Trendvorhersagemethode für die Verschlechterung der Messung von kapazitiven Spannungswandlern basierend auf einem doppelten Gauß‑Modell‑KAN‑Fusion

Warum es wichtig ist, die „Thermometer“ des Netzes im Blick zu behalten

Moderne Stromnetze verlassen sich auf spezielle Geräte, die extrem hohe Spannungen auf sichere Messwerte heruntertransformieren, damit sie erfasst und abgerechnet werden können. Unter diesen sind kapazitive Spannungswandler (CVTs) die Arbeitspferde auf Hochspannungsleitungen. Im Laufe der Jahre können ihre Messwerte jedoch unbemerkt driftetn, ähnlich einer Personenwaage, die langsam aus der Kalibrierung gerät. Diese Arbeit stellt eine neue Methode vor, um kontinuierlich den Gesundheitszustand der CVT‑Messungen zu beurteilen und vorherzusagen, wann ihre Genauigkeit nachlässt, sodass Netzbetreiber Wartungen planen können, bevor Fehler zu kostspieligen Streitfällen oder Stabilitätsproblemen führen.

Wie diese Spannungswächter nach und nach an Präzision verlieren

CVTs nutzen Kapazitorstapel und einen Transformator, um Hunderte von Kilovolt in Signale zu überführen, die Zähler und Schutzsysteme verarbeiten können. Ihr Vorzug ist, dass sie kompakt, vergleichsweise kostengünstig und für Ultrahochspannungen geeignet sind. Ihre inneren Werte sind jedoch nicht statisch: Temperaturschwankungen, alternde Isolierung und sich ändernde Lasten verschieben interne Komponenten von ihren Idealwerten. Dann driftet das Verhältnis zwischen der tatsächlichen Netzspannung und der gemeldeten Niederspannungsausgabe. Wenn der Verhältnisfehler über eine enge Toleranz hinauswächst, stimmen die Messungen nicht mehr mit der Realität überein, was Energiehandel, Fehleranalyse und automatische Schutzschemata untergräbt.

Warum traditionelle Prüfungen nicht ausreichen

Viele Versorgungsunternehmen verlassen sich heute noch auf periodische Offline‑Prüfungen. Schweres Referenzequipment wird in eine Schaltanlage gebracht, Leitungen werden kurz außer Betrieb genommen und jeder CVT wird gegen einen Standard getestet. Theoretisch sollte dies alle paar Jahre geschehen; in der Praxis wird es oft durch Terminierungskonflikte und die Logistik schwerer Geräte verzögert. Unterdessen sind die Live‑Datenströme des Netzes verrauscht und von sich ständig ändernden Betriebsbedingungen beeinflusst, sodass ein langsamer Messdrift weder mit bloßem Auge noch mit einfachen Statistiken leicht zu erkennen ist. Frühere Ansätze, die auf detaillierten Schaltungsmodellen oder generischem Machine Learning beruhten, hatten oft Schwierigkeiten, weil sie präzise interne Parameter benötigten oder durch Schwankungen und begrenzte Trainingsdaten verwirrt wurden.

Ein einzelner Gesundheitswert für jeden Wandler

Um dieses Durcheinander zu ordnen, komprimieren die Autorinnen und Autoren zunächst das rohe Spannungssignal jedes CVT zu einer kompakten Leistungskennzahl, die sie State of Performance (SOP) nennen. Sie wenden eine Wavelet‑Transformation an, ein mathematisches Werkzeug, das ein Signal in langsam variierende Trends und schnelle Schwankungen zerlegt. Indem sie sich auf die größte Niedrigfrequenzkomponente konzentrieren und diese mit einer Referenz eines gesunden CVT vergleichen, erhalten sie eine einzelne Zahl, die bei Verschlechterung des Geräts stetig sinkt. In Labortests, in denen das Team gezielt den Verhältnisfehler einer Phase erhöhte, während die anderen nahe dem Normalwert gehalten wurden, fiel die SOP‑Kurve gleichmäßig mit wachsendem Fehler — ein Beleg dafür, dass dieser Index langfristige Degradation verfolgt und gleichzeitig einen Großteil des zufälligen Rauschens herausfiltern kann.

