RU2705858C1 - Method for prediction of change in insulation state of high-voltage electric motors - Google Patents

Method for prediction of change in insulation state of high-voltage electric motors Download PDF

Info

Publication number
RU2705858C1
RU2705858C1 RU2019104801A RU2019104801A RU2705858C1 RU 2705858 C1 RU2705858 C1 RU 2705858C1 RU 2019104801 A RU2019104801 A RU 2019104801A RU 2019104801 A RU2019104801 A RU 2019104801A RU 2705858 C1 RU2705858 C1 RU 2705858C1
Authority
RU
Russia
Prior art keywords
time series
data
values
electric motors
insulation
Prior art date
Application number
RU2019104801A
Other languages
Russian (ru)
Inventor
Андрей Владимирович Селиханович
Леонид Михайлович Поспеев
Иван Сергеевич Афонин
Original Assignee
Общество с ограниченной ответственностью "МТК Бизнес.Оптима"
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Общество с ограниченной ответственностью "МТК Бизнес.Оптима" filed Critical Общество с ограниченной ответственностью "МТК Бизнес.Оптима"
Priority to RU2019104801A priority Critical patent/RU2705858C1/en
Application granted granted Critical
Publication of RU2705858C1 publication Critical patent/RU2705858C1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/92—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating breakdown voltage
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/346—Testing of armature or field windings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
    • H02H7/08—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for dynamo-electric motors

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Electrochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

FIELD: electrical engineering.
SUBSTANCE: invention relates to monitoring of technical condition of electric motors. Method of prediction of change in insulation condition of high-voltage electric motors consists in the following. Automatically obtaining data of values of partial discharges occurring in insulation of high-voltage electric motors. Time series is constructed with data of values of partial discharges and analyzed by considering the general tendency of development of activity of partial discharges and separate components of activity caused by hour, daily or other periodic actions. After construction of the time series, differential characteristics of the time series are obtained with data of values of partial discharges and periodical components contained in the time series are selected. Time series analysis is performed by excluding periodic components contained in the time series, and using linear autoregression and moving average models to the time series differe ntial characteristics.
EFFECT: possibility of predicting change in the state of insulation of electric motors on a time series of these values of partial discharges, containing periodic components and components of the trend.
1 cl, 3 dwg

Description

Изобретение относится к контролю изменения технического состояния высоковольтных электродвигателей и может быть применено в машиностроительной, энергетической, нефтегазовой, химической, горнодобывающей и других отраслях промышленности.The invention relates to the control of changes in the technical condition of high-voltage electric motors and can be applied in engineering, energy, oil and gas, chemical, mining and other industries.

Известен способ прогнозирования изменения технического состояния высоковольтного оборудования электростанции, который включает получение данных технического состояния высоковольтного оборудования, диагностику технического состояния высоковольтного оборудования, и прогнозирование изменения состояния высоковольтного оборудования, при этом данные о техническом состоянии высоковольтного оборудования включают рабочие параметры электростанции, а также параметры охлаждающей среды высоковольтного оборудования и окружающей среды электростанции, а диагностика технического состояния высоковольтного оборудования на электростанции производится путем определения взаимных корреляций между множеством наборов входных данных, а также путем вероятностной оценки индекса технического состояния высоковольтного оборудования с учетом полученных данных его технического состояния [RU2313815, дата публикации: 10.09.2005 г., МПК: G05B 23/02, G05B 17/02].A known method for predicting changes in the technical condition of high-voltage equipment of a power plant, which includes obtaining data on the technical condition of high-voltage equipment, diagnostics of the technical condition of high-voltage equipment, and forecasting changes in the state of high-voltage equipment, while data on the technical condition of high-voltage equipment includes operating parameters of the power plant, as well as parameters of the cooling medium high voltage equipment and the environment power plants, and diagnostics of the technical condition of high-voltage equipment at a power plant is carried out by determining the mutual correlations between the sets of input data, as well as by probabilistic estimation of the index of the technical condition of high-voltage equipment taking into account the obtained data of its technical condition [RU2313815, publication date: 09/10/2005, IPC: G05B 23/02, G05B 17/02].

Известен способ мониторинга электрических вращающихся машин, который включает получение входных данных от датчиков акустической эмиссии и частичных разрядов, возникающих при эксплуатации электрических машин, анализ полученных данных, который производится путем сравнения частоты импульсов частичных разрядов с частотой переменного тока в цепи, определение отклонений от эталонных значений и определение причины возникновения отклонений с сопутствующим назначением корректирующих мероприятий [US2017168024, дата публикации: 15.06.2017 г. МПК: G01N 29/14, G01N 29/44, G01R 31/34].A known method of monitoring electric rotating machines, which includes receiving input from acoustic emission sensors and partial discharges arising from the operation of electric machines, analysis of the data obtained by comparing the frequency of the pulses of partial discharges with the frequency of an alternating current in a circuit, determining deviations from reference values and determining the cause of deviations with the concomitant use of corrective actions [US2017168024, publication date: 06/15/2017 IPC: G01N 29/1 4, G01N 29/44, G01R 31/34].

