The remaining life of distribution transformer prediction by using neuro-wavelet method

• Autorzy: Rosmaliati , Elok, Novie , Putri, Ratna Ika , Priyadi, Ardyono , Taufik , Hery, Mauridhi

Warianty tytułu

PL

Przewidywanie pozostałego okresu eksploatacji transformatora dystrybucyjnego za pomocą metody neuro-wavelet

• Języki publikacji: EN

Abstrakty

EN

The distribution transformer is one of the important equipment in delivering electricity to consumers. Apart from the normal use, fault conditions in the transformer can cause the life of the transformer to decrease being not optimal performance up to operating life limit. Therefore, it is very important to calculate the remaining life of the transformer. The steps taken are calculating the remaining life of the transformer using IEC 60076-7 and predicting the remaining life of the transformer using wavelet transform and back propagation neural network. The parameters required for this study are transformer current signal, loading, and transformer age. Measurement of current and temperature of distribution transformers in North Surabaya was conducted with a rating of 20 KV/ 380-220 V. Transformer current measurement has been processed using wavelet transforms to obtain detailed coefficients used to calculate energy values and power spectral density (PSD). Energy values, PSD, and transformer loading are training and testing data on the back propagation neural network. The expected output method is the prediction of the remaining life of the transformer.

PL

Transformator rozdzielczy jest jednym z ważnych urządzeń w dostarczaniu energii elektrycznej do odbiorców. Poza normalnym użytkowaniem, warunki awaryjne w transformatorze mogą spowodować skrócenie żywotności transformatora, co nie jest optymalną wydajnością aż do granicy żywotności. Dlatego bardzo ważne jest obliczenie pozostałej żywotności transformatora. Podjęte kroki polegają na obliczeniu pozostałego okresu eksploatacji transformatora przy użyciu normy IEC 60076-7 i prognozowaniu pozostałego okresu eksploatacji transformatora przy użyciu transformaty falkowej i sieci neuronowej z propagacją wsteczną. Parametry wymagane do tego badania to sygnał prądowy transformatora, obciążenie i wiek transformatora. Pomiar prądu i temperatury transformatorów rozdzielczych w Północnym Surabaya został przeprowadzony z wartością znamionową 20 KV/380-220 V. Pomiar prądu transformatora został przetworzony za pomocą transformacji falkowej w celu uzyskania szczegółowych współczynników służących do obliczania wartości energii i gęstości widmowej mocy (PSD) . Wartości energii, PSD i obciążenie transformatora to dane uczące i testujące w sieci neuronowej wstecznej propagacji. Oczekiwaną metodą wyjściową jest przewidywanie pozostałego czasu życia transformatora.

Słowa kluczowe

PL

transformator rozdzielczy; IEC 60076‐7; transformacja falkowa; energia; sieć neuronowa wstecznej propagacji

EN

distribution transformer; IEC 60076-7; wavelet transform; energy; back propagation neural network

• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 2
• Strony: 114--122
• Opis fizyczny: Bibliogr. 17 poz., rys., tab.

Twórcy

autor

Rosmaliati

• Department of Electrical Engineering, Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia
• Department of Electrical Engineering, State Polytechnic of Malang, Malang, Indonesia

autor

Elok, Novie

• Department of Electrical Engineering, Mataram University, Mataram, Indonesia

autor

Putri, Ratna Ika

• Department of Electrical Engineering, State Polytechnic of Malang, Malang, Indonesia

autor

Priyadi, Ardyono

• Department of Electrical Engineering, Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia

autor

Taufik

• Department of Electrical Engineering; California Polytechnic State University San Luis Obispo, California, USA

autor

Hery, Mauridhi

• Department of Electrical Engineering, Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia,

