تخمین دمای نقطه داغ ترانسفورماتور قدرت با خنک سازی روغن اجباری_آب اجباری با بهره‌گیری از الگوریتم گرگ خاکستری

نوع مقاله : علمی-پژوهشی

نویسندگان

1 استادی ار، دانشگاه بین المللی امام خمینی)ره(، دانشکده فنی و مهندسی، قزوین، ایران

2 دانشجوی کارشناسی ارشد، دانشگاه بین المللی امام خمینی)ره(، دانشکده فنی و مهندسی، قزو ین، ایران

چکیده

ترانسفورماتور از اجزای کلیدی و گران قیمت شبکه قدرت می‌باشد. اهمیت بهره‌برداری صحیح از آن به حدی است که تامین برق پایدار برای مصرف کننده و افزایش قابلیت اطمینان شبکه قدرت بدون سلامت ترانسفورماتور میسر نیست. لازمه سلامت ترانسفورماتورها، برنامه‌ریزی دقیق برای آن‌هاست. یکی از مواردی که باید به‌ منظور بهره‌برداری درست از ترانسفورماتور محاسبه شود، دمای نقطه داغ آن است. امروزه ترانسفورماتورهای بسیار بزرگی ساخته شده که روش‌های خنک‌سازی مرسوم، برای آن‌ها کارآمد نیست. بنابراین باید از روش‌های جدیدتر و کارآمدتر برای خنک‌سازی بهره برد. یکی از روش‌هایی که کمتر مورد توجه مهندسان، طراحان و پژوهشگران قرار گرفته است، روش خنک سازی روغن اجباری- آب اجباری (OFWF) می‌باشد. این روش خنک‌سازی علی رغم کارایی بالا کمتر مورد توجه پژوهشگران قرار گرفته است. الگوریتم‌های فراابتکاری، علی‌رغم کارایی بالا و دقت و سرعت مناسب آن‌ها کمتر برای محاسبه نقطه داغ ترانسفورماتور مورد توجه پژوهشگران قرار گرفته است؛ بنابراین در این مقاله به منظور افزایش دقت تخمین دمای نقطه داغ ترانسفورماتور، از الگوریتم گرگ خاکستری استفاده می‌شود. این الگوریتم به دلیل ساختار آن حجم کمتری برای انجام محاسبات بهینه‌سازی نیاز دارد؛ همچنین این الگوریتم دارای سرعت و دقت مناسبی برای انجام محاسبات بهینه‌سازی است. از طرفی به منظور افزایش دقت تخمین دمای نقطه داغ ترانسفورماتور، از مدل دینامیکی محاسبه دمای نقطه داغ ترانسفورماتور استفاده می‌شود. نتایج از افزایش سرعت و دقت تخمین دمای نقطه داغ ترانسفورماتور به کمک الگوریتم گرگ خاکستری حکایت دارد. همچنین با توجه به نتایج استفاده از روش خنک‌سازی OFWF برای ترانسفورماتورهای بزرگ بسیار کاراست.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Transformer hot spot temperature estimation with OFWF cooling using grey wolf algorithm

نویسندگان [English]

  • Hadi Abbasi 1
  • Mohammad Ali Taghikhani 2
1 Faculty of Technical and Engineering, Imam Khomeini International University, Qazvin, Iran
2 Faculty of Technical and Engineering, Imam Khomeini International University, Qazvin, Iran
چکیده [English]

Transformers are one of the most important and expensive components of the power network. The importance of corect operation of transformer is such that sustainable electricity supply for the consumer and increasing the reliability of the power grid without transformer health is not possible. Transformer health requires careful planning for them. Transformer hot spot temperature(HST) needs to be calculated for accurate transformer planning. Today, very large transformers are made that conventional cooling methods are not efficient for them. Therefore, it is necessary to use newer and more efficient cooling methods. Oil forced - water forced (OFWF) cooling has been less considered from engineers, designers and researchers. This cooling method despite high efficiency has received less attention from researchers. The use of heuristic algorithms for transformer HST estimation, regardless of their high efficiency, accuracy and appropriate speed have been less considered by investigators, therefore in this paper, in order to increase the accuracy of the transformer HST estimation, the grey wolf optimization(GWO) algorithm is used. This algorithm requires less memory to perform optimization calculations, on the other hand has high run speed and accuracy for optimization. Moreover, in order to increase the accuracy of the transformer HST estimation, dynamic model is used. The results show that the GWO algorithm increases speed and accuracy of the transformer HST estimation. Furthermore, the results indicate that the OFWF cooling method is very efficient for large power transformers.

کلیدواژه‌ها [English]

