2014 1 Konferensi Internasional tentang Teknologi Informasi, Komputer dan Teknik Elektro (lCITACEE)

Transformer pemantauan menggunakan arus harmonik berdasarkan

transformasi wavelet dan probabilistik jaringan saraf (PNN)
Imam Wahyudi F., Wisnu Kuntjoro Adi, Ardyono Priyadi, Margo Pujiantara, Mauridhi Hery P. Jurusan Teknik Elektro Institut
Teknologi Sepuluh Nopember (ITS) Surabaya, Indonesia email: wahyu073@gmail.com

Abstrak Hari ini, pemantauan Transformer sangat dibutuhkan. Ini berasal dari kenyataan
bahwaIndonesia Perusahaan Listrik tidak bisa mengetahui kondisi trafoyang dipasang.
Transformator dikenal rusak setelah sesuatu terjadi dengan trafo.Perusahaan listrik Indonesia
melakukan beberapa perawatan untuk transformator, tetapi perawatan ini hanya untuk
memeriksa transformator bekerja dengan baik atau tidak. Perusahaan listrik Indonesia tidak bisa
memeriksa berapa lama trafo akan bekerja dengan baik, berapa usia transformatordan bagaimana
kondisitrafo. minyak Pemantauan tanpa langsung menyentuh transformator adalah metode baru.
Metode ini juga dapat diterapkan hanya dengan perusahaan listrik Indonesia. Untuk memantau
trafotanpa menyentuh langsung diperlukan panjang dan penelitianterus menerus. Klasifikasi usia
berdasarkan transformator arus harmonik adalah salah satu cara untuk memantau trafotanpa
menyentuhnya. Arus harmonik disaring menggunakan transformasi wavelet dan hasilnya akan
diklasifikasikan menggunakan PNN.
Kata kunci-Monitoring, sekarang Harmonic, wavelet,
PNN
I. PENDAHULUAN
Transformer kerusakan di PT PLN (Persero) APJ Mojokerto pada tahun 2011, sekitar 75%
disebabkan oleh kumparan primer yang rusak dan yang lainnya adalah kumparan sekunder.
Kerusakan yang disebabkan oleh hubungan pendek antara gulungan dengan tubuh transformator,
yang merupakan 72% dari itu disebabkan oleh penurunan minyak transformator isolasi.
Kerusakan ini sebagian besar disebabkan oleh lebih dari pemanasan, sehingga dapat membuat
oksidasi dari minyak transformator berakselerasi dengan cepat, minyak transformator dicampur
dengan oksigen dan air dari luar karena paket transformer tidak baik dan tekanan get minyak
karena lebih tegangan dielektrik sehingga minyak terbakar. Beberapa parameter menunjukkan
bahwa minyak transformator masih baik dan berdasarkan standar. Beberapa indikator adalah
warna minyak. Warnanya jelas dan tidak hitam / gelap, nilai tegangan rusaknya masih dalam
kisaran 30 sampai 40 kV, nilai kelembaban antara 10 dan 25 ppm, nilai tegangan antar muka
antara 22-28 mN / m dan resistivitas antara 0,2 untuk 3 GQ.m [1]. Keterbatasan peralatan uji
laboratorium membuat ini seluruh parameter tidak dapat diuji dan jumlah trafo distribusi tidak
terlalu rmany. Jadi, sangat sulit untuk melakukan menemukan transformator yang tepat
978-1-4799-6432-1114 / $ 31,00 © 20141EEE 419
dan masalah terakhir adalah biaya tinggi untuk mengambil beberapa data di Mojokerto ..
