סיווג רוויה של טרנספורמטור זרם (CT) באמצעות פירוק למודים אמפירי (EMD) ומכונת וקטורים רלוונטיים (RVM)

מדוע זה חשוב לשמירת האור דולק

רשתות חשמל מודרניות תלויות במכשירי הגנה שצריכים להחליט, בתוך אלפי שניות השנייה, האם לנתק ציוד כאשר מתרחשת תקלה. החלטות אלה תלויות בחיישנים הנקראים טרנספורמטורי זרם (CT), שמקטינים זרמים גבוהים כדי שהאלקטרוניקה תוכל למדוד אותם בבטחה. כאשר ה-CT נכנסים ל"רוויה", הם מפסיקים לדווח את הזרם האמיתי, ומערכות ההגנה עלולות להיסחב או לנתק ללא צורך — מה שמסכן התחשמלות חשמלית או נזק לחומרה. המחקר הזה מציג שיטה חדשה מונחית-נתונים לזהוי רוויה של CT במהירות ובאמינות, גם בתנאי רעש ושינויים מהירים ברשת.

החולשה החבויה בחיישן קריטי

טרנספורמטורי זרם פועלים כמו משפכי מדידה מדויקים, הממירים אלפי אמפר בקו הולכה לאות קטן שניתן למדידות של ריליים ומדדים. אך במהלך תקלות — כגון קצרי חשמל בקווי מתח גבוה ארוכים — ליבת הטרנספורמציה המגנטית עלולה להיות נדחפת מעבר לטווח הפעולה שלה. לאחר רוויה, צורת הגל ביציאה מתעוותת ו"שטוחה" בחלקה, ואינה משקפת עוד את הזרם האמיתי. ריליים שמסתמכים על האות המעוות הזה עלולים לשגות בהערכת האם התקלה בתוך אזור מוגן או מחוצה לו. גישות מוקדמות לזיהוי רוויה השתמשו בדרך כלל בספים קבועים, בשיפועים פשוטים של צורת הגל או במודלים ספציפיים של CT, והן נאבקו לעתים ברעש, בעומסים משתנים ובתופעות רוויה עדינות בשלבים המוקדמים.

סימולציה של דרכים רבות בהן הרשת עלולה להכשל

כדי לבחון רעיונות חדשים באופן קפדני, המחברים בנו מודל מחשב מפורט במערכת PSCAD, שקישר גנרטור, קו מתח וציוד מגן. הם הזריקו תקלות במיקומים שונים על הקו, גוונו סוגי תקלה (כגון תקלה פזה לאדמה ותקלה תלת-פאזית), שינו את ההתנגדות של התקלה ושינו את הזווית בה התחילה התקלה בגל המתח. הם גם שינו גורמים ספציפיים ל-CT כמו העומס בצד המשני, כמות השארית המגנטית בליבה ורמת הרעש במדידות. באמצעות מודל היסטרזיס ריאלי ל-CT, הם ייצרו יותר מ-200,000 דוגמאות של צורות גל זרם שחולקו לשלוש קטגוריות: ללא רוויה, רוויה קלה ורוויה חמורה. מאגר נתונים גדול ומובנה זה הבטיח שהשיטה תיבחן בתנאים שאנשי הגנה נתקלים בהם בפועל.

פירוק גלים מורכבים לחלקים פשוטים יותר

הליבה של הסכימה המוצעת היא שיטת עיבוד אותות הנקראת פירוק למודים אמפירי (EMD). במקום להניח שכל האותות יתוארו בגלי סינוס קבועים, EMD מפרק באופן אדפטיבי כל צורת גל זרם של CT לרכיבים פשוטים יותר שנקראים פונקציות מוד פנימיות. רכיבים אלה מבודדים באופן טבעי התפרצויות תדר גבוה ושינויים עדינים בצורה שמופיעים כאשר ה-CT מתחיל להיכנס לרוויה. מתוך רכיבים אלה המחברים מחשבים קבוצה קומפקטית של תכונות תיאוריות: כיצד האנרגיה מתפלגת על פני תדרים, עד כמה הגל "מחודד" או מסולקצט, כיצד התדר המיידי קופץ וכמה האנרגיה מפוזרת או מסודרת לאורך הזמן. ביחד, תכונות אלה לוכדות סימנים ברורים וחבויים של רוויה שקל לעין אנושית לפספס.

לתת לממיין חכם לקבל את ההחלטה

לאחר חילוץ התכונות, הן מוזנות למודל למידת מכונה הנקרא מכונת וקטורים רלוונטיים (RVM), ולמטרת השוואה גם למכונת וקטורים תומכת סטנדרטית (SVM). שני הממיינים לומדים מ-80% מהמקרים המדומים ונבחנים לאחר מכן על 20% הנותרים. ה-RVM נוקט בגישה בייזיאנית: הוא באופן אוטומטי מפסל תכונות שאינן מועילות, ומשאיר רק קבוצה קטנה של "וקטורי רלוונטיות" החשובים ביותר להחלטה. זה מניב מודל קומפקטי שעדיין מספק הסתברויות לכך שאות מסוים הוא תקין, בעל רוויה קלה או רוויה חמורה. המחברים מראים שתכונות ה-EMD מפרידות בבירור בין שלוש הקטגוריות הללו כשהן מוויזואליזציה, ושה-RVM יכול להגיע להחלטה בכ-23.5 מילישניות — מהיר מספיק כדי להקדים בזמנו את החלטות הריליי הטיפוסיות של 50–60 מילישניות.

כמה טוב זה עובד ומה הלאה

באלפי מקרי מבחן, שני הממיינים מזהים רוויה של CT בדיוק גבוה מאוד, אך ה-RVM מצטיין באופן עקבי. בסך הכל ה-RVM מסווג נכון כ-99.7% מהמקרים, עם ביצועים חזקים במיוחד בתנאים נורמליים וברוויה קלה, שבהם עיוותים עדינים הם החשובים ביותר. הוא דורש הרבה פחות נקודות תמיכה מאשר ה-SVM, מה שהופך אותו ליעיל חישובית ואטרקטיבי לשימוש בזמן אמת בריליים דיגיטליים. הצוות גם בנה ניסוי מעבדה מסוג hardware-in-the-loop כדי ליצור צורות גל CT אמיתיות בתנאי תקלה מבוקרים, ומכין את הקרקע לאימות השיטה מעבר לסימולציות. בפשטות, המחקר מראה שבריבוי פירוק אותות אדפטיבי עם מודל למידה פרובביליסטי קומפקטי, חברות תשתית יכולות לזהות רוויה של CT מוקדם ובאמינות — מה שעוזר לריליים ההגנה לקבל החלטות מהירות וטובות יותר ומשפר את החוסן הכולל של רשת החשמל.

ציטוט: 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

מילות מפתח: רוויה של טרנספורמטור זרם, הגנה במערכות חשמל, זיהוי תקלות, פירוק למודים אמפירי, למידת מכונה ברשתות