی و بررسی قرار می‌گیرد.

Development of Transformer Condition Monitoring Software by Frequency Response Analysis

At present, the major problem with transformer fault detection using the FRA is that all analysis methods are highly complex in terms of algorithms and computations that are not easily used by the exploiter. Unlike the DGA method, which has developed good softwares to interpret the results of its measurements, the FRA method lacks this possibility due to its fledgling. Therefore, it is necessary to develop accurate, userfriendly and reliable software for this purpose. In this paper, graphical software is developed in MATLAB environment to enable transformer operation engineer to monitor the transformer condition without performing complex calculations. For this purpose, first the necessary experiments are performed on different transformers (in healthy and different fault conditions) and then by past wellknown methods, the type and severity of fault are determined. In addition to the previous methods, a new method based on the combination of probabilistic neural network and numerical indices for the detection of fault type is proposed. Also, a new criterion for detecting fault occurrence based on CC index (for case where transformer healthy condition measurement results are not available) is proposed. Finally, the performance of previous methods and proposed methods is evaluated and evaluated.