Erkennung der Sättigung von Stromwandlern (CT) mittels Empirical Mode Decomposition (EMD) und Relevance Vector Machine (RVM)

Warum das für die Stromversorgung wichtig ist

Moderne Stromnetze verlassen sich auf Schutzeinrichtungen, die in wenigen Tausendstelsekunden entscheiden müssen, ob sie bei einem Fehler Geräte trennen. Diese Entscheidungen beruhen auf Sensoren namens Stromwandler (CT), die hohe Ströme so heruntertransformieren, dass Elektronik sie sicher messen kann. Wenn CTs „sättigen“, geben sie nicht mehr den tatsächlichen Strom wieder, und Schutzsysteme können zögern oder fälschlich auslösen — was Stromausfälle oder Schäden an Geräten zur Folge haben kann. Diese Studie stellt eine neue datengetriebene Methode vor, um CT-Sättigung schnell und zuverlässig zu erkennen, selbst bei verraussten und schnell wechselnden Netzbedingungen.

Die verborgene Schwäche eines kritischen Sensors

Stromwandler wirken wie präzise Messtrichter: Sie wandeln tausende Ampere in einer Hochstromleitung in ein kleines, handhabbares Signal für Relais und Messgeräte. Bei Fehlern — etwa Kurzschlüssen auf langen Übertragungsleitungen — kann der magnetische Kern des CT jedoch über seine Grenze gedrängt werden. Ist er gesättigt, wird die Ausgangsform des Signals verzerrt und „plattformartig“, spiegelt also den echten Strom nicht mehr getreu wider. Schutzeinrichtungen, die auf dieses verzerrte Signal angewiesen sind, können falsch beurteilen, ob ein Fehler innerhalb oder außerhalb einer Schutzzone liegt. Frühere Ansätze zur Erkennung von Sättigung nutzten typischerweise feste Schwellen, einfache Steigungsbetrachtungen oder spezifische CT-Modelle und hatten häufig Probleme mit Rauschen, sich ändernden Lasten und subtilen, frühen Sättigungsphasen.

Simulation vieler Ausfallvarianten im Netz

Um neue Ansätze rigoros zu prüfen, erstellten die Autorinnen und Autoren ein detailliertes Computermodell eines Stromsystems in PSCAD, das einen Generator, eine Übertragungsleitung und Schutzausrüstung verbindet. Sie injizierten Fehler an vielen verschiedenen Punkten der Leitung, variierten Fehlerarten (wie Erdschluss und Dreiphasenfehler), passten Fehlerwiderstände an und änderten den Winkel, zu dem ein Fehler auf der Spannungswelle begann. Außerdem variierten sie CT-spezifische Faktoren wie die Last auf der Sekundärseite, die Restmagnetisierung im Kern und das Rauschlevel in den Messungen. Mit einem realistischen Hysteresemodell für den CT erzeugten sie mehr als 200.000 Stromwellenformbeispiele in drei Kategorien: keine Sättigung, leichte Sättigung und starke Sättigung. Dieses große, sorgfältig strukturierte Datenset stellte sicher, dass die Methode unter Bedingungen getestet wurde, die Schutzingenieure in der Praxis antreffen.

Komplexe Wellen in einfachere Teile zerlegen

Der Kern des vorgeschlagenen Verfahrens ist eine Signalverarbeitungstechnik namens Empirical Mode Decomposition (EMD). Statt anzunehmen, dass alle Signale mit festen Sinuswellen beschrieben werden können, zerlegt EMD jede CT-Stromwellenform adaptiv in einfachere Bausteine, die sogenannten Intrinsic Mode Functions. Diese Komponenten isolieren auf natürliche Weise hochfrequente Impulse und subtile Formänderungen, die auftreten, wenn ein CT anfängt, sich zu sättigen. Aus diesen Komponenten berechnen die Autorinnen und Autoren eine kompakte Menge beschreibender Merkmale: wie die Energie auf Frequenzen verteilt ist, wie „spitz“ oder schief die Welle wird, wie ihre momentane Frequenz springt und wie verteilt oder geordnet die Energie über die Zeit ist. Zusammen erfassen diese Merkmale sowohl offensichtliche als auch verborgene Sättigungsanzeichen, die mit bloßem Auge leicht übersehen würden.

Ein intelligenter Klassifikator trifft die Entscheidung

Sobald die Merkmale extrahiert sind, werden sie in ein maschinelles Lernmodell namens Relevance Vector Machine (RVM) und zum Vergleich in eine Standard Support Vector Machine (SVM) eingespeist. Beide Klassifikatoren lernen aus 80 % der simulierten Fälle und werden dann an den verbleibenden 20 % getestet. Die RVM verfolgt einen bayesianischen Ansatz: Sie verwirft automatisch unbrauchbare Merkmale und behält nur eine kleine Menge „Relevance Vectors“, die für die Entscheidung am wichtigsten sind. Das führt zu einem kompakten Modell, das dennoch Wahrscheinlichkeiten dafür liefert, ob ein gegebenes Signal normal, leicht gesättigt oder stark gesättigt ist. Die Autorinnen und Autoren zeigen, dass sich die EMD-Merkmale bei Visualisierung klar auf die drei Klassen trennen lassen und dass die RVM eine Entscheidung in etwa 23,5 Millisekunden treffen kann — schnell genug, um deutlich vor typischen Relaisentscheidungszeiten von 50–60 Millisekunden zu liegen.

Wie gut es funktioniert und was als Nächstes kommt

An Tausenden von Testfällen erkennen beide Klassifikatoren CT-Sättigung mit sehr hoher Genauigkeit, wobei die RVM konstant die besten Ergebnisse liefert. Insgesamt klassifiziert die RVM etwa 99,7 % der Fälle korrekt, mit besonders starker Leistung in normalen und leicht gesättigten Zuständen, in denen subtile Verzerrungen am wichtigsten sind. Sie benötigt deutlich weniger Stützpunkte als die SVM, was sie rechnerisch effizient und attraktiv für den Echtzeinsatz in digitalen Relais macht. Das Team hat außerdem eine Labor-Hardware-in-the-Loop-Versuchsanordnung aufgebaut, um reale CT-Wellenformen unter kontrollierten Fehlerbedingungen zu erzeugen und die Methode über Simulationen hinaus zu validieren. Einfach gesagt zeigt die Studie, dass durch die Kombination adaptiver Signalzerlegung mit einem schlanken, probabilistischen Lernmodell Versorgungsunternehmen CT-Sättigung früh und zuverlässig erkennen können — wodurch Schutzeinrichtungen bessere und schnellere Entscheidungen treffen und die Gesamtresilienz des Stromnetzes verbessert wird.

Zitation: 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

Schlüsselwörter: Sättigung von Stromwandlern, Schutz von Stromnetzen, Fehlererkennung, Empirical Mode Decomposition, Maschinelles Lernen in Netzen