تصنيف تشبع محوّل التيار (CT) باستخدام التحلل العيني للطور (EMD) وآلة المتجه الملائم (RVM)

لماذا هذا مهم للحفاظ على استمرار التيار

تعتمد شبكات الطاقة الحديثة على أجهزة حماية يجب أن تقرر، في غضون أجزاء من الثانية، ما إذا كانت ستفصل المعدات عند حدوث خطأ. تعتمد هذه القرارات على حسّاسات تُسمى محولات التيار (CTs)، التي تقلّل التيارات الكبيرة إلى قيم يمكن للإلكترونيات قياسها بأمان. عندما يدخل المحول في حالة "تشبع"، يتوقف عن الإبلاغ عن التيار الحقيقي، وقد تتردد أنظمة الحماية أو تتسبب في فصل خاطئ—مما يعرض الشبكة لانقطاع التيار أو الأضرار بالمعدات. تقدم هذه الدراسة طريقة جديدة قائمة على البيانات للكشف عن تشبع محولات التيار بسرعة وبموثوقية، حتى في ظل ظروف الشبكة المتغيرة بسرعة والمحمّلة بالضوضاء.

النقطة الضعيفة الخفية في حسّاس حاسم

يعمل محول التيار كقناة قياس دقيقة، يحوّل آلاف الأمبير في خط ناقل إلى إشارة صغيرة قابلة للقياس للمرحلات والعدادات. لكن أثناء الأخطاء—مثل الدوائر القصيرة على خطوط النقل الطويلة—قد يُدفع النواة المغناطيسية للمحول إلى ما بعد منطقة التشغيل الآمنة. عند التشبع، يصبح شكل موجة الخرج مشوهاً ومسطح القمة، ولم يعد يعكس التيار الحقيقي بدقة. قد تسيء المرحلات التي تعتمد على هذه الإشارة المشوهة تقييم ما إذا كان الخطأ داخل أو خارج منطقة الحماية. اعتمدت أساليب سابقة عادةً على حدود ثابتة، ميول موجية بسيطة، أو نماذج محول محددة، وغالباً ما كانت تكافح الضوضاء، والتغير في الأحمال، والتشبع المبكر والخفي.

محاكاة العديد من طرق فشل الشبكة

لاختبار الأفكار بدقة، بنى الباحثون نموذجاً حاسوبياً مفصلاً لنظام طاقة في PSCAD، يربط مولداً وخط نقل ومعدات وقائية. حقنوا أخطاء عند نقاط مختلفة على الخط، وغيروا أنواع الأخطاء (مثل خط-إلى-أرض والأخطاء الثلاثية الطور)، عدّلوا مقاومة الخطأ، وغيروا زاوية بدء الخطأ على موجة الجهد. كما غيّروا عوامل خاصة بالمحول مثل الحمل على الجانب الثانوي، وكمية المغناطيسية الباقية في نواة المحول، ومستوى الضوضاء في القياسات. باستخدام نموذج هستيريزي واقعي للمحول، أنتجوا أكثر من 200,000 مثال لموجات التيار تغطي ثلاث فئات: لا تشبع، تشبع خفيف، وتشبع حاد. هذه المجموعة الكبيرة والمنظمة بعناية ضمنت اختبار الطريقة عبر ظروف يواجهها مهندسو الحماية عملياً.

تفكيك الموجات المعقدة إلى أجزاء أبسط

جوهر المخطط المقترح هو طريقة معالجة إشارة تسمى التحلل العيني للطور (EMD). بدلاً من افتراض أن جميع الإشارات يمكن وصفها بموجات جيبية ثابتة، يكسر EMD بشكل تكيفي كل موجة تيار للمحول إلى وحدات أبسط تُسمى وظائف الوضع الذاتي. تعزل هذه المكونات بشكل طبيعي اندفاعات التردد العالي والتغيرات الطفيفة في الشكل التي تظهر عندما يبدأ المحول بالتشبع. من هذه المكونات، يحسب المؤلفون مجموعة مضغوطة من الميزات الوصفية: كيفية توزيع الطاقة عبر الترددات، مدى "حدبية" أو انحراف الموجة، كيف تقفز تردداتها اللحظية، وكيف تنتشر الطاقة أو تتدرج بمرور الوقت. معاً، تلتقط هذه الميزات علامات التشبع الواضحة والمخفية التي قد تغيب عن العين البشرية.

ترك التصنيف الذكي يتولى القرار

بعد استخراج الميزات، تُغذى إلى نموذج تعلم آلي يسمى آلة المتجه الملائم (RVM)، وللمقارنة إلى آلة المتجه الداعمة القياسية (SVM). يتعلم كلا المصنفين من 80% من الحالات المحاكاة ثم يُختبران على الـ20% المتبقية. يتبع RVM نهجاً بايزياً: يستبعد تلقائياً الميزات غير المفيدة، محتفظاً بمجموعة صغيرة فقط من "متجهات الصلة" الأكثر أهمية للقرار. ينتج عن ذلك نموذج مضغوط يقدم مع ذلك احتمالات تصنيف الإشارة كطبيعية، مشبعة خفيفاً، أو مشبعة بشدة. يوضح المؤلفون أن ميزات EMD تفرّق هذه الفئات الثلاث بوضوح عند تصورها، وأن RVM يمكنه الوصول إلى قرار خلال نحو 23.5 مللي ثانية—سريع بما يكفي لتجاوز أزمنة قرار المرحلات النموذجية البالغة 50–60 مللي ثانية.

مدى فعاليته وما التالي

على آلاف حالات الاختبار، اكتشف كلا المصنفين تشبع محول التيار بدقة عالية جداً، لكن RVM أداؤه أفضل باستمرار. بشكل عام، يصنّف RVM حوالي 99.7% من الحالات بشكل صحيح، مع أداء قوي خصوصاً في الحالات الطبيعية والمشّبعة خفيفاً حيث تكون التشوهات الطفيفة ذات أهمية. يحتاج إلى نقاط دعم أقل بكثير من SVM، مما يجعله فعالاً حسابياً وجذاباً للاستخدام في الوقت الحقيقي داخل المرحلات الرقمية. بنى الفريق أيضاً منظومة مختبرية تعمل بالمعدات-ضمن-الدائرة لتوليد موجات CT حقيقية تحت شروط خطأ محكومة، ممهّداً الطريق للتحقق من الطريقة خارج نطاق المحاكاة. بعبارة بسيطة، تُظهر الدراسة أنه بدمج التحلل التكيفي للإشارة مع نموذج تعلم احتمالي نحيف، يمكن للمرافق الكشف عن تشبع محول التيار مبكراً وبموثوقية—مما يساعد المرحلات الوقائية على اتخاذ قرارات أفضل وأسرع ويعزز متانة شبكة الطاقة ككل.

الاستشهاد: Chothani, N., Vyas, P., Sonawane, C. et al. Current transformer (CT) saturation classification using empirical mode decomposition (EMD) and relevance vector machine (RVM). Sci Rep 16, 5754 (2026). https://doi.org/10.1038/s41598-026-35444-2

الكلمات المفتاحية: تشبع محول التيار, حماية أنظمة الطاقة, اكتشاف الأخطاء, التحلل العيني للطور, التعلم الآلي في الشبكات