 Metode baru untuk mendeteksi dini transformator kerusakan dengan mengakui transformator
sirkuit pendek internal yang dengan parameter yang diambil dari terminal arus dan tegangan
transformator membentuk kedua sisi primer dan sekunder [2]. Karen L. Buler-Purry et al
menguji 1 fase transformator daya 25 kV A kering-jenis transformator, tegangan rating adalah
7200V / 240V / 120V dan frekuensi 60 Hz dengan beban yang bervariasi. Hal ini dapat
memperkirakan bahwa jika sebuah sirkuit pendek internal yang terjadi pada gulungan primer,
arus primer transformator akan meningkat, dengan kata lain semakin banyak lapisan yang
memiliki hubungan pendek ternyata arus primer menjadi lebih besar juga. Tapi tegangan
sekunder dan arus sekunder tidak berubah. Ketika terjadi kegagalan pada gulungan sekunder,
arus primer akan meningkat tergantung pada jumlah lapisan bergantian yang memiliki hubungan
pendek. Kelemahan dari metode ini adalah kurang berlaku di Indonesia karena mayoritas
minyak-jenis transformator di transformer immerset Indonesia, metode ini akan dikembangkan
dalam studi 3 phase power transformer 25 kV A dinilai tegangan 20000V / 400V 50 frekuensi
Hz. Berdasarkan parameter saat sisi terminal transformator utama dan sekunder, sirkuit pendek
disebabkan diselidiki oleh kondisi minyak trafo. Metode ini diharapkan untuk menyelidiki
kondisi kelayakan minyak trafo tanpa pengujian kualitas minyak di laboratorium sehingga dapat
dilaksanakan secara efektif dan efisien untuk semua trafo distribusi terletak di tanah yang
berjumlah ribuan keping
Untuk mengidentifikasi kejadian hubung singkat di minyak trafo harus diidentifikasi dengan
cepat dan akurat. Metode ini digunakan Neural Network (NN) untuk mengidentifikasi hubungan
pendek langsung [3]. Pemodelan transformator terhadap peristiwa korsleting dilakukan dengan
input-output pemetaan antara parameter transformator atau kesalahan informasi dengan tegangan
dan arus dari terminal. Wang H menggabungkan dua jenis
NN,
yang BPFN (kembali propagasi umpan-maju jaringan) dan
RBFN (radial jaringan fungsi dasar), metode yang cocok diterapkan dan dapat memperkirakan
secara akurat untuk fungsi pemetaan input-output antara parameter kesalahan pada transformator
dan tegangan dan terminal saat ini jika ada pelatihan di banyak kasus.
II.
TRANSFORMER KONDISI ASSESMENT DAN
KLASIFIKASI METODOLOGI
A. Transformasi Wavelet
Transformasi wavelet adalah metode untuk menguraikan sinyal input. Sinyal input
didekomposisi menjadi gelombang lain yang disebut gelombang wavelet. Kemampuan
transformasi wavelet adalah untuk menganalisis semua input data ke dalam waktu dan frekuensi
domain. Dalam transformasi wavelet, sinyal akan dikelompokkan ke dalam komponen frekuensi
yang berbeda. Setelah telah dikelompokkan, komponen frekuensi akan dianalisis sesuai dengan
tingkat dekomposisi. Proses analisis ini disebut proses penyaringan. Proses penyaringan, sinyal
akan disaring pada filter high pass dan low pass filter. Tujuan proses ini memisahkan frekuensi
tinggi dan komponen frekuensi rendah.
Wavelet transform dari pemrosesan sinyal, adalah metode untuk menguraikan sinyal input
yang diinginkan menjadi gelombang disebut lain wavelet. The transformasi wavelet, memiliki
kemampuan untuk menganalisis data dalam domain waktu dan domain frekuensi secara
bersamaan. Gambar di bawah ini menggambarkan sinyal wavelet dekomposisi.
CD Frekwensi Tinggi
500 koefisien DWT
1000titik
cA Frekwensi randah
500 koefisien DWT
Gambar. 1. proses dekomposisi Wavelet [6]
Analisis data pada transformasi wavelet, dilakukan oleh membusuk sinyal ke dalam
komponen frekuensi yang berbeda-beda. Selanjutnya, masing-masing komponen frekuensi dapat
dianalisis menurut skala resolusi atau tingkat dekomposisi. Hal ini seperti proses filtering,
dimana sinyal dalam domain waktu akan diteruskan ke Filter High Pass dan Low Pass Filter.
High Pass Filter dan Low Pass Filter digunakan untuk memisahkan komponen-komponen
frekuensi tinggi dan frekuensi rendah. Pada dasarnya, transformasi wavelet dapat dibagi menjadi
dua jenis, berdasarkan nilai dari parameter terjemahan dan pelebaran. Mereka disebut Lanjutkan
Wavelet Transform (CWT) dan Discrete Wavelet Transform (DWT). Lanjutkan transformasi
wavelet, ditentukan oleh nilai dari dilatasi dan translasi parameter yang bervariasi terus menerus,
yang a, b
€
R dan *
O. terus Wavelet Transform (CWT)
menganalisa sinyal menggunakan perubahan skala jendela yang sedang dianalisis, pergeseran
dari jendela dalam waktu, perkalian sinyal, dan proses integral dari semua komponen sepanjang
waktu [4].
Pelaksanaan Discrete transformasi wavelet (DWT) adalah lebih sederhana, dibandingkan
dengan melanjutkan transformasi wavelet (CWT). Yang prinsip dasarnya adalah bagaimana
mendapatkan waktu dan representasi skala sinyal, menggunakan teknik filtering dan
subsampling digital operasi. Diskrit pelaksanaan sinyal bisa dilihat pada rumus 1.1.
420)
B. Jenis wavelet
Ada nwnber dari fungsi dasar yang dapat digunakan sebagai ibu wavelet dalam transformasi
wavelet. Sejak ibu wavelet menghasilkan semua fungsi wavelet digunakan dalam transformasi
menggunakan terjemahan dan scaling, ibu wavelet menemukan karakteristik transformasi
wavelet diperoleh. Oleh karena itu, rincian aplikasi yang dikembangkan harus diambil untuk
memastikan bahwa ibu wavelet yang dipilih dapat membuat penggunaan efektif dari
transformasi wavelet.
C. PSD danenergi
Ekstraksifitur yang dihasilkan oleh algoritma wavelet digunakan sebagai masukan untuk
PNN. Tujuan dari ekstraksi fitur adalah untuk mempersiapkan input data. Jadi, PNN dapat
diproses sesuai dengan berbagai data dan perhitungan yang dibutuhkan oleh PNN. Ekstraksi
adalah proses penentuan nilai Dl, D2,
sampai D yang terkandung 50Hz sebagai frekuensi dasar. Di Dl ada energi dan nilai-nilai PSD
(daya kepadatan spektral). Nilai energi mewakili nilai minyak yang digunakan. Sedangkan nilai
PSD merupakan nilai dari kerusakan internal transformator. Untuk mendapatkan energi dan nilai
PSD digunakan persamaan:
D. Probabilistic neural network (PNN)
Probabilistic neural network (PNN) adalah salah satu jaringan saraf yang sering digunakan
untuk membuat klasifikasi data. PNN pertama kali dikembangkan oleh Donald F. Specht pada
tahun 1988. PNN termasuk dalam kelompok feedfoward pada jenis jaringan saraf. Dasar dari
PNN adalah jaringan Bayesian dan algoritma statistik bernama Kernel Fisher Discriminant
Analysis. Kegunaan aturan Bayes adalah klasifikasi data. Keputusan pembagian kelas
berdasarkan nilai jarak antara fungsi kepadatan dan peluang fitur vektor [4].
Umumnya, PNN memiliki tiga lapisan, antara lain (Haykin, 1998): a. Input layer
Lapisan ini merupakan lapisan masukan untuk metode PNN. Berikut akan disebut nilai beberapa
parameter yang akan digunakan untuk pelatihan. Setelah proses pelatihan, lapisan masukan akan
memanggil data lain untuk melakukan tes pada jaringan yang sudah terbentuk dari pelatihan
awal.
b. Lapisan tersembunyi
Lapisan ini adalah pengolahan data dari lapisan input. Dalam lapisan ini, PNN menemukan jarak
antara input dan bobot input data. Setelah itu, proses selanjutnya adalah proses dasar radial pada
nilai ini. Output dari lapisan tersembunyi adalah masukan ke lapisan output.
c. Output lapisan
Pada bagian ini, PNN akan membentuk nwnber biner untuk membuat keputusan tentang data
yang diolah dari lapisan tersembunyi untuk melakukan klasifikasi. Berikut adalah struktur PNN.
PNN memiliki 3 lapisan node. Gambar 2.8 menampilkan arsitektur untuk PNN yang
mengakui K = 2 kelas, tetapi dapat diperpanjang ke sejumlah kelas K. Masukan lapisan (di
sebelah kiri) mengandung N node, satu untuk masing-masing fitur masukan N yang
421
umumnya adalah vektor. Ada distribusi node cabang dari masing-masing fitur input simpul
untuk semua node pada lapisan tersembunyi (di tengah) sehingga setiap node tersembunyi
menerima vektor fitur input x benar. Node tersembunyi dikelompokkan. Satu kelompok adalah
untuk setiap kelas K seperti yang ditunjukkan pada Gambar 2.6.
Masukan Lapisan Tersembunyi Lapisan output layer
Gambar. 3. arsitektur PNN [4]
III. METODE PENGUJIAN UNTUK TRANSFORMER
MONITORING
A. data Pengukuran
Swns
Data yang digunakan, adalah data harmonik diukur pada transformator arus sekunder. Ada 4
jenis transformator yang digunakan. Mereka transformator dengan 0 tahun usia, transformator
dengan usia 1 tahun, transformator dengan 2 tahun dan yang terakhir adalah transformator
dengan 3 tahun. Transformer digunakan, memiliki kapasitas yang sama. Kapasitas trafo adalah
100 kV A. transformator ini adalah transformator 3-phase. Saat diukur pada setiap fase. Berikut
adalah skema akuisisi data pada transformator.
Tranformator 100 kVA
Daya Analyzer
Gambar. 4. Skema pengukuran Data
Setiap transformator diberi beban yang berbeda. Beban yang digunakan, adalah beban rumah
tangga dan beban industri. Perbedaan beban digunakan untuk menentukan karakteristik masing-
masing trafo. Karakteristik transformator dengan beban rumah tangga berbeda dengan beban
industri. Dari karakteristik ini juga dapat dipertimbangkan untuk membuat klasifikasi tingkat
minyak transformator. Tabel 1 menunjukkan pengambilan data di sisi sekunder transformator
100 kV A.
dari saat 4 transformator dengan tahun yang berbeda, saat ini akan didekomposisi menggunakan
transformasi wavelet. Wavelet tidak proses penyaringan untuk saat ini. Hasil penyaringan ini
adalah nilai-nilai PSD dan energi. Nilai energi yang diperoleh dari hasil penyaringan akan
dibandingkan antara satu dan lainnya. 0 tahun usia digunakan sebagai acuan untuk mengukur
nilai kehidupan transformator lainnya.
Metode B. Uji tingkat minyak transformator
Pada bagian ini, tingkat minyak transformator dapat diperkirakan dengan menggunakan
metode wavelet. Metode ini biasanya digunakan untuk menentukan lokasi kesalahan sirkuit
pendek pada peralatan listrik. Kesalahan hubung singkat dapat dilihat dengan menggunakan
transformasi wavelet. Transformasi wavelet dapat menyaring frekuensi tinggi dan frekuensi
rendah. Peristiwa arus pendek dapat ditemukan pada tingkat tertentu, setelah sinyal input telah
disaring. Pada frekuensi tinggi, sinyal akan menunjukkan kehadiran setiap nilai PSD dan nilai-
nilai energi yang berbeda dengan nilai-nilai fundamental. Nilai-nilai dasar yang sinyal frekuensi
tinggi yang dihasilkan dari peralatan yang tidak dalam kondisi sirkuit pendek. Nilai-nilai dasar
yang digunakan sebagai referensi.
Proses transformasi dimulai dengan membuat nilai absolut dari sinus masukan. Nilai absolut
digunakan untuk membuat fase negatif dari sinyal sinus menjadi fase positif. Proses transformasi
wavelet merupakan proses untuk memisahkan sinyal sinus yang terkandung kebisingan dengan
sinyal dasar. Jumlah sinyal input akan dikalikan dengan frekuensi dasar yang digunakan. Sinyal
input sudah pada domain yang positif akan dibagi menjadi dua.
Wavelet ini dapat membagi sinyal input dengan sangat detail. Nilai-nilai dari sinyal input
sudah di domain positif, akan dikonversi menjadi domain frekuensi. Nilai-nilai frekuensi domain
ini akan disaring menjadi dua. Mereka frekuensi tinggi dan frekuensi rendah. Nilai frekuensi
adalah nilai frekuensi dasar, yang telah dikalikan dengan jumlah sinyal input dan dibagi dua.
Hasil pembagian sinyal, ada dua nilai. Nilai yang digunakan adalah nilai frekuensi tinggi. Nilai
frekuensi tinggi dalam proses pertama merupakan nilai D 1.
Langkah selanjutnya adalah membagi dua nilai frekuensi tinggi lagi di Dl. Nilai frekuensi
tinggi dibagi untuk menentukan frekuensi D2. Nilai yang digunakan adalah sama dengan nilai D
1,
422
yang pada frekuensi tinggi dari Dl sinyal. Hasil D2 akan disaring lagi untuk membagi nilai D2.
Nilai frekuensi tinggi mengakibatkan, akan menjadi nilai D3. Dan Jadi sampai nilai frekuensi
dasar yang digunakan adalah 50Hz.
IV.
EKSPERIMEN HASIL
Hasil simulasi menggunakan wavelet menunjukkan ada peningkatan nilai energi dari
transformator usia 0 sampai 4 tahun. Nilai-nilai dibandingkan adalah nilai-nilai energi. Hasil
transformasi wavelet adalah perhitungan nilai energi dan nilai-nilai PSD.
Tabel 2 menunjukkan energi dan PSD diperoleh dari hasil simulasi menggunakan wavelet.
