METODE IDENTIFIKASI PARTIAL DISCHARGE DENGAN ANALISIS WEIBULL Anggie Chandra Kusumasembada
Departemen Teknik Elektro, Fakultas Teknik, Universitas Indonesia UI Depok, 16424
E-mail:
[email protected]
Abstrak
Metode Diagnosa Partial Discharge telah dipelajari lebih dari seratus tahun dan hingga sekarang metode diagnosa PD terus dikembangkan. Analisa Partial Discharge menjadi bagian penting didalam assessmen peralatan listrik, analisa partial discharge menentukan kondisi terkini dari peralatan listrik. Diagnosa data sinyal Partial Discharge menggunakan Metode Weibull terbukti tepat untuk mendiagnosa dan memisahkan sumber-sumber Partial Discharge yang berbeda, noise, dan gangguan (disturbances). Pengujian Goodness of Fit dilakukan dengan tujuan menentukan karakteristik distribusi data. Jenis data yang dipergunakan dalam studi ini adalah Distribusi Nilai Partial Discharge (Partial Discharge Height Distribution) yang diperoleh dari data pengukuran jurnal-jurnal Partial Discharge dan data pembimbing. Tujuan dari studi diagnosa ini adalah: menentukan akurasi dari prosedur diagnosa dengan membandingkan parameter statistik yang telah ada dengan hasil prosedur rancangan penulis, mengambil kesimpulan karakteristik sumber Partial Discharge dari nilai-nilai shape parameter dari beragam jurnal. Hasil akhir menyimpulkan bahwa parameter-parameter Weibull dapat
menjelaskan
karakter Partial Discharge dari sumber yang berbeda, sedangkan Pengujian Goodness of Fit belum dapat mendukung parameter-parameter Weibull untuk menjelaskan keragaman data distribusi.
Keywords: Partial Discharge, Weibull Method, Goodness of Fit Test, Statistical Parameter
Metode identifikasi..., Anggie Chandra Kusumasembada, FT UI, 2013
1.
Latar Belakang
Partial discharge dapat muncul di lokasi-lokasi yang berbeda didalam peralatan tenaga listrik, PD juga muncul dengan karakter yang berbeda-beda dengan pengaruh yang berbeda pula pada peralatan listrik. PD itu sendiri merupakan hasil dari pemicu-pemicu (stressor) didalam peralatan listrik. Pemicu (stressor) disini meliputi: Temperatur, Elektrikal, Lingkungan, Mekanikal, Kimia, dan Partikel. Diagnosa partial discharge berperan dalam menjabarkan sifat partial discharge yang muncul didalam peralatan listrik, kesalahan dalam interpretasi PD akan mengakibatkan evaluasi yang tidak akurat pada assessmen peralatan. Tujuan lain dari diagnosa PD adalah untuk mempelajari keadaan aktual dari sistem dan dengan langkah yang tepat dapat meningkatkan keandalan terhadap jenis-jenis PD tertentu yang timbul didalam sistem. Diagnosa PD telah menjadi salah satu faktor penting dalam penilaian peralatan listrik dan juga berkaitan langsung dengan kehandalan sistem. Terdapat beberapa jenis data hasil pengujian partial discharge, antara lain : Partial Discharge Height Distribution Data (PDHD) and Phase Resolved Partial Discharge Data (PRPD). Data-data tersebut menghasilkan parameter-parameter yang berbeda dalam kaitannya dengan pendefinisian munculnya PD. PDHD menjabarkan data PD dalam nilai besaran (magnitude) dan frekuensi kemunculan (occurence frequency), sedangkan data dengan jenis PRPD menambahkan parameter fasa tegangan didalamnya. Tujuan dari studi diagnosa Partial Discharge ini adalah untuk mengobservasi akurasi dari metode tertentu dalam interpretasi data PD. Dalam skripsi ini, penulis fokus pada data Partial Discharge Height Distribution dan metode analisa Weibull untuk menginterpretasi Partial Discharge yang muncul.
Metode identifikasi..., Anggie Chandra Kusumasembada, FT UI, 2013
2. Metode Penelitian
Penulisan tugas akhir ini dibagi menjadi 4 bab, yang membahas penjelasan umum tulisan, tinjauan pustaka komprehensif, pembahasan dan diskusi hasil penelitian, serta rangkuman dari keseluruhan hasil diskusi dan temuan. Tugas akhir ini berfokus pada penelitian mengenai karakteristik statistik partial discharge menggunakan metode Weibull. Dalam penelitian ini digunakan data-data dari jurnal referensi dan data lapangan yang didapat. Prosedur estimasi parameter Weibull dikembangkan dalam tulisan ini, dipergunakan datadata PDHD dalam jurnal referensi untuk penggunaan prosedur. Kemudian hasil akhir dari prosedur ini dibandingkan dengan hasil pada jurnal untuk menilai keakuratan dari prosedur yang dikembangkan. 3. Tinjauan Pustaka 3.1 Partial Discharge PD is a consequence of local electrical stress concentrations in the insulation or on the insulation surface. PD occurs under less than 1 µs, with various occurrence phenomena (internal, surface, corona, and treeing) (IEC 60270 Standard, Partial Discharge Measurement, 2nd edition, 1981). Diatas adalah definisi dari IEC 60270, partial discharge disimpulkan sebagai konsentrasi medan listrik yang menghasilkan disipasi energi. Partial discharge mengakibatkan deteriorasi, penuaan, dan bahkan kegagalan fungsi dari peralatan listrik. Untuk penggambaran yang lebih jelas, model partial discharge dibuat dengan void internal didalam insulasi kabel ditampilkan pada gambar 1.
Metode identifikasi..., Anggie Chandra Kusumasembada, FT UI, 2013
Gambar 1. Model Partial Discharge dalam insulasi [1] Gambar diatas menunjukkan model yang menggambarkan munculnya void partial discharge didalam sistem insulasi kabel, void (ruang kosong) dimodelkan sebagai kapasitor Cc dengan permitivitas lebih rendah dibandingnkan permitivitas insulasi (Ca‟, Ca”, Cb‟, and Cb”). Partial discharge hanya akan muncul ketika besar medan listrik melampaui nilai ketahanan breakdown gas (gas breakdown strength : 3 kV/mm) dan ketika adanya elektron bebas dan medan listrik akan membangun kanal elektron dan menghasilkan pelepasan lokal (local breakdown) [1].
3.1.1 Jenis-jenis Partial Discharge Partial discharge muncul didalam peralatan listrik, antara lain : insulasi kabel [15], Transformer (winding, oil insulation) [1], Generator (Stator, Motor) [17], Gas Insulated Substation, dan lain sebagainya. Didalam peralatan-peralatan tersebut, partial discharge muncul dalam fenomena discharge yang berbeda-beda, secara umum ada 4 jenis fenomena partial discharge. Internal discharge atau void discharge adalah PD yang terletak didalam insulasi (baik insulasi solid maupun liquid). Bentuk dari internal discharge beragam antara lain : berbentuk seperti sphere/ruang, panjang – baik tegak lurus maupun berpotongan dengan medan listrik. Gambar dibawah menunjukkan lokasi dari internal discharge didalam sistem insulasi. Surface discharge adalah fenomena PD yang muncul pada permukaan material insulasi. Surface discharge muncul karena adanya konduksi tegangan tinggi yang terlalu dekat disekitar
Metode identifikasi..., Anggie Chandra Kusumasembada, FT UI, 2013
permukaan insulasi, konduksi listrik yang mungkin antara lain: material konduksi dengan ujung meruncing, material disekitar permukaan insulasi, bahkan kotoran diatas permukaan insulasi. Corona discharge tidak berkaitan dengan sistem insulasi seperti jenis-jenis partial discharge lainnya, corona muncul pada media gas karena tidak homogennya medan diantara konduktor tegangan tinggi. Pada [22] Goldman, Goldman, Sigmond mendefinisikan corona discharge sebagai Channel discharge atau treeing muncul karena internal discharge yang terjadi secara terus menerus didalam dielektrik, discharge yang timbul terus menerus menyebabkan erosi pada material yang berujung pada pembentukan pola treeing. Treeing dapat muncul dikarenakan adanya partikel metalik (dikarenakan proses manufaktur insulasi yang tidak sempurna) atau void didalam insulasi, delaminasi dalam insulasi, dan struktur kasar pada bagian dalam konduktor [35].
3.1.2 Peran PD pada Degradasi Seperti yang telah dijelaskan lebih awal, partial discharge menyebabkan degradasi pada peralatan listrik. Berikut beberapa contoh degradasi yang disebabkan oleh partial discharge. Slot discharge muncul dari pelapis konduktif yang terkikis pada lilitan stator. Deteriorasi signifikan disebabkan oleh slot discharge : umur peralatan lilitan stator menurun dan bahkan lilitan tidak dapat diperbaiki apabila kasusnya signifikanGambar-gambar dibawah menunjukkan efek dari timbulnya slot discharge pada lilitan stator [33].
Gambar 2. Degradasi Stator Bar dan Wedges Akibat Slot Discharge
Metode identifikasi..., Anggie Chandra Kusumasembada, FT UI, 2013
Jarak yang tidak memadai diantara fasa coil tegangan tinggi akan menyebabkan partial discharge. Sebagai contoh : coil yang berdekatan pada fasa yang berbeda atau circuit ring bus yang berdekatan pada fasa berbeda hydrogenerator. Kegagalan insulasi dapat terjadi pada deteriorasi semacam ini [34].
Gambar 3. PD pada Coils dan Circuit Busses
3.2 Pengukuran dan Prosedur Diagnosa Partial Discharge Terjadinya partial discharge mengeluarkan beberapa fenomena : frekuensi, gelombang, efek pelepasan,
efek
kimiawi,
efek
optikal,
efek
akustik.
Fenomena-fenomena
tersebut
mengindikasikan terjadinya partial discharge didalam peralatan listrik. Secara umum, efek-efek tersebut diklasifikasikan menjadi 4 jenis indikasi : Elektrikal (frekuensi, gelombang, dan efek pelepasan/discharge), Kimia, Optikal , dan Akustik. Efek-efek tersebut dapat memberikan informasi berkaitan dengan pengukuran partial discharge. Dari informasi-informasi yang dapat diukur dari efek-efek tersebut; posisi partial discharge, nilai besaran, jumlah sumber, dsb dapat dideteksi. Tulisan ini difokuskan pada diagnosa data height distribution partial discharge yang diukur dengan menggunakan pengukuran konvensional pd (berdasarkan IEC 60270). Pengukuran konvensional PD adalah metode pengukuran dimana efek elektrik dari partial discharge menjadi
Metode identifikasi..., Anggie Chandra Kusumasembada, FT UI, 2013
objek ukur. Sehingga, didalam tulisan ini, metode pengukuran yang dicantumkan berfokus pada pengukuran efek elektrik.
3.2.1 Pengukuran Konvensional 60270 Studi ini berdasarkan hasil-hasil eksperimen yang dilakukan pada [17], metode pengukuran yang diaplikasikan pada eksperimen berdasarkan pengukuran PD konvensional. Pengukuran ini bertujuan untuk merekam aktivitas PD dalam unit besaran (magnitude) picocoloumb dan frekuensi kemunculan muatan, dikenal sebagai Partial Discharge Height Distribution. Besar partial discharge dan frekuensi kemunculan didapatkean menggunakan deteksi PRPD (Phase Resolved Partial Discharge). PRPD adalah metode yang mengukur dan merekam sinyal partial discharge pada siklus fasa tegangan yang berbeda. Berikut adalah sebuah contoh konfigurasi pengukuran berdasarkan IEC 60270[24].
Gambar 4. Alat Kopling CD serial dengan Kapasitor Kopling (IEC 60270:2000, p.32)
3.2.2 Prosedur Diagnosa Data PDHD Prosedur diagnosa untuk sinyal partial discharge disebutkan dalam [19], prosedur ini terdiri atas: (Classification, Separation, Identification and Location) Klasifikasi, Pemisahan, Identifikasi, dan Menentukan Lokasi (untuk diagnosa kabel). Prosedur ini bertujuan untuk menentukan sumber dari defek PD dengan bantuan sinyal kompleks. Prosedur diagnosa ini diaplikasikan pada kumpulan sinyal dari pengukuran PD.
Metode identifikasi..., Anggie Chandra Kusumasembada, FT UI, 2013
3.2.2.1 Klasifikasi Data yang diperoleh dari pengukuran partial discharge mungkin saja memiliki lebih dari satu karakteristik partial discharge, gangguan dan noise dapat juga termasuk didalam data terekam. Banyaknya karakteristik dari sumber-sumber lain akan membiaskan diagnosa partial discharge. Klasifikasi dari karakteristik data PD yang berbeda akan membantu dalam menentukan jenis-jenis partial discharge tertentu yang muncul. Dengan melakukan klasifikasi; data PD, noise dari lingkungan sekitar, dan gangguan lainya dapat diidentifikasi. Dalam [19], prosedur klasifikasi dilakukan dengan cara menghitung equivalent time length (T) dan equivalent bandwidth (W) serta memvisualisasikan parameter tersebut kedalam peta klasifikasi (classification map). 3.2.2.2 Pemisahan Noise dengan Gangguan Setelah karakteristik yang berbeda diklasifikasi, proses pemisahan dapat dilakukan dengan mengambil fitur-fitur yang berbeda dari data Terdapat beragam metode pemisahan; Classifier [[11], [19]], K-Means Classification algorithm [18], Chaos Oscillator-Adaptive Lifting Wavelet [3], dan lainnya. Proses pemisahan dapat juga menjadi alat untuk menangkal gangguan (noise dan disturbance). Gambar dibawah menunjukkan proses pemisahan dengan metode yang berbeda-beda. 3.2.2.3 Identifikasi Prosedur identifikasi digunakan untuk mengenali sumber partial discharge dari data. Terdapat beberapa parameter identifikasi, antara lain: Kuantitas Standar dan Parameter Statistik dari Distribusi Muatan.
4.
Hasil dan Diskusi
4.1. Karakterisasi Sumber Partial Discharge Data-data pada bagian ini adalah data-data eksperimen yang merujuk pada [ 6, 7, 8, 10, 11,16, 17, 19] dimana eksperimen dan pengukuran aktual dilakukan pada Partial Discharge
Metode identifikasi..., Anggie Chandra Kusumasembada, FT UI, 2013
dengan material solid. Data-data tersebut merupakan estimasi Weibull shape parameter dari beragam eksperimen, eksperimen-eksperimen tersebut mencakup pengukuran pada partial discharge buatan dan pengukuran pada peralatan listrik aktual. Bagian ini bertujuan untuk menjelaskan dan membandingkan shape parameter (β) yang muncul dari sumber partial discharge yang berbeda.
Internal Discharge β Parameter 9.34
9.22
8 6.1 6.1
6
3.6
4.5
4.1
3.6 2.43 2.7 0.89 0.912
2.2
2
2.48
2.43
1.1 0.79
Gambar 5. Shape Parameter dari Internal Discharge [6,7,8,10,11,16,17,19] Dalam [11], Cavallini et.al menyatakan bahwa jangkauan beta untuk internal discharge dalam eksperimen adalah diantara 2.5 hingga 9.3. Sedangkan pada [19] de Nigris et.al menyatakan bahwa jangkauan internal discharge dalam penelitian mereka adalah 2<β<8. Melihat dari kumpulan data pada gambar 5, disimpulkan bahwa statement diatas adalah valid, jika mengesampingkan nilai – nilai beta yang ekstrim: 0.89, 0.79, 0.912, 1.1, 9.22 dan 9.34.
Metode identifikasi..., Anggie Chandra Kusumasembada, FT UI, 2013
Surface Discharge β Parameter 3.2 2.56 2.3
2.2
2
1.9
1.2 0.84
2.67
2.55
1.34
0.91 0.8 0.91 0.82
0.91 0.82
Gambar 6. Shape Parameter dari Surface Discharge [6,7,8,10,11,16,17,19] Dari data diatas, distribusi shape parameter surface discharge ada dalam jangkauan kecil yaitu 0.8 sampai 3.2. Berdasarkan informasi ini, jelas bahwa menentukan surface discharge adalah cukup mudah yaitu dengan mengelompokkan nilai-nilai beta yang sangat kecil. Pernyataan ini didukung dalam [19] dimana dinyatakan bahwa shape parameter dari surface discharge adalah lebih kecil dari 2. Jangkauan surface discharge yang kecil juga didukung oleh eksperimen Cavallini et.al, disebutkan bahwa beta surface discharge adalah diantara 1.2 hingga 2.56 [11].
Metode identifikasi..., Anggie Chandra Kusumasembada, FT UI, 2013
Corona Discharge β Parameter 21.5
20.5
20.18
20.02
16.1 12.1 12.5
13.7 13.4 14.1
12.1
12
12
8 6.25
6.31
Gambar 7. Shape Parameter dari Corona Discharge [6,7,8,10,11,16,17,19] Diagram diatas menunjukkan nilai-nilai beta yang besar dan dengan jangkauan besar pula, bervarias dimulai dari 6.25 hingga 21.5Terdapat tiga nilai yang masuk kedalam jangkauan internal discharge yaitu : 6.25, 6.31, dan 8Nilai-nilai beta tersebut muncul dari batas bawah corona discharge nomor #7, #8, dan #10. Disamping nilai-nilai beta tersebut, nilai shape parameter lain menunjukkan angka yang sangat tinggi, artinya nilai beta dari corona discharge sangat mencolok. Merujuk pada [19] dan [11], diagram diatas memenuhi karakteristik yang merepresentasikan corona discharge.
4.2 Pengaplikasian Prosedur Tujuan utama dari subbab ini adalah untuk mengobservasi prosedur aplikasi, harapan dari studi ini adalah: menentukan CDF dari Frekuensi Kemunculan (Occurence Frequency) dengan tepat, perhitungan dan plot yang tepat dari Persamaan Weibull, Uji Goodness of Fit dapat membedakan distribusi sumber PD dengan akurat, melakukan Estimasi Parameter Weibull dengan akurat, dan membuat perangkat lunak “pemisahan – identifikasi PD” menggunakan Matlab.
Metode identifikasi..., Anggie Chandra Kusumasembada, FT UI, 2013
Shape Parameter
Hasil Eksperimen
Hasil Matlab
Excel Plot
Excel Manual
12.1
21.3643
23.936
21.959
Corona PD
Corona PD
Corona PD
0.8657
-
-
Negative Corona
Diagnosa
PD
CoD
-
Tabel 1. Perbandingan Artifical 60 Corona Discharge
Shape Parameter
Hasil Eksperimen
Hasil Matlab
Excel Plot
Excel Manual
12.5
16.7763
16.858
16.505
Corona PD
Corona PD
Corona PD
0.911
-
-
Negative Corona
Diagnosis
PD
CoD
-
Tabel 2. Perbandingan Artifical 90 Corona Discharge
Shape Parameter
Hasil Eksperimen
Hasil Matlab
Excel Plot
Excel Manual
2.3
2.9842
3.0612
3.01
Surface PD
Surface PD
Surface PD
0.9682
-
-
Negative Surface
Diagnosis
PD
CoD
-
Tabel 3. Perbandingan Artifical Negative Surface Discharge Hasil Eksperimen
Hasil Matlab
Excel Plot
