New approaches to help improving the interpretation of Frequency Response Analysis (FRA) in power transformers

Power transformers are one of the most expensive and critical equipment in power networks. The ever-growing energy demand and the increasing age of power transformers population have expanded the interest in this assets' condition monitoring. The electrical industry has been dealing with many transformers that have reached or even passed their designed lifespan. These circumstances can directly affect the reliability of the network operations. Meanwhile, continuous monitoring allows for preventive repairs, planned replacements and increases system reliability. Among the diverse monitoring and diagnostic techniques, Frequency Response Analysis (FRA) stands out as an important method widely used in the electric industry for condition assessment of the transformer's active part. FRA has demonstrated its sensitivity for detecting various mechanical and electrical failure modes. The method graphically compares the transfer functions of power transformers over a range of frequencies. The deviations from current and previous traces indicate electrical or mechanical changes inside the transformer. Even though the FRA technique has been well studied at the international level in various working groups of CIGRÉ, IEC, IEEE and Chinese Standard, the interpretation of deviations up until now needs experts' analysis. Ultimately, the FRA measurement procedure has been well standardized. However, the interpretation of results is still challenging and an interesting subject of study. The challenge of FRA interpretation lies in the complex structure and the design particularities of power transformers. One of the fundamental shortcomings of experimental investigations is the generation of fault modes in real transformers to collect data in different scenarios and study them. This is especially complex due to the destructive characteristics of the faults. Besides, the availability of data from practical faulty transformers is very scarce. Although there has been more and more FRA testing being conducted worldwide, most of this data is not available and most available data is not released in the literature. To face these challenges, this research has the investigation and advance of FRA interpretation methods as the primary objective. For this purpose, the main interpretation methods for FRA are considered: numerical indices, artificial intelligence algorithms, and high-frequency models. The numerical indices are studied based on their capacity to well quantify deformations in FRA traces. Different algorithms are evaluated over their performance to automatically detect and classify different fault modes, such as axial displacements, radial deformations and short-circuits. The influence of temperature in FRA traces and its effects on automatic classification algorithms are also explored. In addition, a Finite Element Method simulation is used to develop a high-frequency model aiming at the reproduction of FRA traces. The research is based on the use of a laboratory winding model. One of the model's main features is the non-destructive interchangeability of its winding sections. This characteristic allows the reproducibility and repeatability of frequency response measurements and the possibility to produce and investigate different mechanical and electrical faults by comparing them to the same reference. The numerical indices analysis indicated that comparative standard deviation produced good results for evaluating deformations on the winding model. This conclusion is based on the index monotonic behaviour, sensitivity, and linear increase with fault severity. Additionally, the study of different artificial intelligence algorithms (namely support vector machine learning, radial basis function neural networks and the statistical k-nearest neighbour method) are supportive and presented good accuracy when classifying winding faults and fault extents. The temperature influence in FRA traces was evaluated from −40 °C to 40 °C. The results show that if the temperature is not considered in the training dataset, the algorithm misclassifies healthy measurements as mechanical or electrical faults. Finally, numerical simulations based on the Finite Element method have reproduced FRA traces in good agreement with measured reference. Furthermore, once faults are introduced, and automatic classification algorithms evaluate the traces, the short-circuit faults have good classification scores, while axial displacements only present good classification at their highest extents. The findings presented in this research contribute to the advancement in FRA interpretation methods. These achievements help support the use of the proposed methods in machine learning algorithms and the generation of faulty frequency responses for classification. Les transformateurs de puissance sont l'un des équipements les plus coûteux et les plus critiques des réseaux électriques. La croissante constante de la demande d'énergie ainsi que l'âge croissant de la population de transformateurs de puissance ont accru l'intérêt pour la surveillance de l'état de ces