Ключевые слова
индекс технического состояния трансформатора
предиктивное обслуживание
интеграция SCADA
машинное обучение
аналитика интеллектуальных электрических сетей.
Как цитировать
Аннотация
В статье рассмотрен метод, служащий для обеспечения непрерывной и надёжной работы силовых трансформаторов, который является одним из ключевых требований современных электрических сетей. Возрастающая сложность энергосистем обуславливает необходимость внедрения инновационных методов мониторинга в режиме реального времени и предиктивного технического обслуживания. В данной работе представлена интеллектуальная система оценки технического состояния трансформаторов на основе технологий Интернета вещей (IoT), объединяющая многоканальный сбор данных с датчиков, беспроводную передачу информации и облачную аналитическую обработку с применением алгоритмов машинного обучения.
Предложенная модель осуществляет мониторинг критически важных параметров, включая температуру обмоток, качество трансформаторного масла и уровень вибрации. Анализ данных выполняется с использованием искусственных нейронных сетей (ANN) и метода опорных векторов (SVM), что позволяет динамически определять индекс технического состояния трансформатора. Статистический корреляционный анализ выявил выраженную взаимосвязь между температурными колебаниями, кислотностью масла и процессами деградации изоляции. Экспериментальная проверка модели на данных, полученных в режиме реального времени с подстанций 110/35 кВ, показала прогнозную точность на уровне 97,5 %.
Интеграция IoT-ориентированной аналитики в среды SCADA обеспечивает переход к предиктивному обслуживанию, снижает эксплуатационные риски и способствует увеличению срока службы оборудования. Полученные результаты подтверждают практическую реализуемость перехода от традиционных стратегий технического обслуживания к интеллектуальным самодиагностирующимся энергетическим системам.
Список литературы
[1] Zhou, H., Zhang, Y., & Li, P. (2021). Smart IoT Applications in Transformer Condition Monitoring. IEEE Access, 9, 124557–124568.
[2] Kumar, V., & Singh, R. (2022). Artificial Intelligence for Predictive Transformer Maintenance. Electric Power Systems Research, 208, 107864.
[3] Gupta, A. (2023). Statistical Modelling of Transformer Health in IoT-Integrated Networks. Energies, 16(4), 1442.
[4] Patel, R., Desai, M., & Khan, S. (2021). IoT-Enabled SCADA Systems for Smart Substations. IEEE Transactions on Industrial Informatics, 17(9), 6045–6057.
[5] Aliyev, F., & Yusupov, D. (2024). Real-Time Transformer Monitoring Using Edge Computing. Sensors, 24(1), 52–66.
[6] Li, J., Wang, X., & Zhang, Y. (2023). Intelligent condition monitoring of power transformers using IoT-enabled sensors and machine learning models. IEEE Transactions on Industrial Informatics, 19(8), 6543–6555. https://doi.org/10.1109/TII.2023.3248761
[7] Sharma, P., & Singh, R. (2022). Integration of IoT and SCADA for real-time monitoring and fault diagnosis in electrical substations. Electric Power Systems Research, 212, 108389. https://doi.org/10.1016/j.epsr.2022.108389
[8] Kumar, S., & Khan, M. A. (2021). A hybrid AI model for transformer health prediction based on ANN and SVM classifiers. Energy Reports, 7, 876–884. https://doi.org/10.1016/j.egyr.2021.01.039
[9] Bakar, A., Mohamad, H., & Yusuf, M. (2023). Internet of Things-based monitoring architecture for oil-immersed transformers. Sensors, 23(5), 2541. https://doi.org/10.3390/s23052541
[10] Tabrizi, M., & Gholami, M. (2022). Condition assessment of power transformers using health index and fuzzy inference systems. IEEE Access, 10, 100234–100245. https://doi.org/10.1109/ACCESS.2022.3204523
[11] Rahman, M. A., & Islam, S. (2021). Machine learning and deep learning approaches for transformer fault diagnosis: A comparative study. Energies, 14(17), 5329. https://doi.org/10.3390/en14175329
[12] Ahmed, M. F., & Ali, Z. (2023). Thermal modeling and lifetime prediction of power transformers under IoT-based monitoring systems. Applied Energy, 337, 120929. https://doi.org/10.1016/j.apenergy.2023.120929
[13] Zhou, H., & Lin, J. (2022). Development of cloud-based predictive maintenance systems for smart grids using IoT data analytics. Renewable and Sustainable Energy Reviews, 169, 113013. https://doi.org/10.1016/j.rser.2022.113013
[14] G‘ayimnazarov I. X. UDC 532.543: 627.157: Calculation of the parameters of the base rows in a non-stationary flow //Innovatsion texnologiyalar. – 2025. – Т. 59. – №. 3. – С. 62-66.
[15] G‘ayimnazarov, I., Eshev, S., Bazarov, O., Latipov, S., Rakhimov, A., & Guliyeva, S. (2025, July). Investigation of the initiation of sediment movement in mixed flows. InAIP Conference Proceedings (Vol. 3256, No. 1, p. 020041). AIP Publishing LLC.
[16] Raj, A., & Mehta, R. (2023). Smart transformer monitoring through wireless sensor networks and SCADA integration. Measurement, 215, 112889. https://doi.org/10.1016/j.measurement.2023.112889
[17] Chen, D., & Zhao, L. (2024). Reliability estimation of power transformers using real-time IoT data and Bayesian networks. Electric Power Components and Systems, 52(4–5), 312–326. https://doi.org/10.1080/15325008.2024.2331123.
This work is licensed under a Creative Commons Attribution 4.0 International License.
Авторское право (c) 2026 Abdullabekova D. R., Qutbidinov O. M. (Muallif)