  • Gray wolf Algorithm
  • Hot Spot
  • OFWF
  • Power transformer

مراجع

[1]  N Abu Bakar, A.Abu-Siada, “Fuzzy logic approach for transformer remnant life prediction and asset management decision”, IEEE Transactions on Dielectrics and Electrical Insulation, Vol. 23, no.5, pp. 3199 – 3208, 2016.
[2] M.R.Arian Nik , A.A.Razi Kazemi “Estimating the lifespan of oil transformers based on the degree of gilmration”, Tabriz Journal of Electrical Engineering,vol. 49, no. 3 ,2019.
[3] International Standard Loading Guide for Oil Immersed Power Transformer, IEC 354, 1991.
[4]  IEEE Guide for Loading Mineral-Oil-Imersed Transformer, IEEE Std C57.91, 1995.
[5] J.A. Jardini, “Power transformer temperature evaluation for overloading conditions”, IEEE Transactions on Power Delivery vol. 20,no. 1, pp. 179–184, 2005.
[6]  K.Ibrahim, R.M.Sharkawy, H.K.Temraz, M.M.A.Salama, “Reliability calculations based on an enhanced transformer life expectancy model”, Ain Shams Engineering Journal,vol. 13, no. 4, p. 101661, 2021.
[7]  M.Aslam, I.Haq, M.S.Rehan, F.Ali,  A.Basit,M.I.Khan, A.M.Arbab, ” Health Analysis of Transformer Winding Insulation Through Thermal Monitoring and Fast Fourier Transform (FFT) Power Spectrum”, IEEE Access, vol. 9, pp.11.4207_114217 ,2021.
[8]  A.A.Taheri, A.Abdali, A.Rabiee, “Indoor distribution transformers oil temperature prediction using new electro-thermal resistance model and normal cyclic overloading strategy: an experimental case study”, IET Generation, Transmission & Distribution, vol. 14, no. 24, pp. 5792-5803, 2020.
[9]  Sh.Taheri,A.Gholami,I.Fofana,H.Taheri” Modeling and simulation of transformer loading capability and hot spot temperature under harmonic conditions”, Electric Power Systems Research, vol. 86, pp. 68_75, 2012.
[10] A.Y.Arablu, I.Senol, “Development of a hot-spot temperature calculation method for the loss of life estimation of an ONAN distribution transformer”, Electrical Engineering, vol. 100, pp. 1651–1659, 2018.
[11] R.Duan, “Real-Time Hotspot Tracing and Model Analysis of a Distributed Optical Fiber Sensor Integrated Power Transformer”, IEEE Access, vol. 10, pp. 57242-57254, 2022.
[12] M. Hell, Recurrent nfn in thermal modeling of power transformers, IEEE Transactions on Power Delivery, vol. 22, pp. 904 – 910, 2007.
[13] M. Hell, Participatory learning in power transformers thermal modeling, IEEE Transactions on Power Delivery ,vol. 23, pp. 2058 – 2067, 2008.
[14] M.Zile, “Temperature analysis in power transformer windings using created artificial bee algorithm and computer program”, IEEE Access, vol. 7, pp. 60513-60521, 2019.
[15] N.C. Chereches, M. Chereches, L.Miron, S.Hudisteanu, “Numerical study of cooling solutions inside a power transformer”, Energy Procedia, vol. 112, pp. 314-321, 2017.
[16] F.Hamedi, H. Moghtaderi ‘‘Simulation and parametric analysis of the zigzag cooling path in disc transformer windings to investigate the design parameters affecting cooling conditions’’, Modares Mechanical Engineering , vol. 19, no 5, pp. 1177–1186,  2019.
[17]B.Suechoey, C.Boonseng, C.Chompooinwai, C.Chompoo-inwai, “Analysis of winding temperature and design of distribution transformer for improving short circuit withstand capability under renewable generations mixed environment”, International journal intelligent Energy& system, vol.11, no.6, pp.11-20, 2018.
[18] J.A. Jardini, , J.L.P. Brittes, L.C. Magrini, M.A.Bini, and J.Yasuoka, “Power transformer temperature evaluation for overloading conditions”, IEEE Transactions on Power Delivery, vol. 20, no. 1, pp.179-184, 2005.
[19] Gouda OE, Amer GM, Salem WAA. Predicting transformer temperature rise and loss of life in the presence of harmonic load currents. Ain Shams Eng J (ASEJ), vol. 3, no. 2, pp. 113–121, 2012.
[20] T. Dao and B. T. Phung, ‘‘A study of hot-spot localization in distribution transformers,’’ in Proc. 1st Int. Conf. Electr. Mater. Power Equip. (ICEMPE), pp. 36–40, 2017.
[21] R.Duan,” Real-Time Hotspot Tracing and Model Analysis of a Distributed Optical Fiber Sensor Integrated Power Transformer”, IEEE Access, vol. 10, 2022.
[22] Y.Zhang, X.Wei , X.Fan, K.Wang, R.Zhou, W.Jang, Sh.liang, J.Hao, J.lio “A Prediction Model of Hot Spot Temperaturefor Split-Windings Traction Transformer Considering the Load Characteristics”, IEEE Access, vol. 9, 2021.
[23] J. Liu, X. Fan, Y. Zhang, H. Zheng, and J. Jiao, ‘‘Temperature correction to dielectric modulus and activation energy prediction of oil-immersed cellulose insulation,’’ IEEE Trans. Dielectr. Electr. Insul., vol. 27, no. 3, pp. 956–963, 2020.
[24] J. Liu, H. Zhang, X. Fan, Y. Zhang, and C. Zhang, ‘‘Aging evaluation for transformer oil-immersed cellulose insulation by using frequency dependent dielectric modulus technique,’’ Cellulose, vol. 4, pp. 1–15, 2021,
[25] Z.Radakovic , A.Popovic “Variation of Steady-State Thermal Characteristics of Transformers with OFWF Cooling in Service”, Electric Power Components and Systems, pp. 817- 829, 2003.
[26] M.Aslam, I.U.Haq,M.S.Rehan, A.Basit,M.Arife, M.A.Khan, M.Sadiq, M.N.Arbab” Dynamic Thermal Model For Power Transfomer ”IEEE Access, vol. 9, pp. 71461_71470, 2021.
[27] S.A.Mirjalili,S.M.Mirjalili,” Grey Wolf Optimizer”, Advances in Engineering Software, vol. 69, PP. 46-61, 2014.
 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار