1. PENDAHULUAN
Selama beberapa tahun terakhir, Departemen A.S. Energi (DOE) telah menghabiskan banyak
upaya dalam penelitian dan pengembangan Plug-in Hybrid Electric Vehicle (PHEV) teknologi,
karena potensi perpindahan bahan bakar menawarkan teknologi. R & D PHEV DOE Plan [US
DOE, 2007], yang diluncurkan dengan tujuan mengurangi ketergantungan pada minyak asing
dengan melakukan diversifikasi sumber bahan bakar mobil, menjelaskan perbedaannya kegiatan
yang diperlukan untuk mencapai tujuannya. DOE akan melakukannya gunakan Argonne
National Laboratory (Argonne’s) Perangkat Analisis Sistem Powertrain (PSAT) untuk memandu
kegiatan analisis, yang menyatakan bahwa "PSAT Argonne akan menjadi digunakan untuk
merancang dan mengevaluasi serangkaian PHEV dengan beragam Rentang 'listrik primer',
mempertimbangkan semua listrik dan strategi penagihan biaya ”. PSAT [Argonne National
Laboratory, 2008; Rousseau, 2004] dirancang untuk berfungsi sebagai alat tunggal yang bisa
digunakan untuk memenuhi persyaratan teknik otomotif sepanjang proses pengembangan, dari
pemodelan kontrol. Salah satu ciri terpenting PSAT adalah bahwa itu adalah model berwawasan
ke depan - itu adalah PSAT memungkinkan pengguna untuk memodelkan kondisi dunia nyata
dengan menggunakan perintah nyata. Untuk alasan ini, PSAT disebut a model berbasis perintah
atau driver-driven. Ditulis dalam Matlab / Simulink / Stateflow [Mathworks, 2005], perangkat
lunak memungkinkan simulasi berbagai kendaraan aplikasi, termasuk light- (dua dan empat-
wheeldrive), kendaraan menengah, dan tugas berat.
Pada tahun 2004, PSAT, alat simulasi kendaraan utama untuk mendukung Kantor Efisiensi
Energi dan Terbarukan DOE Energi (EERE) FreedomCAR dan Teknologi Kendaraan Program
[US DOE, 2004], menerima R & D100 Penghargaan, yang menyoroti 100 produk dan teknologi
terbaik baru tersedia untuk penggunaan komersial dari semua seluruh dunia. Salah satu hasil
utama dari analisis kendaraan adalah untuk menentukan sasaran dan persyaratan kinerja
komponen untuk Litbang / permohonan. PSAT telah digunakan untuk mengatur target teknis
baterai [Rousseau, 2007; Pengikut, 2007], yang digunakan untuk mengembangkan United States
Advanced Battery Consortium (USABC) Permintaan PHEV untuk Proposal [USABC, 2007].
Selain parameter yang memengaruhi strategi kontrol (seperti status baterai). Mengisi atau
mengarahkan siklus) dari HEVs, beberapa penelitian miliki menunjukkan dampak jarak
mengemudi pada perpindahan bahan bakar untuk PHEVs [Karbowski, 2006]. Tambahan ini
parameter membuatnya lebih sulit untuk menyetel parameter yang meminimalkan konsumsi
bahan bakar secara manual. Dengan demikian, diperlukan algoritma optimasi otomatis mencari
parameter optimal. Banyak algoritma optimisasi tersedia, dan mereka dapat dikategorikan dalam
berbagai cara; sebagai contoh, ada algoritma optimasi lokal versus global algoritma optimasi,
optimasi deterministik Algoritma versus algoritma optimasi stokastik atau algoritma berbasis
gradien versus turunan- algoritma gratis. Membuat pilihan yang tepat dari suatu algoritma
optimasi untuk aplikasi hybrid desain powertrain tidak jelas. Dalam tulisan ini, LANGSUNG
(untuk DIvided RECTangles) telah algoritma dipilih berdasarkan pekerjaan sebelumnya yang
dilakukan oleh University of Michigan [Whitehead, 2001].Makalah ini akan fokus pada
optimalisasi parameter dari PHEV paralel pra-transmisi dengan 10 mil Semua Rentang Listrik
(AER). Setelah menggambarkan kendaraan dan logika strategi kontrolnya, kami akan
mengevaluasi dampaknya dari siklus drive dan jarak beberapa parameter utama kontrol.
