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