Presentasi i sys-31 mei
-
Upload
hendra-marcos -
Category
Documents
-
view
367 -
download
7
Transcript of Presentasi i sys-31 mei
Diagnosis Gangguan Tranformator Daya
Menggunakan Dissolved Gas Analysis
(DGA)
Oleh : Hendra Marcos
12/338862/PTK/8228
1
Group Riset I-Sys 31 Mei 2013
Latar Belakang
Rumusan Masalah
Keaslian Penelitian
Tujuan Penelitian
Tinjauan Pustaka
Landasan Teori
Referensi
6/20/2013 2
6/20/2013 3
Gambar 1. Bagian-bagian Trasformator Daya
Latar Belakang
Transformator (trafo) merupakan salah satu peralatan penting dari sistem ketenagalistrikan [1,3-5]
Minyak trafo merupakan komponen penting pada trafo yang berfungsi sebagai media pendingin dan bahan isolasi, di mana panas yang dihasilkan dapat mengurai minyak menjadi gas-gas terlarut [5]
Uji Dissolved Gas Analysis (DGA),diperlukan sebagai salah satu teknik menganalisis gangguan permulaan trafo [3-16]
6/20/2013 4
Latar Belakang
Karena hasil DGA yang tidak linier antara gas yang dihasilkan dengan jenis gangguan, maka diperlukan metode khusus untuk mendiagnosis gangguan trafo [15]
Telah banyak paper yang membahas tentang DGA dengan metode (konvensional) yaitu; Duval Triangle, Roger’s Ratio, Key Gases. IEC [3,4,6]
Beberapa teknik machine learning sudah digunakan untuk melakukan analisis gangguan trafo daya seperti Neural Network (ANN), Fuzzy Expert System (FES), Rough Set Theory(RST)
6/20/2013 5
Latar Belakang
Bagaimana pentingnya memprediksi
gangguan trafo menggunakan analisis
DGA
Bagaimana metode machine learning
(ANN, FES, RST) dapat
menggantikan pakar untuk
memprediksi gangguan trafo
Bagaimana tingkat keakuratan dan
presisi dari metode-metode yang
sudah ada dapat lebih baik dari sisi
komputasi6/20/2013 6
Rumusan Masalah
Keaslian Penelitian
6/20/2013 7
Peneliti Tahun Metode Dataset
Honsheng Su 2007 ANFIS -
X.Yu & H.Zhang 2008 RST & ANN IEC
X. Zheng 2008 Fuzzy&RST -
Z. Xue 2009 FRS&SVM -
YC.Huang, et al. 2009 RST IEC
Z.Ming,Wang 2010 RS -
Han,Wang 2011 SVM(Fs) IEC
C.Abdelkadeer 2012 ANN IEC
NA.Setiawan 2012 RST IEC
ZhouAiHua 2012 RST&NN IEC
Tabel 1. Paper yang membahas DGA
Manfaat Penelitian Manfaat yang paling utama dari penelitian ini
adalah ditemukannya metode untuk mendiagnosis gangguan transformator berbasis machine learning menggunakan analisis DGA yang paling efisien dari sisi komputasi, akurat dalam persentase kebenaran terhadap data pengujian, dan presisi terhadap nilai keluaran yang konsisten dan expert dalam mendiagnosis gangguan trafo
Disamping itu diharapkan memberikan manfaat untuk mengetahui sifat-sifat dan karakteristik machine learning dalam memprediksi jenis gangguan trafo berdasarkan data yang sudah ada
Dapat menggantikan pakar dalam memprediksi gangguan transformator sehingga memberikan kontribusi untuk melakukan tindakan awal terhadap gangguan yang ada6/20/2013 8
Tujuan Penelitian Penelitian ini bertujuan
mengembangkan pendekatan teknik
machine learning seperti ANNs, FES,
RST dan kombinasinya berbasis DGA
untuk mendiagnosis gangguan trafo
daya dengan akurasi dan presisi yang
baik dengan memperhatikan efisiensi
komputasi dengan harapan menjadi
salah satu rujukan kemampuan pakar
dalam mendiagnosis gangguan trafo
daya6/20/2013 9
Tinjauan Pustaka X.Yu dan H.Zhang (2008)
Penelitian ini menggunakan metode Rough Set Theory (RST) dan Artifial Neural Networks (ANN) berbasis DGA. Kombinasi antara RST dan ANN dapat meningkatkan akurasi dalam prediksi gangguan trafo. Metode reduksi pada RST secara efektif dapat mengurangi databasegas yang mempengaruhi secara signifikan data gangguan masukan awal. Data masukan yang secara signifikan mempengaruhi analisis gangguan tersebut kemudian digunakan sebagai database pelatihan ANN. Langkah-langkah pelatihan secara kompleks dan waktu pelatihan yang lama dapat secara efektif meningkatkan akurasi prediksi gangguan transformator
6/20/2013 10
6/20/2013 11
Hongsheng Su (2007)
Penelitian ini menggunakan metode DGA untuk mendiagnosis gangguan trafo. Dengan mempertimbangkan kelemahan dalam sisi komputasi yang lama, dikembangkan metode Adapative Neuro-Fuzzy Inference System (ANFIS). Penggunaan ANFIS dapat menangani kekurangan dari atribut rasio gas pada Roger Ratio. Penggunaan metode ini dalam mendiagnosis gangguan trafo dapat mengurangi kompleksitas data pembelajaran dan struktur jaringannya
6/20/2013 12
Y.C.Huang, H.C.Sun, K.Y. Huang, Y.S.
Liao (2009)
Penelitian ini menggunakan Rough Set
Theory (RST) berbasis DGA untuk
melakukan ekstraksi aturan pada data-
data yang tidak linier dengan jenis
gangguan yang ada untuk diagnosis trafo.
Dengan optimasi algoritma genetik atribut
data berupa rasio gas-gas yang dihasilkan
dari uji kromatografi pada trafo dapat di
minimalkan dimensinya. Sehingga dapat
meningkatkan akurasi diagnosis dibanding
metode konvensional yang telah ada.
Zhou Ai Hua,Song Hong, Xiao Hui, Zeng (2012)
Penelitian ini hampir sama dengan peneltian yang dilakukan oleh X.Yu dan H.Zang (2008), menggunakan kombinasi antara teknik RST yang dikombinasikan dengan NN. Sebagai masukan dari NN, RST mereduksi data masukan yang mempunyai faktor yang cukup signifikan dalam melakukan prediksi gangguan trafo. Akhirnya NN tanpa data masukan yang besar dapat melakukan pelatihan yang tidak membutuhkan waktu komputasi yang lama dalam melakukan pelatihan data masukan yang kemudian data tersebut digunakan kembali untuk melakukan prediksi.
6/20/2013 13
Fuzzy Expert System
Kelebihan:
1. Dapat menangani sifat ketidaktepatan dan
ketidaklengkapan data hasil diagnosis
cukup bagus
Kekurangan:
1. Tidak dapat belajar dari diagnosis
sebelumnya
2. Rule (aturan) ditentukan sendiri oleh
pengalaman pakarnya
3. Trial and Error6/20/2013 14
Artificial Neural Networks (ANNs) Kelebihan:
1. Keakuratan dan efisiensi pada masalah pemodelan numerik
2. Pada prakteknya dapat built-in toleransi kesalahan dan respon real-time
3. ANNs dapat memperoleh pengalaman baru dengan pelatihan tambahan dari sampel yang baru diperoleh
4. Dapat dilakukan pendekatan, menghasilkan setidaknya perkiraan terbaik dari kesalahan
5. ANNs yang dilatih oleh algoritma error back-propagasi memiliki kemampuan diagnostik yang besar
Kekurangan:
1. Membutuhkan data yang besar agar error kecil.
2. Masalah konvergensi dan beban komputasi6/20/2013 15
Rough Set Theory (RST) dikembangkan oleh Z.Pawlak (1980’s)
Kelebihan:
1. Dengan adanya feature selection, feature extraction, data reduction,decision rule generation, and pattern extraction
2. Dapat mengidentifikasi ketergantungan parsial atau total dalam data, menghilangkan data yang berlebihan, memberikan pendekatan untuk nilai null, missing data, data dinamis, dan lain-lain 6/20/2013 16
Landasan Teori Dissolved Gas Analysis (DGA) atau
yang lebih dikenal dengan analisis gas
terlarut merupakan salah satu teknik
untuk mendiagnosis ganggauan yang
terjadi pada trafo daya [1]. (Gambar 2)
6/20/2013 17
6/20/2013 18
4 Condition
Monitoring
Transformer aspect
[1]
Thermal Modelling
Dissolved Gas Analysis
Winding
Frequency Response
Analysis
Partial Discharge Analysis
Gambar 2. Aspek penilaian pada Transformator [1]
Minyak trafo berfungsi sebagai isolasi dan media pendingin, merupakan sebuah campuran kompleks dari molekul-molekul hidrokarbon yang mengandung kelompok molekul CH3, CH2, dan CH yang terikat [5]
Terjadinya kegagalan termal ataupun elektris pada trafo mengakibatkan pemecahan beberapa ikatan unsur hidrokarbon yang nantinya akan berkombinasi dan menghasilkan molekul-molekul gas mudah terbakar (combustible gas) yang dikenal dengan istilah fault gas. Gas-gas tersebut adalah[5]: 6/20/2013 19
20
Minyak Trafo
Mineral
Sintetik
Hasil dari kegagalan Thermal & Elektris
Gambar 3. Gas-gas terlarut dalam minyak
transformator [5]
6/20/2013 21
Gambar 4. Pembentukan Fault Gas berdasarkan
temperatur [7]
Kode Kegagalan Keterangan
PD Partial Discharge
Pelepasan muatan (discharge) dari plasma dingin (korona) pada gelembung
gas (menyebabkan pengendapan X-wax pada isolasi kertas) ataupun tipe
percikan menyebabkan proses perforasi/kebolongan pada kertas yang bisa
saja sulit untuk dideteksi)
D1Discharge of Low
Energy
PD tipe percikan/spark (menyebabkan perforasi karbon pada isolasi kertas
dalam skala yang lebih besar). Arcing pada energi rendah memacu perforasi
karbon pada permukaan isolasi kertas sehingga muncul banyak partikel
karbon pada minyak (terutama akibat pengoperasian tap-changer)
D2Discharge of
High Energy
Discharge yang mengakibatkan kerusakan dan karbonisasi yang meluas
pada kertas minyak). Pada kasus yang lebih ekstrim terjadi penggabungan
metal (metal fusion), pemutusan (tripping) peralatan dan pengaktifan alarm
gas
T1Thermal Fault
T<300o C
Isolasi kertas berubah warna menjadi coklat pada temperatur >200 oC (T1)
dan pada temperatur > 300oC terjadi karbonisasi kertas munculnya formasi
partikel karbon pada minyak (T2)
T2Thermal Fault
300<T<700o C
T3Thermal Fault
T>700o C
Munculnya formasi partikel karbon pada minyak secara meluas, pewarnaan
pada metal (200oC) ataupun penggabungan metal (>1000oC)
6/20/2013 22
Tabel 2. Klasifikasi jenis Gangguan Transformator
[4]
Duval Triangle (Segitiga Duval) [5]
6/20/2013 23
Tiga senyawa gas (metana, etilen,asetilen) dibandingkan terhadap
akumulasi dari ketiga gas tersebut. Dilengkapi dengan grafik tiga
koordinat berbentuk segitiga sama sisi. Niai dari setiap koordinat adalah
persentase dibandingkan terhadap total ketiga gas. Berapapun
koordinatnya akan menunjuk kepada salah satu jenis gangguan.
Segitiga Duval tidak bisa menginterpretasikan semua data dan jenis
gangguannya
6/20/2013 24
Key Gases [6]
Gangguan Gas Kunci KriteriaJumlah Prosentase
Gas
Busur Api
(Arcing)
Asetilen (C2H2) Hidrogen (H2) dan Asetilen (C2H2) dalam
jumlah besar dan sedikit Metana (CH4) dan
Etilen(C2H4)
Hidrogen (H2) : 60%
Asetilen (C2H2): 30%
Korona (PD) Hidrogen (H2) Hidrogen dalam jumlah besar, Metana jumlah
sedang, dan sedikit Etilen, Karbonmonoksida
dan karbondioksida, dapat dibandingkan bila
berkaitan dengan selulosa
Hidrogen : 85%
Metana : 13%
Pemanasan
lebih
Minyak
Etilen Etilen dalam jumlah besar dan Etana dalam
jumlah lebih kecil, jumlah sedang metana dan
Hidrogen, sedikit Karbonmonoksida
Etilen : 63%
Etana : 20%
Pemanasan
lebih
selulosa
Karbon
monoksida
CO dan CO dalam jumlah besar
Gas hidrokarbon mungkin ada
CO : 92%
Roger Ratio [6]
6/20/2013 25
Rasio Roger:
Salah satu metode tambahan yang digunakan untuk menafsirkan apa yang terjadi berdasarkan komposisi gas terlarut. Metode rasio roger adalah membandingkan jumlah dari berbagai gas berbeda dengan membagi satu gas dengan yang lainnya, membentu sebuah rasio. Pembentukan gas menunjukkan pada keadaan suhu tertentu, suatu gas akan lebih besar dari gas lainnya.
6/20/2013 26
Referensi[1] W.H.Tang, Q.H.Wu,”Condition Monitoring and
Assessment of Power Transformers Using Computational Intelligence” The University of Liverpool, Springer, 2011
[2] T.Munakata,”Fundamentals of the New Artificial Intelligence London, Springer Science, 2008
[3] M. Duval, M. “Interpretation of Gas-In-OilAnalysis Using New IEC Publication 60599 and IEC TC 10 Databases”. Electrical Insulation Magazine, IEEE, Vol 17:2, pp. 31-41, 2001
[4] M. Duval, “Dissolved gas analysis: It can save your transformer,” IEEE Electrical Insulation Magazine, vol. 5, no. 6, pp. 22-27, 1989
[5] Dr. DiGiorgio,” Dissolved Gas Analysis OfMineral Oil Insulating Fluids”, Northern Technology & Testing, 2001
6/20/2013 27
Referensi[6] R. R. Rogers, “IEEE and IEC codes to interpret incipient
faults in transformers, using gas in oil analysis,” IEEE Trans. on Electrical Insulation, vol. 13, no. 5, pp. 349-354, 1978
[7] C57.104-2008 - IEEE Guide for the Interpretation of Gases Generated in Oil-Immersed Transformers, 2008 (http://standards.ieee.org/findstds/standard/C57.104-2008.html)
[8] X. Yu and H. Zang, “Transformer Fault Diagnosis Based on Rough Sets Theory and Artificial Neural Networks”. International Conference on Condition Monitoring and Diagnosis. pp 1342 - 1345, 2008.
[9] Y.C. Huang, H.C. Sun, K.Y. Huang and Y.S. Liao, “Fault Diagnosis of Power Transformers Using Rough Set Theory”. Proceeiding of Fourth International Conference on Innovative Computing, Information, and Control, pp.1422-1426, 2009
[10] X.Zheng“Intelligent Fault Diagnosis of Power Transformer based on Fuzzy logic and Rough Set Theory”. Proceeding, of the 7th, 2008
6/20/2013 28
Referensi[11]M.Zhou, T.Wang,”Fault Diagnosis of Power Transformer
Based on Assosiation Rules Gained by Rough Set”, IEEE 2010
[12] H.Su, “An ANFIS-based Transformer Insulation Fault Diagnosis Method Using Emotional Learning” IEEE, 2007
[13] Fabio R.Barbosa, Artificial Neural Network Application in Estimation of Dissolved Gases In Insulating Mineral Oil From physical-chemical datas for incipient fault Diagnosis, IEEE, 2009
[14] B.Nemets,S.Labonez,C. Guztav,”Transformer condition analyzing expert system using fuzzy neural system”IEEE,2010
[15] N.A.Setiawan,Sarjiya,Z.Ardhiaga,” Power Transformer Incipient Faults Diagnosis Using Dissolved Gas Analysis and Rough Set, IEEE International Conference, 2012
[16] S.S,Bacha Khmais,C.Abdelkader, “Power Transformer Fault Based on Dissolved Gas Analysis by Artificial Neural Network” IEEE, 2012
6/20/2013 29
Terima Kasih
6/20/2013 30
SARAN PERBAIKAN
6/20/2013 31