Excel Manual
Shape Parameter
6
5.324
5.3874
5.351
Diagnosis
Positive Void PD
Internal PD
Internal PD
Internal PD
CoD
-
0.9952
-
-
Tabel 4. Perbandingan Artifical Positive Void Discharge
Hasil Eksperimen
Hasil Matlab
Excel Plot
Excel Manual
Shape Parameter
21.5
23.056
22.455
23.155
Diagnosis
Positive Corona PD
Corona PD
Corona PD
Corona PD
CoD
-
0.9591
-
-
Tabel 5. Perbandingan Artifical Id Corona Discharge
Shape Parameter
Hasil Eksperimen
Hasil Matlab
Excel Plot
Excel Manual
1.9
2.6267
2.6443
2.652
Metode identifikasi..., Anggie Chandra Kusumasembada, FT UI, 2013
Diagnosis
Positive Surface PD
Surface PD
Internal PD
Internal PD
CoD
-
0.8822
-
-
Tabel 6. Perbandingan Artifical Id Surface Discharge Hasil Eksperimen
Hasil Matlab
Excel Plot
Shape Parameter 1 (C60)
13.7
27.44
25.03
Shape Parameter 2 (C90)
13.4
10.74
10.923
Diagnosis
Multi Corona PD
Multi Corona PD
Multi Corona PD
CoD
-
0.8307
-
Tabel 7. Perbandingan Artifical Corona 60-90 Discharge Hasil Eksperimen
Hasil Matlab
Excel Plot
Shape Parameter 1 (S)
3.2
1.304
1.304
Shape Parameter 2 (C90)
14.1
7.634
10.245
Surface & Corona
Diagnosis
PD
CoD
-
Surface & Corona PD Surface & Corona PD 0.5948
-
Tabel 8. Perbandingan Artifical Corona 60-90 Discharge Hasil Eksperimen
Hasil Matlab
Excel Plot
Shape Parameter 1 (Int)
4.1
2.315
2.0119
Shape Parameter 2 (Cor)
12.1
8.408
8.8068
Internal & Corona
Internal & Corona
Internal & Corona
PD
PD
PD
-
0.9374
-
Diagnosis CoD
Tabel 9. Perbandingan Artifical Negative Void-Corona Discharge
Hasil Eksperimen
Hasil Matlab
Excel Plot
Shape Parameter 1 (Noise)
-
2.374
2.6532
Shape Parameter 2 (S)
-
0.6502
0.674
Diagnosis
Noise &Surface PD
Noise &Surface PD
Noise &Surface PD
CoD
-
0.841
-
Tabel 10. Perbandingan Partial Discharge Data Universitas
Metode identifikasi..., Anggie Chandra Kusumasembada, FT UI, 2013
4.3 Diskusi Diagnosa PDHD telah dilakukan, secara umum ketepatan prosedur telah berhasil meskipun muncul beberapa kondisi yang diluar dugaan. Prosedur yang dirancang telah mampu mengobservasi PDHD data, nilai beta terhitung didukung oleh nilai-nilai aktual dari hasil eksperimen. Shape parameter dari perhitungan Matlab dan Excel menunjukkan kesamaan dengan eksperimen [6, 7, 8, 10, 16, 17, 19]. Beberapa perbedaan signifikan muncul dalam estimasi parameter corona, namun demikian nilai masih dalam jangkauan karakteristik beta korona. Uji Kolmogorov Smirnov menunjukkan hasil yang tidak sesuai perkiraan. Hipothesis alternatif yang diperkirakan muncul hanya pada distribusi PD sumber jamak, keluar dalam diagnisa PD tunggal. Hasil tersebut muncul diperkirakan karena pengaturan significance value dari Uji K-S, Uji K-S kemungkinan menjadi sangat sensitif sehingga menghasilkan hipotesa alternatif. Coefficient of determination yang diharapkan menjadi standard untuk membedakan antara sumber PD tunggal dengan sumber PD jamak juga mengeluarkan hasil tidak