Glatten Drift von Jitter trennen

Selbst dieser Gesundheitswert ist nicht völlig glatt: Netzbedingungen und Messungenauigkeiten fügen weiterhin Unebenheiten und Welligkeit hinzu. Die Forscherinnen und Forscher wenden daher eine zweite Zerlegungsmethode an, die die SOP‑Kurve in ein langsam veränderliches „Rückgrat“ und eine Reihe kleiner, sprunghafter Komponenten aufspaltet. Das Rückgrat erfasst den allgemeinen Abwärtstrend der Genauigkeit, während die schwankenden Teile kurzfristige Auf‑ und Abschwünge beschreiben. Diese Trennung erlaubt es dem Team, unterschiedliche Vorhersagewerkzeuge für verschiedene Verhaltensweisen einzusetzen, anstatt ein einzelnes Modell alles auf einmal bewältigen zu lassen.

Zwei intelligente Werkzeuge im Zusammenspiel

Für das glatte Rückgrat verwenden die Autorinnen und Autoren ein doppeltes Gauß‑Modell — eine flexible Kurve, die aus der Summe zweier glockenförmiger Profile besteht — um subtile Veränderungen im Driftverhalten des CVT über die Zeit zu verfolgen, insbesondere wenn das Muster nicht rein linear ist. Für die zitternden Komponenten setzen sie ein neueres neuronales Netz ein, das Kolmogorov–Arnold‑Netz (KAN) genannt wird. Anders als Standard‑Deep‑Learning‑Modelle nutzt KAN anpassbare Kurvenabschnitte als Bausteine, was ihm hilft, komplexe Muster aus vergleichsweise wenigen Beispielen zu lernen, ohne zu überfitten. Trainiert an sorgfältig gestalteten Degradationsversuchen mit einem dreiphasigen Online‑Prüfsystem rekonstruiert der kombinierte Ansatz zukünftige SOP‑Werte, indem das doppelte Gauß‑Rückgrat und die von KAN vorhergesagten Schwankungen addiert werden.

Was das für ein intelligenteres Netz bedeutet

In Vergleichstests sagte die Fusion aus doppeltem Gauß‑Modell und KAN den Zustand von CVTs konstant genauer voraus als klassische neuronale Netze und andere Machine‑Learning‑Techniken. Die Abweichungen zwischen prognostizierten und tatsächlichen SOP‑Werten waren gering, und die Methode erfasste sowohl den langfristigen Genauigkeitsverlust als auch die feiner skalierten Welligkeiten. Für Netzbetreiber übersetzt sich das in ein Frühwarninstrument: Statt auf planmäßige Abschaltungen oder Abrechnungsstreitigkeiten zu warten, die anzeigen, dass ein Wandler driftet, könnten sie SOP‑Trends in Echtzeit überwachen und Wartungen terminieren, sobald ein Gerät eindeutig auf einem Abwärtspfad ist. Da Energiesysteme immer automatisierter und datengesteuerter werden, ist eine solche intelligente Überwachung der eigenen Messinstrumente des Netzes ein wichtiger Schritt hin zu zuverlässiger, selbstbewusster Infrastruktur.

Zitation: Du, B., Diao, Y., Zhou, F. et al. Trend prediction method for capacitive voltage transformer measurement deterioration based on double Gaussian model-KAN fusion. Sci Rep 16, 11785 (2026). https://doi.org/10.1038/s41598-026-35455-z

Schlüsselwörter: kapazitiver Spannungswandler, Zustandsüberwachung, vorausschauende Wartung, Zeitreihenvorhersage, Netzstrommessung