actifs. L'industrie électrique a eu affaire à de nombreux transformateurs qui ont atteint ou même dépassé leur durée de vie prévue. Ces circonstances peuvent affecter directement la fiabilité des opérations du réseau. Pendant ce temps, la surveillance continue permet des réparations préventives, des remplacements planifiés et augmente la fiabilité du système. Parmi les diverses techniques de surveillance et de diagnostic, l'analyse de la réponse en fréquence (FRA) se distingue comme une méthode importante largement utilisée dans l'industrie électrique pour l'évaluation de l'état de la partie active du transformateur. FRA a démontré sa sensibilité pour détecter divers modes de défaillance mécanique et électrique. La méthode compare graphiquement les fonctions de transfert des transformateurs de puissance sur une gamme de fréquences. Les écarts par rapport aux traces réelles et précédentes indiquent des changements électriques ou mécaniques à l'intérieur du transformateur. Même si la technique FRA a été bien étudiée au niveau international dans divers groupes de travail du CIGRÉ, de l'IEC, de l’IEEE et de la norme chinoise, l'interprétation des écarts jusqu'à présent nécessite l'analyse d'experts. En fin de compte, la procédure de mesure FRA a été bien standardisée. Cependant, l'interprétation des résultats reste un défi et un sujet d'étude attrayant. Le défi de l'interprétation FRA réside dans la structure complexe et dans les particularités de conception des transformateurs de puissance. L'une des lacunes fondamentales des investigations expérimentales est la génération de modes de défaut dans des transformateurs réels pour collecter des données dans différents scénarios et les étudier. Ceci est particulièrement complexe en raison des caractéristiques destructrices des failles. En outre, la disponibilité de données provenant de transformateurs défectueux pratiques est très rare. Bien que de plus en plus de tests FRA soient effectués dans le monde, la plupart de ces données ne sont pas disponibles et la plupart des données disponibles ne sont pas en libre accès pour la publication. Pour faire face à ces défis, cette recherche a pour objectif principal l'investigation et l'avancement des méthodes d'interprétation FRA. À cette fin, les principales méthodes d'interprétation de FRA sont considérées : indices numériques, algorithmes d'intelligence artificielle et modèles de simulation haute fréquence. Les indices numériques sont étudiés en fonction de sa capacité à bien quantifier les déformations dans les traces FRA. Différents algorithmes sont évalués sur ses performances pour détecter et classer automatiquement différents modes de défaut, tels que les déplacements axiaux, les déformations radiales et les court-circuit. L'influence de la température dans les traces FRA et ses effets sur les algorithmes de classification automatique sont également explorés. Et enfin, une simulation par la méthode des éléments finis est utilisée pour développer un modèle de simulation haute fréquence visant la reproduction des traces FRA. La recherche est basée sur l'utilisation d'un modèle de bobinage de laboratoire. L'une des principales caractéristiques du modèle est l'interchangeabilité non destructive de ses sections d'enroulement. Cette caractéristique permet la reproductibilité et la répétabilité des mesures de réponse en fréquence et la possibilité de produire et d'étudier différents défauts mécaniques et électriques en les comparant à la même référence. L'analyse des indices numériques a indiqué que l'écart-type comparatif produisait de bons résultats pour l'évaluation des déformations sur le modèle d'enroulement. Cette conclusion est basée sur le comportement monotone de l'indice, la sensibilité et l'augmentation linéaire avec la sévérité du défaut. De plus, l'étude de différents algorithmes d'intelligence artificielle (à savoir l'apprentissage automatique à vecteurs de support, les réseaux de neurones à fonction de base radiale et la méthode statistique des k plus proches voisins) est favorable et présente une bonne précision lors de la classification des défauts d'enroulement et de l'étendue des défauts. L'influence de la température dans les traces FRA a été évaluée dans une plage de -40 °C à 40 °C. Les résultats montrent que si la température n'est pas prise en compte dans l'ensemble de données d'apprentissage, l'algorithme considère les mesures saines comme étant des défauts mécaniques ou électriques. Enfin, l'utilisation de simulations numériques basées sur la méthode des éléments finis a reproduit des traces FRA en bon accord avec la référence mesurée. De plus, une fois les défauts introduits et les traces évaluées par les algorithmes de classification automatique, les défauts de court-circuit présentent une bonne classification, tandis que les déplacements axiaux ne présentent une bonne classification qu'à leurs plus hauts degrés. Les résultats présentés dans cette recherche contribuent à l'avancement des méthodes d'interprétation FRA. Ces réalisations aident à soutenir l'utilisation des méthodes proposées dans les algorithmes d'apprentissage automatique et dans la génération de réponse en fréquence défectueuse pour la classification