В качестве прототипа выбран способ прогнозирования изменения состояния изоляции высоковольтных электродвигателей, включающий автоматизированное получение данных значений частичных разрядов, возникающих в изоляции высоковольтных электродвигателей, построение временного ряда с данными значений частичных разрядов, возникающих в изоляции высоковольтных электродвигателей, и анализ временного ряда с данными значений частичных разрядов, возникающих в изоляции высоковольтных электродвигателей, путем применения линейных моделей авторегрессии и скользящего среднего и выявления общей тенденции развития активности частичных разрядов и отдельных компонентов активности, вызванных часовыми, суточными или иными периодическими воздействиями, не связанными с процессом ухудшения состояния изоляции высоковольтных электродвигателей [US20170288399, дата публикации: 05.10.2017 г. МПК: G05B 13/02; G05B 13/04].As a prototype, a method for predicting the change in the insulation state of high-voltage electric motors was selected, including the automated receipt of data on partial discharge values arising in the insulation of high-voltage electric motors, the construction of a time series with data on the partial discharge values arising in the insulation of high-voltage electric motors, and the analysis of the time series with the data on the partial discharge values arising in the isolation of high-voltage electric motors by applying linear models of aggression and moving average and revealing the general tendency for the development of activity of partial discharges and individual components of activity caused by hourly, daily or other periodic effects that are not related to the process of deterioration of the insulation state of high-voltage electric motors [US20170288399, publication date: 10/05/2017 IPC: G05B 13 / 02; G05B 13/04].

Недостаток способа по прототипу заключается в том, что его функционал применим не в полной мере из-за того, что использование линейных моделей авторегрессии и скользящего среднего обеспечивает возможность анализа только стационарных временных рядов с данными. При этом временные ряды с данными значений частичных разрядов, возникающих в изоляции высоковольтных электродвигателей, как правило, дополнительно содержат периодические компоненты (сезонности) и компоненты тренда, которые не могут быть обработаны указанными моделями, вследствие чего становится невозможным прогнозирование изменения состояния изоляции высоковольтных электродвигателей, содержащих указанные компоненты.The disadvantage of the prototype method is that its functionality is not fully applicable due to the fact that the use of linear models of autoregression and moving average provides the ability to analyze only stationary time series with data. Moreover, time series with data of partial discharge values arising in the insulation of high-voltage electric motors, as a rule, additionally contain periodic components (seasonality) and trend components that cannot be processed by these models, as a result of which it becomes impossible to predict the change in the insulation state of high-voltage electric motors containing specified components.

Техническая проблема, на решение которой направлено изобретение, заключается в изменении функционала способа прогнозирования состояния изоляции высоковольтных электродвигателей.The technical problem to which the invention is directed is to change the functionality of the method for predicting the insulation state of high-voltage electric motors.

Технический результат, на достижение которого направлено изобретение, заключается в обеспечении возможности прогнозирования изменения состояния изоляции высоковольтных электродвигателей по временному ряду значений частичных разрядов, содержащем периодические компоненты и компоненты тренда.The technical result to which the invention is directed is to provide the possibility of predicting a change in the insulation state of high-voltage electric motors in a time series of partial discharges containing periodic and trend components.

Сущность изобретения заключается в следующем.The invention consists in the following.

Способ прогнозирования изменения состояния изоляции высоковольтных электродвигателей включает автоматизированное получение данных значений частичных разрядов, возникающих в изоляции высоковольтных электродвигателей, построение временного ряда с данными значений частичных разрядов, возникающих в изоляции высоковольтных электродвигателей, и анализ временного ряда с данными значений частичных разрядов, возникающих в изоляции высоковольтных электродвигателей, путем рассмотрения общей тенденции развития активности частичных разрядов и отдельных компонентов активности, вызванных часовыми, суточными или иными периодическими воздействиями, не связанными с процессом ухудшения состояния изоляции высоковольтных электродвигателей. В отличие от прототипа после построения временного ряда с данными значений частичных разрядов, возникающих в изоляции высоковольтных электродвигателей, получают разностные характеристики временного ряда с данными значений частичных разрядов и выделяют периодические компоненты, содержащиеся во временном ряду с данными значений частичных разрядов, а анализ временного ряда с данными значений частичных разрядов производится путем исключения периодических компонент, содержащихся во временном ряду с данными значений частичных разрядов и применения линейных моделей авторегрессии и скользящего среднего к разностным характеристикам временного ряда с данными значений частичных разрядов.A method for predicting a change in the insulation state of high voltage electric motors includes the automated receipt of data of partial discharge values that occur in the insulation of high voltage electric motors, the construction of a time series with data of partial discharge values that occur in the insulation of high voltage electric motors, and the analysis of the time series with data of partial discharge values that occur in the insulation of high voltage motors electric motors, by considering the general tendency of the development of partial discharge activity rows and individual activity components caused hourly, daily or other periodic effects not related to the process of deterioration of the insulation of high-voltage motors. In contrast to the prototype, after constructing a time series with data on the values of partial discharges occurring in the insulation of high-voltage electric motors, the difference characteristics of the time series with data on the values of partial discharges are obtained and periodic components are selected that are contained in the time series with data on the values of partial discharges, and the analysis of the time series with partial discharge data is performed by eliminating the periodic components contained in the time series with partial discharge data and applying linear models of autoregression and moving average to the difference characteristics of a time series with data on partial discharge values.

Получение данных со значениями частичных разрядов может быть осуществлено с датчиков системы мониторинга, установленных в различных частях изоляции ротора или статора, либо в других частях высоковольтного двигателя, содержащих изоляцию. Данные могут включать в себя амплитуды импульсов частичных разрядов, величины кажущихся зарядов импульсов частичных разрядов, частоту следования импульсов частичных разрядов, средний ток частичных разрядов, полярности импульсов частичных разрядов. При этом временные ряды с данными со значениями частичных разрядов могут иметь вид:Data with partial discharge values can be obtained from monitoring system sensors installed in various parts of the rotor or stator insulation, or in other parts of the high-voltage motor containing insulation. The data may include the amplitudes of the pulses of the partial discharges, the magnitude of the apparent charges of the pulses of the partial discharges, the repetition rate of the pulses of the partial discharges, the average current of the partial discharges, the polarity of the partial discharge pulses. In this case, time series with data with partial discharge values can be of the form:

Figure 00000001
.
Figure 00000001
.

Линейная модель (AR) авторегрессии обеспечивает возможность представления каждого значения временного ряда как взвешенной суммы ряда предыдущих значений частичных разрядов.A linear autoregressive model (AR) provides the ability to represent each value in a time series as a weighted sum of a series of previous partial discharge values.

Figure 00000002
,
Figure 00000002
,

где:Where:

c – константа, c is a constant

ε – белый шум, ε is white noise,

p – порядок модели, p is the order of the model,

φ – параметры модели.φ - model parameters.

При этом, например, прогнозирование такой моделью четвертого порядка с параметрами 1,1; -0,3; 0,3; 0,2 без константы может быть представлено следующим образом:At the same time, for example, forecasting by such a fourth-order model with parameters 1.1; -0.3; 0.3; 0.2 without a constant can be represented as follows:

Figure 00000003
.
Figure 00000003
.

Линейная модель (MA) скользящего среднего обеспечивает возможность представления каждого значения временного ряда как суммы математического ожидания ряда и взвешенных значений белого шума и может иметь следующий вид:The linear model (MA) of the moving average provides the ability to represent each value of the time series as the sum of the mathematical expectation of the series and the weighted values of white noise and can have the following form:

Figure 00000004
,
Figure 00000004
,

где:Where:

q-порядок модели,q-order model

θ- параметры модели.θ- model parameters.

При этом, например, прогнозирование изменения состояния изоляции высоковольтных электродвигателей такой моделью первого порядка с параметром 0,8 и средним значением 20 может быть представлено следующим образом:In this case, for example, predicting a change in the insulation state of high-voltage electric motors by such a first-order model with a parameter of 0.8 and an average value of 20 can be represented as follows:

Figure 00000005
.
Figure 00000005
.

Прогнозирование изменения состояния изоляции высоковольтных электродвигателей такой моделью второго порядка с параметрами -1, 0.8 и средним значением 20 может быть представлено следующим образом:Prediction of changes in the insulation state of high-voltage electric motors by such a second-order model with parameters -1, 0.8 and an average value of 20 can be represented as follows:

Figure 00000006
,
Figure 00000006
,

где:Where:

Figure 00000007
– случайные числа.
Figure 00000007
- random numbers.

Авторегрессионная модель (ARMA) со скользящим средним представляет собой совокупность линейной модели (AR) авторегрессии и линейной модели (MA) скользящего среднего и обеспечивает возможность суммирования прогнозов изменения состояния изоляции высоковольтных электродвигателей, полученных при помощи указанных линейных моделей, и может иметь следующий вид:Autoregressive model (ARMA) with a moving average is a combination of a linear model (AR) of autoregression and a linear model (MA) of a moving average and provides the ability to summarize the predictions of changes in the insulation state of high-voltage electric motors obtained using these linear models, and can have the following form:

Figure 00000008
.
Figure 00000008
.