sesuai perkiraan. Dari 4 diagnosis PD sumber jamak, hanya satu set data yang menunjukkan nilai CoD kuran dari 0.8 (lebih tepatnya 0.5948). Nilai perhitungan Coefficient of Determination telah dipastikan akurat, dasarnya adalah karena beberapa tools (kalkulasi komputer manual, perintah RSQ di excel, dan perintah corrcoef di Matlab ) digunakan dan hasilnya konsisten. Matlab untuk Weibull 5 Parameter juga memerlukan pemisahan data dan pencocokan secara manual. Disamping hal-hal tersebut diatas, estimasi shape parameter dari partial discharge dan pemisahan karakteristik telah sangat sesuai dengan perkiraan. Informasi yang berguna juga berhasil didapatkan dari plot grafis dengan menggunakan perangkat lunak yang berbeda. Studi lebih jauh lagi berdasarkan subjek ini menjadi sangat mungkin. Pengembangan coding Matlab dapat lebih jauh dirancang untuk mengeksekusi diagnosa dan pemisahan, penambahan parameter statistik untuk diagnosa dapat dilakukan untuk identifikasi yang lebih
Metode identifikasi..., Anggie Chandra Kusumasembada, FT UI, 2013
akurat, penggunaan uji goodness of fit yang tepat untuk keputusan eksekusi, melakukan eksperimen untuk perlatan aktual lainnya, dan masih banyak lagi.
5. Kesimpulan Berdasarkan studi mengenai diagnosa partial discharge berdasarkan alat statistik diatas, dapat ditarik beberapa kesimpulan: - Jangkauan-jangkauan (ranges) Weibull shape parameter dari partial discharge yang berlainan berhasil ditentukan dan bersesuaian dengan teori [2,4,6,7,8,13,14,17]. β PD Internal = 0.79 9.34, β PD Surface = 0.8 – 3.2, β PD Corona = 6.25 – 21.5. - Penggunaan Kolmogorov Smirnov dan Coefficient of Determination dalam studi ini disimpulkan tidak tepat untuk pembuatan keputusan pada pemisahan sumber Partial Discharge. - Prosedur diagnosa partial discharge yang diimplementasikan dalam Matlab dan Excel menghasilkan nilai-nilai parameter yang diharapkan dan konsisten. - Prosedur identifikasi yang dikembangkan berhasil diaplikasikan pada data pembimbing dan dapat digunakan untuk identifikasi & analisa data distribusi partial discharge. Hasil analisa adalah high quick noise dan surface discharge.
6. Referensi [1] Lazarevich, AK 1996, “Partial Discharge Detection and Localization in High Voltage Transformers Using an Optical Acoustic Sensor”, MSc. Thesis, Virginia Polytechnic Institute and State University, viewed 23rd May 2011 < http://scholar.lib.vt.edu/theses/available/etd05122003-161802/unrestricted/thesis_fin.pdf > [2] ASTM Standard D1886, Detection and Measurement of Partial (Corona) Discharge Pulses in Evaluation of Insulation Systems, ASTM Books of Standard, Vol.10.03, Philadelphia, USA, 1987. [3] Bide, Z, Houxuan, Z, Huimin, P, Zhou, A 2008 “Extraction of Partial Discharge Signal Feature Chaos Oscillator and Adaptive Lifting Wavelet” Electrical Machines and System International Conference on ICEMS, pp.805-808.