2. DESKRIPSI KENDARAAN
Kelas kendaraan yang digunakan untuk simulasi adalah menengah SUV, karena platform ini
digunakan untuk mendefinisikan USABC persyaratan baterai jangka pendek. Komponen yang
dipilih, ditunjukkan pada Tabel 1, adalah yang telah diimplementasikan di Otomotif Lanjutan
Seluler Argonne Diuji (MATT). MATT adalah sasis yang berputar mengevaluasi teknologi
komponen dalam konteks sistem kendaraan. Strategi kontrol dikembangkan berdasarkan hasil
optimasi pada akhirnya akan diimplementasikan dan diuji pada perangkat keras. Dalam
penelitian ini, persamaan baterai diturunkan untuk menghitung impedansi baterai kendaraan
hibrida plug-in.Mengembangkan persamaan untuk mengekspresikan baterai resistensi baterai
PHEV lebih kompleks daripada pengembangan mereka untuk kendaraan hybrid standar karena
baterai plug-in dapat diisi dan dikosongkan selama operasi kendaraan untuk periode yang
berlangsung beberapa menit. Idealnya, persamaan harus dapat mereproduksi kurva tegangan
diukur untuk debit lengkap dan mengisi daya pada arus konstan, serta daya tahan baterai dalam
kondisi arus yang berubah dengan cepat. Data arus dan tegangan yang diambil di Argonne
tersedia untuk sel yang dibuat oleh SAFT, Inc. Data untuk sel diukur di Argonne adalah untuk
debit 3 jam di arus konstan dan untuk Karakterisasi Daya Pulsa Hibrid (HPPC) tes [Shidore,
2006]. Data-data ini adalah cocok dengan model simulasi elektronik dengan dua konstanta waktu
(Gambar 1) dari formulir: 1 2 0 1 2 L p p hal L L L OCV V I I R R R AKU AKU AKU
(1) Dalam hubungan ini, OCV dan VL adalah sirkuit terbuka dan masing-masing memuat
voltase; R0, Rp1, dan Rp2 adalah resistensi ohmik dan impedansi polarisasi; dan Ip1 / IL dan Ip2
/ IL adalah rasio dari arus polarisasi ke arus beban. Arus polarisasi ditentukan dengan integrasi
persamaan dI p (IL I p) dt (2) untuk masing-masing impedansi polarisasi, di mana τ1 dan
τ2 adalah konstanta waktu, seperti dalam penelitian sebelumnya yang juga digunakan dua
impedansi polarisasi dan dalam PNGV DOE Model Parameter Benjolan, yang merupakan model
serupa dengan satu impedansi polarisasi. Parameter dalam persamaan (OCV, R0, Rp1, Rp2)
dipilih untuk mencocokkan data yang diukur untuk debit 3-jam dan HPPC data untuk seluruh
rentang pembuangan, dan parameter ini disajikan dalam bentuk tabel pencarian dengan nilai dari
0% hingga 100% status biaya 10% Interval (τ1 dan τ2 dipertahankan konstan pada
keseluruhannya) melepaskan). Seperti yang ditunjukkan pada Gambar 2, konfigurasi yang dipilih
adalah a hybrid paralel pra-transmisi, yang sangat mirip untuk yang digunakan dalam
DaimlerChrysler Sprinter Van [Graham, 2005].