При этом порядок авторегрессионной модели со скользящим средним задается соответственно порядком линейной модели (AR) авторегрессии и линейной модели (MA) скользящего среднего, суммой которых она получена.In this case, the order of the autoregressive model with a moving average is specified respectively by the order of the linear model (AR) of autoregression and the linear model (MA) of the moving average, the sum of which is obtained.

Применение авторегрессионной модели (ARMA) со скользящим средним к разностным характеристикам временного ряда с данными, обеспечивает возможность получения интегрированной модели (ARIMA) авторегрессии со скользящим средним. Указанная модель обеспечивает возможность исключения периодических компонент из временного ряда, что позволяет прогнозировать изменение состояния изоляции высоковольтных электродвигателей по временному ряду с данными, содержащем компоненты тренда. В таком случае авторегрессионная модель со скользящим средним может быть задана тремя характеристиками p, d и q, где:Application of an autoregressive model (ARMA) with a moving average to the difference characteristics of a time series with data provides the possibility of obtaining an integrated model (ARIMA) of autoregression with a moving average. This model provides the ability to exclude periodic components from the time series, which allows us to predict the change in the insulation state of high-voltage electric motors in a time series with data containing trend components. In this case, the autoregressive model with a moving average can be defined by three characteristics p, d and q, where:

p – порядок авторегрессионной модели,p is the order of the autoregressive model,

q – порядок модели со скользящим средним,q is the order of the model with a moving average,

d – порядок разностных характеристик временного ряда.d is the order of the difference characteristics of the time series.

При этом применение интегрированной модели (ARIMA) авторегрессии со скользящим средним к временному ряду с данными может иметь следующий вид: At the same time, the application of the integrated model (ARIMA) of autoregression with a moving average to the time series with data may have the following form:

Figure 00000009
,
Figure 00000009
,

или следующий:or next:

Figure 00000010
,
Figure 00000010
,

где: Where:

Figure 00000011
– разностная характеристика временного ряда с данными значений частичных разрядов, которая определяется через оператор смещения L, обеспечивающий возможность смещения временного ряда на его порядок:
Figure 00000011
- the difference characteristic of the time series with data of the values of partial discharges, which is determined through the offset operator L, which provides the possibility of shifting the time series by its order:

Figure 00000012
Figure 00000012

Figure 00000013
Figure 00000013

Figure 00000014
.
Figure 00000014
.

Таким образом, например, при первом порядке интегрированной модели (ARIMA) авторегрессии со скользящим средним (d=1) разностная характеристика временного ряда с данными значений частичных разрядов может иметь следующий вид:Thus, for example, in the first order of the integrated model (ARIMA) of autoregression with a moving average (d = 1), the difference characteristic of the time series with the data of the values of partial discharges can have the following form:

Figure 00000015
.
Figure 00000015
.

При этом прогнозирование изменения состояния изоляции высоковольтных электродвигателей такой моделью (p, 1, q) может быть представлено следующим образом:In this case, predicting the change in the insulation state of high-voltage electric motors with such a model (p, 1, q) can be represented as follows:

Figure 00000016
.
Figure 00000016
.

При втором порядке интегрированной модели (ARIMA) авторегрессии со скользящим средним (d=2) разностная характеристика данных со значениями частичных разрядов может иметь следующий вид:In the second order of the integrated model (ARIMA) of autoregression with a moving average (d = 2), the difference characteristic of the data with the values of partial discharges can have the following form:

Figure 00000017
.
Figure 00000017
.

При этом прогнозирование изменения состояния изоляции высоковольтных электродвигателей такой моделью (p, 2, q) может быть представлено следующим образом:In this case, predicting the change in the insulation state of high-voltage electric motors by such a model (p, 2, q) can be represented as follows:

Figure 00000018
.
Figure 00000018
.

Исключение периодических компонент, содержащихся во временном ряду с данными значений частичных разрядов, может быть произведено путем применения двух интегрированных моделей (ARIMA) авторегрессии к временному ряду, при этом одна модель формируется с параметрами (p, d, q) для временного ряда с данными, а другая модель – с параметрами (P, D, Q) для компонента сезонности, что позволяет сформировать модель (SARIMA) для прогнозирования изменения состояния изоляции высоковольтных электродвигателей по временному ряду с данными, содержащем компоненты сезонности. При этом для выявления компоненты сезонности во временном ряду с данными может быть использовано преобразование Фурье, а указанная модель может иметь следующий вид:The exclusion of periodic components contained in the time series with data of partial discharge values can be made by applying two integrated autoregression (ARIMA) models to the time series, while one model is formed with parameters (p, d, q) for the time series with data and another model - with parameters (P, D, Q) for the seasonality component, which allows you to create a model (SARIMA) for predicting changes in the insulation state of high-voltage motors in a time series with data containing components of zoning. In this case, the Fourier transform can be used to identify the seasonality components in the time series with the data, and this model can have the following form:

Figure 00000019
,
Figure 00000019
,

где:Where:

p, d, q – порядок компонентов ARIMA модели временного ряда без сезонности;p, d, q - the order of the components of the ARIMA model of the time series without seasonality;

P, D, Q – порядок компонентов ARIMA модели компоненты сезонности временного ряда;P, D, Q - the order of the components of the ARIMA model; components of the seasonality of the time series;

m – период компоненты сезонности.m is the period of the seasonality component.

Изобретение характеризуется ранее неизвестными из уровня техники существенными отличительными признаками, заключающимися в том, что:The invention is characterized by previously unknown from the prior art significant distinguishing features, namely, that:

— после построения временного ряда с данными значений частичных разрядов, возникающих в изоляции высоковольтных электродвигателей, получают разностные характеристики временного ряда с данными значений частичных разрядов и выделяют периодические компоненты, содержащиеся во временном ряду с данными значений частичных разрядов, что позволяет провести обработку всех полученных данных значений частичных разрядов и преобразовать их для проведения анализа.- after constructing a time series with data of partial discharge values arising in the insulation of high-voltage electric motors, the difference characteristics of the time series with data of partial discharge values are obtained and periodic components are contained in the time series with data of partial discharge values, which allows processing of all obtained data of values partial discharges and convert them for analysis.

— анализ временного ряда с данными значений частичных разрядов производится путем исключения периодических компонент, содержащихся во временном ряду с данными значений частичных разрядов и применения линейных моделей авторегрессии и скользящего среднего к разностным характеристикам временного ряда с данными значений частичных разрядов, что позволяет выделить данные значений частичных разрядов во временном ряду, содержащем компоненты тренда и сезонности. - analysis of the time series with data of partial discharge values is performed by eliminating the periodic components contained in the time series with data of partial discharge values and applying linear models of autoregression and the moving average to the difference characteristics of the time series with data of partial discharge values, which allows to extract data of partial discharge values in a time series containing components of trend and seasonality.

Существенные признаки изобретения позволяют провести обработку всех полученных данных значений частичных разрядов и преобразовать их для проведения анализа и выделить данные значений частичных разрядов во временном ряду, содержащем компоненты тренда и сезонности, благодаря чему обеспечивается достижение технического результата, заключающегося в обеспечении возможности прогнозирования изменения состояния изоляции высоковольтных электродвигателей по временному ряду значений частичных разрядов, содержащем периодические компоненты и компоненты тренда, тем самым расширяется функционал способа прогнозирования изменения состояния изоляции высоковольтных электродвигателей.The essential features of the invention allow the processing of all the obtained data of the values of partial discharges and convert them for analysis and select the data of the values of the partial discharges in a time series containing the components of the trend and seasonality, which ensures the achievement of the technical result, which consists in the possibility of predicting the change in the state of insulation of high voltage electric motors in a time series of values of partial discharges containing periodic components You and the components of the trend, thereby expanding the functionality of the method for predicting changes in the insulation state of high-voltage electric motors.

Существенные отличительные признаки изобретения неизвестны из уровня техники, что свидетельствует о соответствии изобретения критерию патентоспособности «новизна» и «изобретательский уровень».The essential features of the invention are unknown from the prior art, which indicates the compliance of the invention with the patentability criterion of "novelty" and "inventive step".

Изобретение может быть реализовано при помощи известных средств, материалов и технологий, что свидетельствует о его соответствии критерию патентоспособности «промышленная применимость».The invention can be implemented using known means, materials and technologies, which indicates its compliance with the patentability criterion of "industrial applicability".

Изобретение поясняется следующими фигурами.The invention is illustrated by the following figures.

Фиг.1 – График с результатом прогнозирования изменения состояния изоляции высоковольтных электродвигателей.Figure 1 - Graph with the result of predicting changes in the state of insulation of high-voltage electric motors.

Фиг.2 – Отраслевая таблица Iris Power, применяемая для прогнозирования изменения состояния изоляции высоковольтных электродвигателей.Figure 2 - Industry table Iris Power, used to predict changes in the state of insulation of high-voltage motors.

Фиг.3 – Отраслевая таблица Iris Power, применяемая для прогнозирования изменения состояния изоляции конкретного высоковольтного электродвигателя.Figure 3 - Sector table Iris Power, used to predict changes in the state of insulation of a particular high-voltage electric motor.