Bibliografia

• [1] Y. Biçen, F. Aras, dan H. Kirkici, “Lifetime estimation and monitoring of power transformer considering annual load factors,” IEEE Transactions on Dielectrics and Electrical Insulation, vol. 21, no. 3, hlm. 1360– 1367, June 2014.
• [2] J. A. Jardini, H. P. Schmidt, C. M. V. Tahan, C. C. B. D. Oliveira, dan S. U. Ahn, “Distribution transformer loss of life evaluation: a novel approach based on daily load profiles,” IEEE Transactions on Power Delivery, vol. 15, no. 1, hlm. 361–366, Jan 2000.
• [3] M. Said, K. M. Nor, dan M. S. Majid, “Analysis of distribution transformer losses and life expectancy using measured harmonic data,” dalam Proceedings of 14th International Conference on Harmonics and Quality of Power - ICHQP 2010, 2010, hlm. 1–6.
• [4] W. F, W. K. Adi, A. Priyadi, M. Pujiantara, dan M. H. P, “Transformer monitoring using harmonic current based on wavelet transformation and probabilistic neural network (PNN),”dalam 2014 The 1st International Conference on Information Technology, Computer, and Electrical Engineering, 2014, hlm. 419– 423.
• [5] O. E. Gouda, G. M. Amer, dan W. A. A. Salem, “Predicting transformer temperature rise and loss of life in the presence of harmonic load currents,” Ain Shams Engineering Journal, vol. 3, no. 2, hlm. 113– 121, June 2012.
• [6] H. Zeinoddini-Meymand dan B. Vahidi, “Health index calculation for power transformers using technical and economical parameters,” IET Science, Measurement Technology, vol. 10, no. 7, hlm. 823– 830, 2016.
• [7] H. Monsef dan S. Lotfifard, “Internal fault current identification based on wavelet transform in power transformers,” Electric Power Systems Research, vol. 77, no. 12, hlm. 1637–1645, Okt 2007.
• [8] J. CusidÓCusido, L. Romeral, J. A. Ortega, J. A. Rosero, dan A. G. Espinosa, “Fault Detection in Induction Machines Using Power Spectral Density in Wavelet Decomposition,” IEEE Transactions on Industrial Electronics, vol. 55, no. 2, hlm. 633–643, Feb 2008.
• [9] Faria, R. Salustiano, dan M. Martinez, “A prediction of distribution transformers aging based on tank infrared temperature measurements,” dalam 22nd International Conference and Exhibition on Electricity Distribution (CIRED 2013), 2013, hlm. 1–4.
• [10] IEC 60076-7:2018, “Power Transformer- Part 7 : Loading Guide for Oil-Immersed Power Transformers.” .
• [11] F. Husnayain, M. Latif, dan I. Garniwa, “Transformer oil lifetime prediction using the Arrhenius law based on physical and electrical characteristics,” dalam 2015 International Conference on Quality in Research (QiR), 2015, hlm. 115–120.
• [12] Rosmaliati, “Nguyen-Widrow Neural Network for Distribution Transformer Lifetime Prediction,” The International Conference on Computer ENgineering, Network and Intelligent Multimedia 2018.
• [13] Hafidz, P. E. Nofi, D. O. Anggriawan, A. Priyadi, dan M. H. Pumomo, “Neuro wavelet algortihm for detecting high impedance faults in extra high voltage transmission systems,” dalam 2017 2nd International Conference Sustainable and Renewable Energy Engineering (ICSREE), 2017, hlm. 97–100.
• [14] M. Purnomo Hery, Supervised Neural Networks dan aplikasinya, Pertama. Yogyakarta: Graha Ilmu, 2006.
• [15] Hassane Ezziane , Hamza Houassine , Samir Moulahoum and Moustafa Chaouche, 2022, “Classifying Transformer Winding Fault Type, Location and Extent using FRA based on Support Vector Machine,” Przegląd Elektrotechniczny, vol. 01, no. 23. doi: 10.15199/48.2022.01.04
• [16] Viktor Kaplun, Roman Chuenko, and Svitlana Makarevych, 2022, “Modelling of Asynchronous Motor with Split Stator Windings on the Principle of a Rotary Autotransformer,” Przegląd Elektrotechniczny, vol. 03, no. 39. Pp 39-43. doi: 10.15199/48.2022.03.10
• [17] Dominika Szcześniak and Piotr Przybyłek, 2022, “Application of nanoparticles for modification of electro-insulating liquids used in power transformers,” Przegląd Elektrotechniczny, vol. 06, no. 62. Pp 62-65. doi: 10.15199/48.2022.06.11

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).

Identyfikatory

DOI

10.15199/48.2023.02.19