3. ALGORITMA STRATEGI PENGENDALIAN Strategi kontrol dapat dipisahkan menjadi dua
yang berbeda mode, seperti yang ditunjukkan pada Gambar 3: • Mode Mengisi Daya (CD):
Operasi kendaraan aktif penggerak listrik, subsistem mesin atau keduanya dengan a penurunan
bersih status baterai-of-charge. • Mode Pengisian Daya (CS): Operasi kendaraan aktif penggerak
listrik, subsistem mesin atau keduanya dengan Status baterai 'konstan' (dalam keadaan sempit)
kisaran), yang mirip dengan yang ada di HEV itu sedang dalam produksi saat ini.Bagian penting
pertama dari logika strategi kontrol terkait ke logika ON / OFF mesin. Seperti Gambar 4
menunjukkan, engine ON logic didasarkan pada tiga kondisi utama:
torsi roda.Selain parameter ini, logika tambahan juga disertakan untuk memastikan kualitas drive
yang tepat dengan mempertahankan engine ON atau OFF selama durasi tertentu. Tambahan,
untuk menghindari terjadinya engine ON yang tidak diinginkan akibatnya dari lonjakan
permintaan daya, daya yang diminta miliki berada di atas ambang batas untuk durasi yang
ditentukan sebelumnya. Itu Kondisi logika engine OFF mirip dengan kondisi engine DI. Kedua
ambang daya digunakan untuk memulai atau mematikan mesin serta menentukan durasi
minimum dari setiap peristiwa telah dipilih sebagai parameter input dari masalah optimasi.Untuk
dapat mengatur baterai SOC, terutama selama mode pengisian daya, permintaan daya itu
digunakan untuk menentukan logika ON / OFF mesin adalah jumlah daya yang diminta di
kemudi plus tambahan kekuatan yang tergantung pada SOC baterai. Kekuatan ini dapat positif
atau negatif tergantung pada nilai SOC saat ini dibandingkan dengan target. Gambar 5
menunjukkan berbagai parameter yang digunakan untuk mendefinisikan kekuatan tambahan
untuk mengatur SOC secara lebih rinci.Target SOC telah ditetapkan saat kendaraan berada
dianggap memasuki mode penahan biaya (30% SOC). Ess_percent_pwr_discharged dan dan
ess_percent_pwr_charged telah dipilih sebagai input parameter untuk masalah optimasi.Dalam
mode hanya listrik, kendaraan didorong oleh mesin listrik. Ketika mesin HIDUP, itu
dioperasikan dekat dengan kurva efisiensi terbaiknya, tergantung pada kendaraannya permintaan
daya dan status SOC baterai. Meja 2 merangkum parameter kontrol yang dipilih yang digunakan
sebagai bagian dari proses optimasi.
Ekonomi bahan bakar plug-in HEV tergantung pada banyak hal parameter desain seperti ukuran
komponen dan kontrol parameter strategi. Di sini, algoritma optimisasi global, DIRECT [Jones,
2001], digunakan untuk mencari parameter strategi kontrol yang optimal. Algoritma
mengoptimalkan penghematan bahan bakar, dan telah dilakukan pada dua siklus mengemudi,
Urban Driving Dynamometer Jadwal Mengemudi (UDDS) dan jalan raya drive cycle (HWFET).
Untuk menilai dampak jarak, setiap siklus telah diulang 2, 4, 6 dan 8 kali. 4.1 Nilai kontrol
parameter Beberapa parameter memiliki dampak yang lebih tinggi daripada yang lainnya pada
hasil dari hasil. Berdasarkan korelasinya koefisien antara input dan penghematan bahan bakar
nilai, parameter dengan dampak tertinggi adalah ambang batas daya untuk menghidupkan mesin
(eng_pwr_wh_above_turn_on) dan waktu mesin dipertahankan ON (eng_time_min_stay_on).
Sebaliknya, mereka yang berdampak paling rendah adalah ambang batas daya untuk matikan
mesin (eng_pwr_wh_above_turn_on) dan persentase daya pengisian baterai maksimum pada
SOC rendah (ess_percent_pwr_charged). Untuk menyederhanakan analisis, hanya siklus
penggerak UDDS yang akan dipertimbangkan dalam paragraf berikut. Tabel 4 menunjukkan
hasil optimisasi standar UDDS siklus berkendara. Seperti yang ditunjukkan tabel, keduanya
merupakan ambang daya terkait dengan mesin cenderung menurun dengan meningkatnya jarak.