Изобретение реализуется следующим образом.The invention is implemented as follows.

Для прогнозирования изменения состояния изоляции высоковольтного электродвигателя А4-400X-4T3, имеющего рабочее напряжение 6 кВ, мощность 400 кВт, частоту вращения 1500 об/мин и воздушное охлаждение, производится автоматизированный сбор данных значений частичных разрядов при помощи системы мониторинга значений частичных разрядов, содержащей датчики частичных разрядов и устройство измерения частичных разрядов, при этом датчики системы установлены в коробку высоковольтного ввода электродвигателя и в разные части элементов электродвигателя. Система мониторинга настраивается на регистрацию сигналов в СВЧ-диапазоне, с частотами отдельных гармоник в спектре сигнала до 500 МГц. Программа прогнозирования, установленная на сервере системы прогнозирования в непрерывном режиме опрашивает измерительный прибор и получает наборы значений частичных разрядов, возникающих в изоляции высоковольтных электродвигателей, в виде пиковых амплитуд импульсов ЧР положительной (Qm+) и отрицательной (Qm-) полярностей. После этого производится получение разностных характеристик временного ряда с данными значений частичных разрядов и выделяются периодические компоненты, содержащиеся во временном ряду с данными значений частичных разрядов. При этом, в зависимости от имеющихся периодических компонент выбирается соответствующая модель (ARIMA) или (SARIMA) и при помощи программного пакета математического анализа определяются оптимальные параметры выбранной модели для имеющегося временного ряда с данными значений частичных разрядов. To predict the change in the insulation state of the A4-400X-4T3 high-voltage electric motor, which has an operating voltage of 6 kV, a power of 400 kW, a rotational speed of 1500 rpm and air cooling, an automated data collection of partial discharge values is performed using a partial discharge monitoring system containing sensors of partial discharges and a device for measuring partial discharges, while the sensors of the system are installed in the box of the high-voltage input of the electric motor and in different parts of the electric motor elements. The monitoring system is tuned to register signals in the microwave range, with frequencies of individual harmonics in the signal spectrum up to 500 MHz. The forecasting program installed on the forecasting system server continuously polls the measuring device and obtains sets of partial discharges arising in the isolation of high-voltage electric motors in the form of peak amplitudes of PD pulses of positive (Qm +) and negative (Qm-) polarities. After that, the difference characteristics of the time series are obtained with the data of the values of the partial discharges and the periodic components are selected that are contained in the time series with the data of the values of the partial discharges. In this case, depending on the available periodic components, the corresponding model (ARIMA) or (SARIMA) is selected and using the mathematical analysis software package the optimal parameters of the selected model for the existing time series with data of partial discharges are determined.

После этого определяются ключевые характеристики активности частичных разрядов, возникающих в изоляции высоковольтного электродвигателя в виде графика. Пример графика приведён на (Фиг.1), в котором ось OX – единицы времени (дни), а ось OY – активность частичных разрядов (мВ.). На основании полученных значений частичных разрядов, а также динамики их развития производится определение причины их возникновения в соответствии с действующими отраслевыми стандартами или на основании обобщённых экспертных оценок для двигателя указанного типа. При этом качестве действующего отраслевого стандарта могут использоваться экспертные рекомендации. Пример подобной рекомендации показан в виде таблиц на (Фиг.2,3), в которых выбирается столбец, соответствующий напряжению работы двигателя и строка, соответствующая полученным данным активности частичных разрядов, в зависимости от наблюдаемого уровня Qm+ и Qm-. В соответствии с этой таблицей 25% двигателей имели уровень частичных разрядов до 12 мВ (соответствует наибольшему по модулю из значений Qm+ или Qm-), 50% имели уровень до 33 мВ, 75% имели до 66 мВ, 90% имели до 172 мВ, 95% имели до 315 мВ.After that, the key characteristics of the activity of partial discharges arising in the isolation of a high-voltage electric motor in the form of a graph are determined. An example of a graph is shown in (Fig. 1), in which the OX axis is the unit of time (days), and the OY axis is the activity of partial discharges (mV.). Based on the obtained values of partial discharges, as well as the dynamics of their development, a determination is made of the cause of their occurrence in accordance with current industry standards or on the basis of generalized expert estimates for an engine of the specified type. At the same time, expert recommendations may be used as the current industry standard. An example of such a recommendation is shown in the form of tables in (Fig. 2,3), in which a column is selected corresponding to the voltage of the engine and a row corresponding to the received data of the activity of partial discharges, depending on the observed level Qm + and Qm-. According to this table, 25% of the engines had a partial discharge level of up to 12 mV (corresponds to the largest modulus of the Qm + or Qm- values), 50% had a level of up to 33 mV, 75% had up to 66 mV, 90% had up to 172 mV, 95% had up to 315 mV.

