Samenvatting

Stedin streeft als netbeheerder naar een betrouwbare dienstverlening tegen minimale kosten. Vermogenstransformatoren spelen hierbij een cruciale rol. Een veel gebruikte manier om de toestand van de vermogenstransformatoren te monitoren is de Dissolved Gas Analysis (DGA) op een oliemonster. De DGA-resultaten worden door een extern bedrijf geanalyseerd. Door de DGA-resultaten zelf ook te gaan analyseren, wil Stedin meer leren over de toestand van de vermogenstransformator en eerder inzicht krijgen in mogelijke fouten in de vermogenstransformator. Aan de hand van de volgende onderzoeksvraag is onderzocht hoe deze behoefte van Stedin gerealiseerd kan worden:

Op welke wijze kan aan de hand van een DGA-methode een model worden ontwikkeld om de mate van beschikbaarheid van vermogenstransformatoren te voorspellen voor de nabije toekomst?

Om tot een antwoord te komen op deze vraag zijn verschillende DGA-methodes met elkaar vergeleken. In het verlengde daarvan zijn wiskundige modellen onderzocht die gericht zijn op het voorspellen van fouten in vermogenstransformatoren. De resultaten uit dit onderzoek zijn gebruikt om een model te ontwikkelen die de DGA-resultaten inzichtelijker maakt en die Stedin de mogelijkheid biedt eerder actie te ondernemen op basis van vermoedens van toekomstige fouten. Dit model is weergegeven in een dashboard ontwikkeld met de programmeertaal R.

DGA-methodes
Tien veel gebruikte DGA-methodes zijn omschreven en onderzocht. Op basis van vergelijkende onderzoeken is gekozen om met de verschillende Duval methodieken verder te werken. De Duval methodieken kent Triangles en Pentagons. In de Triangles worden drie in de olie aanwezige gassen onderzocht en op basis van de verhoudingen van deze gassen ten opzichte van elkaar wordt bepaald, mits een van de grenswaardes overschreden is, welke fout aanwezig is in de vermogenstransformator. Bij de Pentagons gebeurt dit aan de hand van vijf gassen.

Wiskundige modellen
Op basis van verschillende criteria zijn vier wiskundige modellen uit de literatuur onderzocht. Een van deze modellen zorgt door middel van bootstrapping voor een grotere en gelijkmatig verdeelde dataset waarin alle foutsoorten vertegenwoordigd zijn. Vervolgens wordt Genetic Programming toegepast om verschillende formules op te stellen, met vijf gasratio’s als invoer, waarvan de uitvoer gebruikt kan worden om onderscheid te maken tussen de verschillende foutsoorten. De uitkomsten van deze formules worden geclassificeerd met het K-Nearest Neighbor (KNN) algoritme. Het beschreven wiskundige model voorspelt op deze manier de aanwezige fout in een vermogenstransformator.

Model en conclusie
Het beschreven wiskundige model was niet te realiseren voor de beschikbare data binnen Stedin. Het uiteindelijke model bepaalt de fout aan de hand van de Duval methodieken. Daarnaast worden de gemiddelde maandelijkse toenames berekend en bij een toename van 10% of meer worden de Duval methodieken uitgerekend voor de toename tussen twee DGA-metingen van een vermogenstransformator. Het dashboard bevat de uitkomsten van het model en visualisaties van de Duval methodieken. Aan de hand van deze informatie kan Stedin meer leren over de toestand van de vermogenstransformator en eerder inzicht krijgen in de fouten.

Aanbevelingen
Uitgaande van de huidige situatie is het voor Stedin mogelijk om in de toekomst nog meer inzicht te krijgen in de mate van beschikbaarheid van vermogenstransformatoren. Om dit voor elkaar te krijgen moet Stedin de data verbeteren en de daadwerkelijke fout in een vermogenstransformator door een expert laten vaststellen. Met deze informatie kunnen wiskundige modellen ontwikkeld en getest worden.