Hasil ini dapat dijelaskan oleh fakta bahwa mesin harus dihidupkan lebih sering lebih lama jarak
dari yang lebih pendek. Gambar 6 menunjukkan saat itu, membandingkan tenaga mesin pada
UDDS ketika siklus diulang 2 dan 8 kali. Bahkan jika mesin digunakan pada kondisi operasi
yang serupa (mis., efisiensi cukup konstan sekitar 32%, terlepas dari jarak), ternyata AKTIF
lebih jarang selama jarak pendek siklus (2,2% pada UDDS * 2 vs 11,6% pada UDDS * 8 selama
siklus pertama). Untuk menilai dampak dari parameter, kami akan melakukannya pertimbangkan
berbagai opsi: • Jarak yang sama, parameter yang berbeda. • Parameter yang sama, jarak yang
berbeda. • Parameter yang sama, siklus yang berbeda. 4.2 Pengaruh berbagai parameter pada
jarak Untuk mengevaluasi dampak parameter pada bahan bakar Secara ekonomi, perjalanan yang
sama dijalankan dengan parameter yang dioptimalkan dari jarak siklus penggerak yang berbeda.
Misalnya, Gambar 7 menunjukkan kendaraan yang disimulasikan pada 2 UDDS (total jarak 23,7
km) dengan nilai parameter dioptimalkan untuk siklus penggerak 2, 4, 6 dan 8 UDDS. Itu rasio
sehubungan dengan hasil 2xUDDS. Gambar 7 menunjukkan bahwa, untuk jarak pendek (23,7
km), ada adalah perbedaan yang signifikan dalam konsumsi bahan bakar antara set parameter
yang diperoleh untuk 2 UDDS dan yang lainnya. Semakin lama jarak untuk mengoptimalkan,
semakin sedikit
berbeda- Gbr. 6 Tenaga mesin untuk 2 dan 8 UDDS Gbr. 7 Konsumsi bahan bakar dan rasio
energi baterai pada 2 * UDDS Jika ada konsumsi bahan bakar. Gambar 8 memperkuat titik ini
dengan menunjukkan informasi yang sama selama 6 berturut-turut Siklus penggerak UDDS.
Selain itu, bedanya antara nilai parameter yang dihasilkan untuk 2 UDDS adalah tidak seketat
itu. Hasil yang dihasilkan untuk 4 dan 8 UDDS mirip dengan hasil untuk 6 UDDS. Atas dasar
informasi di atas, setidaknya dua set parameter harus digunakan untuk mengontrol kendaraan:
satu set untuk jarak pendek dan satu untuk jarak jauh. Namun, pendekatan ini hanya berlaku
ketika satu tahu jarak perjalanan di muka. 4.3 Pengaruh jarak yang berbeda pada parameter
Untuk mengevaluasi dampak jarak siklus penggerak pada ekonomi bahan bakar, perjalanan yang
berbeda dijalankan dengan masing-masing mengatur parameter optimal. Gambar 11
menunjukkan kendaraan disimulasikan pada 2, 4, 6 dan 8 UDDS menggunakan parameter nilai
dioptimalkan untuk 2 UDDS. Gambar 9 menunjukkan konsumsi bahan bakar dan energi baterai
rasio untuk beberapa jarak (2, 4, 6, dan 8 UDDS) berbasis pada parameter optimal yang
ditetapkan untuk 2 UDDS. Satu pemberitahuan rasio hampir 4 untuk peningkatan jarak. Ini nilai
jauh lebih tinggi daripada yang dihasilkan dengan optimal parameter yang ditentukan untuk 6
UDDS seperti yang ditunjukkan pada Gambar 10. Perilaku ini sama ketika mempertimbangkan 4
dan 8 UDDS. Gambar 9 dan 10 menunjukkan bahwa mengoptimalkan untuk jangka pendek jarak
tetapi mengemudi lebih lama menyebabkan kerugian lebih tinggi di hemat bahan bakar daripada
mengoptimalkan untuk jarak yang lebih jauh dan mengendarai yang lebih pendek. 4.4 Pemilihan
set parameter tunggal terbaik Untuk memilih satu set parameter, kami mempertimbangkan rata-
rata serta penyebaran ekonomi bahan bakar dari dua sudut pandang yang berbeda: • Jarak yang
sama dengan parameter yang dioptimalkan untuk berbeda yang (2, 4, 6 dan 8 UDDS). • Jarak
berbeda dengan parameter dioptimalkan aktif .
