طبقه‌بندي عيوب ترانسفورماتور با استفاده از تحليل پاسخ فركانسي بر پايه تكنيك همبستگي متقابل و ماشين بردار پشتيبان

يكي از مهم‌ترين روش‌هاي تشخيص عيب در ترانسفورماتورها (خصوصاً عيوب مكانيكي) روش تحليل پاسخ فركانسي (FRA) است. مهم‌ترين گام در فرآيند تشخيص عيب به كمك FRA، متمايز كردن عيوب و قرار دادن آن‌ها در كلاسهاي متفاوت است. در اين مقاله از روش هوشمند ماشين بردار پشتيبان (SVM) براي طبقه‌بندي عيوب ترانسفورماتور استفاده مي‌شود. براي اين منظور، دو گروه از ترانسفورماتورها مورد آزمايش قرار گرفته است. ابتدا آزمايش‌هاي لازم بر روي ترانسفورماتورهاي مدل تحت شرايط سالم و تحت شرايط عيوب مختلف (جابجايي محوري، تغيير شكل شعاعي، تغيير فاصله بين بشقاب‌ها، اتصال كوتاه بين بشقاب‌ها و تغيير شكل هسته) انجام مي‌شود. سپس با تقسيم‌بندي بازه‌هاي فركانسي توابع تبديل اندازه‌گيري شده از ترانسفورماتور، يك مشخصه جديد مبتني بر تكنيك همبستگي متقابل براي آموزش و اعتبارسنجي SVM پيشنهاد مي‌شود. بعد از انجام فرآيند آموزش، با اعمال داده‌هاي به‌دست‌آمده از ترانسفورماتورهاي واقعي، عملكرد SVM در حالت‌هاي مختلف مورد ارزيابي و مقايسه قرار گرفته و مناسب‌ترين شاخص ارائه مي‌شود.

One of the most important methods for transformers fault diagnosis (especially mechanical defects) is the frequency response analysis (FRA) method. 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. For this purpose, two groups of transformers have been tested. First, the necessary measurements are performed on the model transformers under healthy conditions and under various fault conditions (axial displacement, radial deformation, disc space variation, short-circuits, and core deformation). Then, by dividing the frequency ranges of the measured transfer functions of the transformer, a new feature based on the cross-correlation technique is proposed for SVM training and validation. After the training process, by applying the data obtained from real transformers, the performance of SVM in different modes is evaluated and compared. Finally, the most appropriate feature has been provided.