Wavelet yang digunakan adalah wavelet meyer. Meyer wavelet digunakan, karena beberapa
literatur menjelaskan bahwa wavelet meyer adalah yang terbaik yang digunakan untuk
pemantauan. Meyer wavelet memiliki bandpass filter dengan tajam frekuensi cut-off. Jadi,
dengan menggunakan wavelet meyer, sinyal frekuensi tinggi dapat diklasifikasikan dengan benar
3 Transformer menggunakan untuk (tahun)
Gambar. 5. Nilai Energi
Nilai energi pada angka 5 menunjukkan pola penurunan. Ini berarti bahwa ada perbedaan
energi di setiap tahun dari trafo. Usia lebih tua dari transformator maka energi yang terkandung
juga lebih kecil. Nilai energi yang ditampilkan pada hasil penyaringan menggunakan wavelet
pada bagian D8.
nilai-nilai PSD yang ditunjukkan pada gambar 6 adalah hasil dari penyaringan yang diperoleh
dari proses meyer wavelet. proses ini menyebabkan PSD kemungkinan akan meningkat. Hal ini
menunjukkan bahwa setiap tahun memiliki karakteristik sendiri. usia lebih tua dari transformator
maka nilai PSD lebih tinggi.
langkah terakhir setelah telah memperoleh PSD dan energi nilai-nilai, adalah proses
klasifikasi. proses klasifikasi digunakan untuk menciptakan PSD dan energi nilai-nilai
berdasarkan kelas-kelas tertentu. Kelas-kelas akan mewakili usia minyak trafo. Berikut adalah
hasil dari proses klasifikasi dilakukan dengan menggunakan PNN.
X
Future bekerja kami merencanakan mengembangkan lebih harmonis saat ini dan memprediksi
jenis beban.
PUSTAKA
[1] Liapis, I., Danikas, MG, "Sebuah studi parameter yang mempengaruhi penuaan minyak trafo
di trafo distribusi", IEEE Konferensi Internasional Dielektrik Cairan (lCDL), pp 1 -. 4, 2011. [2]
Butler-Purry, KL, Bagriyanik, M., Mousavi, Ml, Palmer-Buckle, P., "investigasi eksperimental
dari
104 6R --_
internalkesalahan sirkuit pendek yang mengarah ke perilaku baru jadi maju dan kegagalan
transformator distribusi", IEEE Power System Converence dan Pameran, vol. . 3, pp
5
1407 - 1416,2004. [3] Wang, H., Butler, KL, "pemodelan jaringan syaraf transformator distribusi
dengan sirkuit pendek internal yang berliku kesalahan", IEEE Power Engineering Masyarakat
Konferensi Internasional Industri Tenaga Aplications Komputer (Pica), pp 122 -. 127, 2001. [4]
Novita S., Yelanda, "Deteksi Stator Winding pendek 2
Circuit Pada Tiga Tahap motor Induksi Menggunakan Wavelet Transform Dan Daya Spectral
Density", JURNAL TEKNIK POMITS Vol. 1, No 1, hlm. 1-6,2013. [5] Burrus, C. Sidney,
Gopinath, Ramesh A., Guo, Haitao. "Pengantar wavelet dan Wavelet Mentransformasi: A ° O
-
Primer" . Prentice-Hall, New Jersey, 1998. PSD
[6] Jordim, C., Luis, R., "Patahan Detection di
Induksi Gambar. 7. klasifikasi transformator menggunakanPNN
MesinMenggunakan Daya Spectral Density di Wavelet dekomposisi", IEEE Trans. Pada
Electronics Industrial,
Gambar 7 menunjukkan kelas transformator menurut
vol. 55, tidak ada. 2, 2008.
usia operasi transformator. Ada empat kelas transformator yang telah dilakukan.
V.
KESIMPULANnilai saat diukur pada sisi sekunder transformator mengandung noise dalam
bentuk harmonik. Nilai harmonik tergantung pada beban trafo. Minyak tua atau usia
transformator, maka nilai kebisingan akan lebih tinggi. Metode wavelet dapat digunakan untuk
memisahkan sinyal menjadi dua sinyal. Mereka sinyal kebisingan dan sinyal fundamental.
Metode PNN dapat digunakan untuk klasifikasi masing-masing trasnformator.
423 The Penulis Penulis telah meminta meminta peningkatan peningkatan dari file
download-download. mengajukan. Semua Semua dalam-teks dalam teks referensi
referensi digarisbawahi digarisbawahi dengan warna biru biru yang menautkan terkait
dengan publikasi publikasi di ResearchGate. ResearchGate.