Также в качестве отраслевых стандартов могут использоваться:Also as industry standards can be used:

ГОСТ ISO 20958-2015 Контроль состояния и диагностика машин. Сигнатурный анализ электрических сигналов трехфазного асинхронного двигателя,GOST ISO 20958-2015 Condition monitoring and diagnostics of machines. Signature analysis of electrical signals of a three-phase induction motor,

ГОСТ IEC/TS 60034-27-2015 Машины электрические вращающиеся. Часть 27. Измерения частичного разряда на изоляции статорной обмотки отключенных от сети вращающихся электрических машин,GOST IEC / TS 60034-27-2015 Electric rotating machines. Part 27. Partial discharge measurements on the insulation of the stator winding of rotating electrical machines disconnected from the network,

ГОСТ IEC/TS 60034-27-2-2015 Машины электрические вращающиеся. Часть 27-2. Измерения частичного разряда на изоляции статорной обмотки включенных в сеть вращающихся электрических машин,GOST IEC / TS 60034-27-2-2015 Electric rotating machines. Part 27-2. Partial discharge measurements on the insulation of the stator winding of rotating electrical machines included in the network,

ГОСТ 20074-83 Электрооборудование и электроустановки. Метод измерения характеристик частичных разрядов.GOST 20074-83 Electrical equipment and electrical installations. Method for measuring the characteristics of partial discharges.

Исходя из данных, полученных при помощи модели, определяется, что через 500 дней состояние изоляции высоковольтного электродвигателя достигнет соответствующего уровня в балльной оценке.Based on the data obtained using the model, it is determined that after 500 days the insulation state of the high-voltage electric motor will reach the corresponding level in the point estimate.

Таким образом обеспечивается достижение технического результата, заключающегося в обеспечении возможности прогнозирования изменения состояния изоляции высоковольтных электродвигателей по временному ряду значений частичных разрядов, содержащем периодические компоненты и. компоненты тренда, тем самым расширяется функционал способа прогнозирования изменения состояния изоляции высоковольтных электродвигателей.This ensures the achievement of the technical result, which consists in making it possible to predict changes in the insulation state of high-voltage electric motors in a time series of values of partial discharges containing periodic components and. components of the trend, thereby expanding the functionality of the method for predicting changes in the insulation state of high-voltage electric motors.

Claims (1)

Способ прогнозирования изменения состояния изоляции высоковольтных электродвигателей, включающий автоматизированное получение данных значений частичных разрядов, возникающих в изоляции высоковольтных электродвигателей, построение временного ряда с данными значений частичных разрядов, возникающих в изоляции высоковольтных электродвигателей, и анализ временного ряда с данными значений частичных разрядов, возникающих в изоляции высоковольтных электродвигателей, путем рассмотрения общей тенденции развития активности частичных разрядов и отдельных компонентов активности, вызванных часовыми, суточными или иными периодическими воздействиями, не связанными с процессом ухудшения состояния изоляции высоковольтных электродвигателей, отличающийся тем, что после построения временного ряда с данными значений частичных разрядов, возникающих в изоляции высоковольтных электродвигателей, получают разностные характеристики временного ряда с данными значений частичных разрядов и выделяют периодические компоненты, содержащиеся во временном ряду с данными значений частичных разрядов, а анализ временного ряда с данными значений частичных разрядов производится путем исключения периодических компонент, содержащихся во временном ряду с данными значений частичных разрядов, и применения линейных моделей авторегрессии и скользящего среднего к разностным характеристикам временного ряда с данными значений частичных разрядов.A method for predicting a change in the insulation state of high-voltage electric motors, including the automated receipt of data of partial discharge values arising in the insulation of high-voltage electric motors, building a time series with data of partial discharge values arising in the insulation of high-voltage electric motors, and analyzing a time series with data of partial discharge values arising in the insulation high-voltage electric motors, by considering the general development trend of the activity of partial discharges and individual components of activity caused by hourly, daily or other periodic effects that are not related to the process of deterioration of the insulation state of high-voltage electric motors, characterized in that after constructing a time series with data on the values of partial discharges arising in the insulation of high-voltage electric motors, they obtain difference characteristics of the time series with the data of the values of partial discharges and isolate the periodic components contained in the time series with the data of the values of the partial cing discharges, and the analysis of the time series data PD values produced by eliminating periodic components contained in the time series data values PD and the use of linear models and autoregressive moving average difference to characteristics of time series data PD values.
RU2019104801A 2019-02-20 2019-02-20 Method for prediction of change in insulation state of high-voltage electric motors RU2705858C1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2019104801A RU2705858C1 (en) 2019-02-20 2019-02-20 Method for prediction of change in insulation state of high-voltage electric motors

