Разработка системы поддержки принятия решений для оценки технического состояния силовых трансформаторов

Abstract

Актуальность. Надёжная и экологичная эксплуатация силовых трансформаторов - необходимые требования функционирования современных энергосистем. Важными факторами, приводящими к аварийным ситуациям, являются деградация трансформаторного масла и ненормальные режимы работы электрооборудования. Состав трансформаторного масла служит индикатором технического состояния трансформатора и позволяет оценить ресурс его изоляционных материалов и внутренних компонентов. Своевременная замена масла способствует продлению срока эксплуатации силовых трансформаторов, снижению риска возникновения внезапных отказов и повышению надёжности энергосистемы в целом. В качестве ключевого показателя для выявления ранних признаков износа и потенциальных неисправностей принят прогноз технического состояния силового трансформатора, объединяющий различные параметры, в частности концентрацию растворенных газов и электрические характеристики масла, и позволяющий осуществить прогнозирование его срока эксплуатации. Одним из направлений решения проблем, связанных с определением технического состояния силовых трансформаторов, является применение методов искусственного интеллекта. В связи с этим актуальна разработка систем принятия решений на базе моделей, объединяющих прогнозы классических алгоритмов машинного обучения и моделей, сформированных с использованием методов автоматизированного машинного обучения. Такие системы позволяют совместить преимущества экспертного выбора алгоритмов с возможностями автоматизированного поиска оптимальных структур и параметров модели, что повышает точность оценки технического состояния силового трансформатора и, следовательно, определения на её основе ожидаемого срока его эксплуатации. Цель: повышение надёжности силовых трансформаторов при минимизации затрат на техническое обслуживание путём применения методов искусственного интеллекта. Методы: статистический анализ хроматографических данных трансформаторного масла; предобработка данных (исключение аномальных и дублирующих записей, z‑преобразование); классические методы машинного обучения (линейная регрессия, Random Forest, Extra Trees, Hist Gradient Boosting), валидация модели с разделением выборки данных в соотношении 8:2; разработка структуры модели на базе AutoML с применением специализированной программной платформы FEDOT; расчёт и анализ метрик эффективности модели (R², MAE, MSE, RMSE); ансамблирование методами Averaging, Weighted Averaging, Stacking, Blending и XGBoost. Результаты. Разработана ансамблевая модель, предназначенная для комплексной оценки технического состояния силового трансформатора по результатам хроматографического анализа трансформаторного масла и эксплуатационным данным при использовании методов машинного обучения, что позволяет исключить трудоемкие вычисления влияния отдельных признаков и человеческого фактора при выдаче экспертного заключения. Внедрение разработанной модели позволяет объективизировать результаты по оценке остаточного ресурса силового трансформатора и обоснованно перейти к их риск-ориентированному обслуживанию, что, в свою очередь, сокращает эксплуатационные затраты и минимизирует риск возникновения отказа электрооборудования

Relevance. Reliable and environmentally safe operation of power transformers is an essential requirement for the functioning of modern power systems. Transformer oil degradation and abnormal operating conditions of electrical equipment are key factors leading to emergency situations. The composition of transformer oil serves as an indicator of the technical condition of a transformer and enables assessment of the lifespan of its insulating materials and internal components. Timely replacement of oil contributes to extending the operational lifetime of power transformers, reducing the risk of sudden failures, and enhancing overall reliability of the power system. Forecasting the technical condition of a power transformer, integrating various parameters - such as dissolved gas concentrations and electrical characteristics of the oil - is accepted as a crucial indicator for identifying early signs of wear and potential malfunctions, and allows prediction of the transformer operational lifespan. One of the approaches to addressing challenges in determining the technical condition of power transformers involves the application of artificial intelligence methods. In this context, the development of model-based decision- making systems that integrate predictions from classical machine learning algorithms and models generated using automated machine learning techniques is highly relevant. Such systems combine the advantages of expert-driven algorithm selection with the capabilities of automated searches for optimal model architectures and hyperparameters. This hybrid approach enhances the accuracy of assessing a power transformer technical condition and, consequently, improves the determination of its expected service life based on the evaluation. Aim. To improve the reliability of power transformers while minimizing maintenance costs through the application of artificial intelligence methods. Methods. Statistical analysis of chromatographic data of transformer oil; data preprocessing (elimination of anomalous and duplicate records, z-transformation); classical machine learning methods (linear regression, Random Forest, Extra Trees, Hist Gradient Boosting), model validation using an 8:2 data split; development of a model structure based on AutoML with the specialized FEDOT software platform; calculation and analysis of model performance metrics (R², MAE, MSE, RMSE); ensemble methods Averaging, Weighted Averaging, Stacking, Blending and XGBoost. Results. An ensemble model was developed for the comprehensive assessment of the technical condition of power transformers based on transformer oil chromatography analysis and operational data, using machine learning methods. This approach eliminates labor-intensive calculations of the effect of individual parameters and reduces human factor impact during expert evaluations. Implementation of the proposed model allows objective estimation of the remaining lifespan of power transformers and justifies the transition to risk-oriented maintenance, thereby reducing operational costs and minimizing the risk of electrical equipment failure