Ringkasan Jurnal 3
1. Pendahuluan
2. Percobaan
LDPE tipis dengan ketebalan 80180 μm dibuat dengan mengompresi blok LDPE dalam cetakan
baja bidang (selesai cermin) di ∼135 ° C. Pengukuran muatan ruang dilakukan menggunakan
pulsa Metode electroacoustic (PEA) [23]. Selama pengukuran, film diapit oleh elektroda
semikonduktor dan elektroda aluminium. Tegangan DC negatif diterapkan ke semicon-elektroda
membangun medan listrik 21 kV / mm, 60 kV / mm dan 72 kV / mm tiga sampel. Pengukuran
dilakukan selama maksimal 260 menit jika quasi-equilibrium dalam respons muatan ruang tidak
tercapai. Itu analisis dinamika muatan ruang dilakukan berdasarkan rasio dua biaya antarmuka
seperti yang diperkenalkan pada [24]. 3. Pertumbuhan pohon AC murni Sebelum mengeksplorasi
dampak biasing DC, sekelompok benchmark tes pertama kali dilakukan untuk membangun fitur
pohon di bawah yang berbeda Tegangan AC. Tiga jenis pohon diamati tumbuh di bawah AC
besarnya tegangan 10 kV, 12 kV dan 15 kV. Bentuk pohon dibandingkan pada Gambar. 4
sementara debit nyata QIEC diukur selama pohon pertumbuhan diberikan pada Gambar. 5.
Cabang dan pohon semak dikembangkan dengan meningkatnya PD besarnya masing-masing di
bawah 12 kV dan 15 kV. Pada 10 kV, saluran pendek padat dari bentuk jarum pinus diamati
tumbuh saluran pohon utama dan besarnya debit, setelah 25 menit, jauh lebih kecil dari dua tes
lainnya. Dari keduanya
berspekulasi itu pohon listrik tumbuh pada 10 kV AC pada awalnya tidak melakukan tetapi
dikembangkan menjadi jenis konduksi antara 20 dan 25 menit pengujian, sedangkan cabang dan
pohon semak yang tumbuh di bawah 12 dan 15 kV adalah dari tipe tidak melakukan. 4. Inisiasi
pohon dan melakukan pertumbuhan pohon (10 KV AC ± 20 KV DC) 4.1. Proses penanaman
Gambar. 6 membandingkan waktu inisiasi pohon antara pohon yang tumbuh di bawah 10 kV AC
dengan dan tanpa ± 20 kV DC. Meskipun ada variasi yang diharapkan antara lima sampel di
masing-masing kelompok, penurunan yang signifikan pada waktu inisiasi pohon, dengan 1-2
urutan besarnya, dapat ditemukan dalam 10 kV AC − tes 20 kV DC. Tes dengan DC negatif
memiliki rata-rata 8 detik, berbeda dengan 1400 detik dan 840 detik masing-masing untuk kasus
AC dan AC + DC. Pohon selanjutnya tumbuh dalam arah sumbu jarum, yang dikenal sebagai
panjang pohon L, ditunjukkan pada Gambar. 7, di mana panjang pohon (L) adalah dinormalisasi
dengan proporsi lintas dielektrik (LN). Pertumbuhan semua pohon menampilkan periode
perpanjangan cepat awal dari pohon L. R 800 400 0 0 500 1000 1500 2000 2500 R (m) Luas
Pohon (m2) (Sebuah) (c) (d) W (b) μ μ Gbr. 2. (a) Pengukuran panjang pohon L pada gambar
pohon (gambar ini buruk background sengaja dipilih sebagai contoh untuk menunjukkan
kemampuan pencitraan memproses gambar yang berisik). (B) gambar diproses secara digital
untuk binarisasi struktur pohon sebagai hasil yang ditunjukkan pada (c). (D) menunjukkan area
binarized struktur pohon sebagai fungsi jarak radial dari ujung jarum. 0 10 20 -2 -1 0 1 2 3
Tegangan (kV) 1 kV AC 1 kV AC + 2 kV DC 1 kV AC - 1 kV DC Waktu (ms) Gambar 3.