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2019104801A RU2705858C1 (en) 2019-02-20 2019-02-20 Method for prediction of change in insulation state of high-voltage electric motors

Publications (1)

Publication Number Publication Date
RU2705858C1 true RU2705858C1 (en) 2019-11-12

Family

ID=68579770

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2019104801A RU2705858C1 (en) 2019-02-20 2019-02-20 Method for prediction of change in insulation state of high-voltage electric motors

Country Status (1)

Country Link
RU (1) RU2705858C1 (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998047009A2 (en) * 1997-04-11 1998-10-22 General Electric Company Statistical pattern analysis methods of partial discharge measurments in high voltage insulation
RU2122215C1 (en) * 1996-09-20 1998-11-20 Российский государственный открытый технический университет путей сообщения Device testing quality of electric insulation
RU121939U1 (en) * 2012-07-18 2012-11-10 Открытое акционерное общество "Гипрогазцентр" MOTOR INSULATION CONTROL DEVICE
US20170168024A1 (en) * 2015-12-15 2017-06-15 General Electric Company Monitoring systems and methods for electrical machines
US20170288399A1 (en) * 2016-04-01 2017-10-05 Demand Energy Networks, Inc. Machine learning of electrical power system behavior, and related systems, apparatuses, and methods

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2122215C1 (en) * 1996-09-20 1998-11-20 Российский государственный открытый технический университет путей сообщения Device testing quality of electric insulation
WO1998047009A2 (en) * 1997-04-11 1998-10-22 General Electric Company Statistical pattern analysis methods of partial discharge measurments in high voltage insulation
RU121939U1 (en) * 2012-07-18 2012-11-10 Открытое акционерное общество "Гипрогазцентр" MOTOR INSULATION CONTROL DEVICE
US20170168024A1 (en) * 2015-12-15 2017-06-15 General Electric Company Monitoring systems and methods for electrical machines
US20170288399A1 (en) * 2016-04-01 2017-10-05 Demand Energy Networks, Inc. Machine learning of electrical power system behavior, and related systems, apparatuses, and methods

Similar Documents

Publication Publication Date Title
Zanardelli et al. Identification of intermittent electrical and mechanical faults in permanent-magnet AC drives based on time–frequency analysis
US5629870A (en) Method and apparatus for predicting electric induction machine failure during operation
Valles-Novo et al. Empirical mode decomposition analysis for broken-bar detection on squirrel cage induction motors
Henao et al. Trends in fault diagnosis for electrical machines: A review of diagnostic techniques
Ghahremani et al. Dynamic state estimation in power system by applying the extended Kalman filter with unknown inputs to phasor measurements
Antonino-Daviu et al. Validation of a new method for the diagnosis of rotor bar failures via wavelet transform in industrial induction machines
Singh Experimental investigations on induction machine condition monitoring and fault diagnosis using digital signal processing techniques
Fernandez-Cavero et al. Detection of broken rotor bars in nonlinear startups of inverter-fed induction motors
EP3579404B1 (en) Motor diagnosis device
Ferreira et al. An application of machine learning approach to fault detection of a synchronous machine
Guedidi et al. Broken bar fault diagnosis of induction motors using MCSA and neural network
Leonidovich et al. The development and use of diagnostic systems and estimation of residual life in industrial electrical equipment
EP0881467A1 (en) Method of detecting abnormality and abnormality detection system
Mukherjee et al. Application of machine learning for speed and torque prediction of pms motor in electric vehicles
RU2705858C1 (en) Method for prediction of change in insulation state of high-voltage electric motors
Mustafa et al. Broken bars fault diagnosis based on uncertainty bounds violation for three‐phase induction motors
Guedes et al. Differential evolution applied to line-connected induction motors stator fault identification
Zurita-Millán et al. Vibration signal forecasting on rotating machinery by means of signal decomposition and neurofuzzy modeling
Vedreño-Santos et al. Diagnosis of eccentricity in induction machines working under fluctuating load conditions, through the instantaneous frequency
KR102150425B1 (en) Monitoring apparatus for rotary machine and monitoring method for rotary machine
CN116090353A (en) Product remaining life prediction method and device, electronic equipment and storage medium
Pramesti et al. Stator fault identification analysis in induction motor using multinomial logistic regression
Touhami et al. Remote monitoring system of electrical machines via INTERNET
Boltežar et al. Fault detection of DC electric motors using the bispectral analysis
Ulyanov Applied Method for Identification and Diagnosis of Automatic DC-Motor Speed Control Systems

Legal Events

Date Code Title Description
MM4A The patent is invalid due to non-payment of fees

Effective date: 20210221