Metode identifikasi..., Anggie Chandra Kusumasembada, FT UI, 2013
[4] Bozzo, R, Contin, A, Gemme, C, Guastavino, F, Montanari, GC 1996, "An Analysis of The Probability Distributions of Charge in Electrical Trees Generated by Needle Tests," Annual Report of the Conference on Electrical Insulation and Dielectric Phenomena, vol. 2, no., pp.770774. [6] Cacciari, M, Contin, A, Mazzanti, G, Montanari, GC 1996, “Identification and Separation of Two Concurrent Partial Discharge Phenomena” IEEE Annual Report – Conference on Electrical Insulation and Dielectric Phenomena, vol., no., pp. 477-479. [7] Cacciari, M, Contin, A, Montanari, GC 1995, “Use of a Mixed Weibull Distribution for the Identification of PD Phenomena” IEEE Transaction on Dielectrics and Electrical Insulation, vol.2, no.6, pp.1166-1179. [8] Cacciari, M, Contin, A, Rabach, G, Montanari, GC 1995, "An Approach to Partial-Discharge Investigation by Height-Distribution Analysis," IEE Proceedings on Science, Measurement and Technology, vol.142, no.1, pp.102-108. [10] Cavallini, A, Conti, M, Montanari, GC, Contin, A 2002, “Indexes for the Recognition of Insulation System Defects Derived from Partial Discharge Measurements” Conference Record of the 2002 IEEE International Symposium on Electrical Insulation, vol., no., pp 511-515. [11] Cavallini, A, Montanari, GC, Contin, A, Pulleti, F 2003, “A New Approach to the Diagnosis of Solid Insulation System Based on PD Signal Inference”, DEIS IEEE Electrical Insulation Magazine, vol.19, no.2, viewed 1 June 2011. [13] Contin, A, Contessotto, G, Montanari, GC, Cacciari, M 2000 , "Comparing different stochastic models for the identification and separation of concurrent partial discharge phenomena," Eighth International Conference on Dielectric Materials, Measurements and Applications, vol., no., pp.374-379. [14] Contin, A, Gulski, E, Cacciari, M, Montanari, GC 1995, "Applications of the Weibull function to partial discharge data coming from different sources typologies," Conference on Annual Report Electrical Insulation and Dielectric Phenomena, vol., no., pp.335-338. [15] Contin, A, Gulski, E, Cacciari, M, Montanari, GC 1998, “Inference of PD in Electrical Insulation by Charge Height Probability Distribution” IEEE Transactions on Dielectrics and Electrical Insulation,vol.5, no,1, pp.110-117.
Metode identifikasi..., Anggie Chandra Kusumasembada, FT UI, 2013
[16] Contin, A, Montanari, GC, Conti, M, Cacciari, M 2001, “An Invariant Diagnostic Marker for The Identification of Partial Discharge Sources in Electrical Apparatus”, Proceedings of the 2001 ICSD’01 IEEE 7th International Conference on Solid Dielectrics, vol., no., pp.17-290. [17] Contin, A, Montanari GC, Ferraro, C 2000, “PD Source Recognition by Weibull Processing of Pulse Height Distribution” IEEE Transaction on Dielectrics and Electrical Insulation, vol.7, no.1, pp.48-58. [18] Contin, A, Pastore, S 2009 “Classification and Separation of Partial Discharge Signal by Means of their Auto Correlation Function Evaluation”, IEEE Transactions on Dielectrics and Electrical Insulation, vol.16, no.6, pp.1609-1622. [19] De Nigris, M, Rizzi, G, Ombello, F, Pulleti, F, Cavallini, A, Montanari GC, Conti, M 2002, “Cable Diagnosis Based on Defect Location and Characterization Through Partial Discharge Measurements” CIGRE 15-109, session 2002, viewed May 3rd 2011,< http://www.cigre.org>. [22] Goldman, M, Goldman, A, Sigmond, RS 1985, „The Corona Discharge Its Properties and
Specific Uses‟, Pure & Appl. Chem, vol.57, no.9, pp. 1353-1362. [33] Stone, GC, Maughan, C 2008, “Vibration Sparking and Slot Discharge in Stator Windings”, Conference Record of the 2008 IEEE International Symposium on Electrical Insulation, vol., no., pp.148-152 [34] Stone, GC, Wu, R 2009, “Examples of Stator Winding Insulation Deterioration in New Generators”, Proceedings of the 9th International Conference on Properties and Applications of Dielectric Materials, Vol. A42, pp.180-185. [35] Vogelsang, R, Fruth, B, Frohlic, K 2005, „Detection of Electrical Tree Propagation by Partial Discharge Measurements‟ European Transactions on Electrical Power, no.15, pp 1-14.
Metode identifikasi..., Anggie Chandra Kusumasembada, FT UI, 2013