Nomenklatur bentuk gelombang tegangan. Gambar 4. Pohon listrik berkembang pada: (a) 10 kV
setelah 175 menit, (b) 12 kV dan (c) 15 kV setelah kerusakan pada 163 dan 87 menit masing-
masing. 0 30 60 90 120 150 180 0 100 200 300 400 500 600 12kV AC 15kV AC 10kV AC
Waktu (min) QIEC (pC) 0 20 40 60 QIEC (pC)
inisiasi selama 10-20 menit, diikuti dengan periode stagnasi puluhan menit, setelah itu tingkat
pertumbuhan yang cukup linier secara normal diikuti saat pohon berkembang melintasi sampel.
Panjang pohon di tahap stagnasi relatif konsisten dalam bias AC dan −DC menguji sekitar 15%
hingga 20% dari LN, sedangkan panjang pohon lebih banyak beragam dalam tes dengan + DC.
Pengamatan seperti itu diilustrasikan lebih lanjut dalam Gambar 8, yang membandingkan
panjang pohon pada 20 menit setelah awal, kapan sebagian besar pohon telah mencapai tahap
stagnasi. Uji dua sampel (pada tingkat signifikansi 5%) mendukung pernyataan bahwa pohon
rata-rata panjang tes bias −DC lebih kecil dari dua kelompok uji lainnya. Selain tingkat awal dan
pertumbuhan panjang, yang lain perbedaan utama potensial antara pohon adalah bentuknya.
Gambar pohon yang mandek setelah 20 menit pertumbuhan pohon ditunjukkan pada Gambar. 9a
– c. Pohon yang tumbuh di bawah tegangan bias + DC terdiri dari jumlah yang lebih besar
cabang-cabang pohon panjang, sedangkan pohon-pohon di AC dan −DC tes bias diperbanyak
sepanjang arah sumbu jarum dan memiliki bifurkasi lebih sedikit (mis. pohon lebih sempit dalam
kasus terakhir). Namun, bentuk pohonnya di tahap stagnasi tampaknya berdampak kecil pada
bentuk pohon dikembangkan selanjutnya seperti yang diilustrasikan pada Gambar. 9d – f yang
semuanya cukup serupa. Pohon yang sepenuhnya melintasi isolasi mungkin tidak langsung
mengarah kerusakan. Dua konsekuensi tes dibedakan pada Gambar. 10 dengan menggunakan
lingkaran padat untuk menunjukkan waktu untuk memecah dan melubangi lingkaran untuk
menunjukkan waktu pohon mencapai elektroda planar jika tidak ada kerusakan diikuti. Tidak ada
sampel yang rusak dalam tes AC dan semuanya sampel memiliki proses landasan untuk
memecah dalam + tes DC. Secara keseluruhan, berdasarkan uji-t dari kepercayaan 95%, tidak
ada perbedaan statistik dalam waktu yang dibutuhkan pohon untuk melewati isolasi setelah
inisiasi tiga kelompok uji pada Gambar. 10. Fitur pembeda utama antara ketiga kelompok itu
memiliki kelompok + DC: sedikit lebih rendah nilai rata-rata waktu pohon, pohon yang lebih
panjang pada periode stagnasi dan, kerusakan runaway dapat dipicu pada panjang pohon yang
lebih kecil sekitar 70–80% LN seperti terlihat pada Gambar. 7.4.2. Debit sebagian Besarnya PD
selama pertumbuhan pohon di bawah tiga tegangan kondisi dibandingkan pada Gambar. 11a
menggunakan contoh yang representatif dari masing-masing kelompok (yang bentuk pohonnya
