Данная работа посвящена исследованию методов диагностики высоковольтного оборудования и построению нейросетевой модели для диагностики трансформаторного ввода. Задачи, решенные в работе: 1. Изучение методов диагностики высоковольтного оборудования. 2. Выявление преимуществ и недостаток тепловизионной диагностики. 3. Исследование конечноэлементного метода. 4. Разработка нейросетевой модели. В рамках выпускной квалификационной работы проведено исследование в области диагностики высоковольтного оборудования и создания конечно-элементной модели трансформаторного ввода. Детально изучены современные методы диагностики, включая анализ электрического состояния, диэлектрических свойств, вибрации, магнитных полей рассеяния и акустических колебаний, а также хроматографический анализ растворенных газов и тепловизионное обследование. Во второй части работы решена задача создания конечно-элементной модели трансформаторного ввода с последующим построением нейросетевой модели для определения количественной характеристики состояния изоляции. Результаты работы подтверждают эффективность применения современных методов диагностики и комбинации конечно-элементного моделирования с машинным обучением в исследовании состояния изоляции трансформаторного ввода.

This work is devoted to the study of high-voltage equipment diagnostic methods and the construction of a neural network model for transformer bushing diagnostics. The tasks that were solved in the research: 1. Study of high-voltage equipment diagnostic methods. 2. Identification of the advantages and disadvantages of thermal imaging diagnostics. 3. Study of the finite element method. 4. Development of a neural network model. As part of the thesis, research was carried out in the field of high-voltage equipment diagnostics and the creation of a finite element model of a transformer bushing. Modern diagnostic methods have been studied in detail, including the analysis of the electrical state, dielectric properties, vibration, scattered magnetic fields and acoustic vibrations, as well as chromatographic analysis of dissolved gases and thermal imaging inspection. In the second part of the work, the task of creating a finite element model of a transformer bushing was solved, followed by the construction of a neural network model to determine the quantitative characteristics of the insulation state. The results of the work confirm the effectiveness of using modern diagnostic methods and the combination of finite element modeling with machine learning in the study of the state of the transformer bushing insulator.