telah diilustrasikan pada Gambar. 9). Untuk kenyamanan, kurva pertumbuhan pohon yang sesuai
diberikan dalam Gambar 11b. Secara umum, besaran PD lebih besar dalam tes + DC. Bahkan
dengan tegangan DC, besaran debit tinggi hanya terdeteksi selama pertumbuhan pohon awal
sekitar 20 menit hingga 30 menit. Setelah itu, PD besarnya turun menjadi hanya beberapa pC
pada akhir stagnasi periode dan setelah itu mempertahankan level PD rendah selama mayoritas
pertumbuhan pohon. Peningkatan besar dalam besaran PD dapat ditemukan landasan pacu pada
+ tes DC.Sebagaimana diuraikan dalam Bagian 3, implikasi pengukuran pada PD adalah bahwa
pohon-pohon awalnya mengisolasi.
Ringkasan Jurnal 4
1. Pendahuluan
lebih dari 40 tahun. Salah satu alasannya adalah karena komponen aktif
menekankan. Namun, dalam studi kasus kami tingkat kegagalan lebih dari dua kali lipat
nilai yang dilaporkan oleh survei CIGRE ke-3 tahun 2007 telah diamati
[1]. Studi kasus terdiri dari 631 CB-bay 500 kV dan 150 kV GIS
pulau-pulau di Indonesia.
GIS, terutama untuk instalasi di luar ruangan. Korosi pada sambungan enklosur
studi kasus.
sebagian besar dari spacer, yang menciptakan kelembaban dalam gas isolasi di
gagal
Dalam GIS, ada dua wilayah sistem insulasi yang harus dipertimbangkan
bahan isolasi atau konduktif, dan (2) bagian dalam benda padat
bahan isolasi. Semua kegagalan dielektrik yang ditemukan dalam studi kasus adalah
Gambar. 1. CDF kelembaban dalam penutup CB (a) dan Non-CB (b) dari 4 berbeda
batas kadar air dari pabrikan A dan IEEE [3] dan IEC [4]
juga diberikan dalam grafik dengan asumsi tekanan gas di kompartemen CB dan non-CB,
mengandung banyak kelembaban yang diserap. Sosok yang sama juga menunjukkan
• Dengan membandingkan garis-garis pada Gambar 1.a dan b dari produsen yang sama,
batas dari IEEE dan IEC. Hanya sebagian kecil untuk nilai A
di luar batas pabrikannya.
secara teratur serta jumlah SF6 untuk isi ulang, sebelum perbaikan
dengan suara lain dan penutup yang identik (dengan bentuk yang sama,
batas kadar air dari pabrikan A dan IEEE [3] dan IEC [4]
juga diberikan dalam grafik dengan asumsi tekanan gas di kompartemen CB dan non-CB,
Gambar 2. Ilustrasi antara gas isolasi kering (gambar a) dan lembab (gambar b)
GIS.
A.P. Purnomoadi, et al. Tenaga Listrik dan Sistem Energi 116 (2020) 105559
kelembaban (mis., kelembaban dalam bentuk gas) secara hipotetis tidak akan
kondisi tertentu, uap air dapat berubah menjadi air atau es. Air
tetesan pada permukaan isolator akan meningkatkan medan listrik di banyak lokasi
kekuatan.
4. Pengaturan percobaan
dua elektroda yang terbuat dari stainless steel di dalam ruang kecil dan
diisi dengan campuran SF6 dan H2O (lihat Gambar 3). Volume gas
dalam bejana adalah 60 ml.
epoksi dekat dengan elektroda sehingga medan listrik yang sangat tinggi muncul