Classificazione della saturazione del trasformatore di corrente (CT) usando la decomposizione modal empirica (EMD) e la relevance vector machine (RVM)

Perché questo è importante per mantenere le luci accese

Le reti elettriche moderne si basano su dispositivi di protezione che devono decidere, in pochi millesimi di secondo, se scollegare apparecchiature quando si verifica un guasto. Quelle decisioni dipendono da sensori chiamati trasformatori di corrente (CT), che riducono correnti elevate in segnali misurabili in sicurezza dall’elettronica. Quando i CT vanno in “saturazione”, smettono di riportare la corrente reale e i sistemi di protezione possono esitare o intervenire inutilmente—mettendo a rischio blackout o danni all’hardware. Questo studio presenta un nuovo metodo guidato dai dati per individuare la saturazione dei CT in modo rapido e affidabile, anche in condizioni di rete rumorose e in rapido cambiamento.

La debolezza nascosta in un sensore critico

I trasformatori di corrente funzionano come imbuto di misura preciso, trasformando migliaia di ampere su una linea in un segnale piccolo e gestibile per relè e contatori. Ma durante i guasti—come i cortocircuiti su linee di trasmissione lunghe—il nucleo magnetico del CT può essere spinto oltre la sua zona di comfort. Una volta saturato, la forma d’onda di uscita si deforma diventando “appiattita” e non rispecchia più fedelmente la corrente reale. I relè di protezione che si basano su questo segnale distorto possono valutare erroneamente se un guasto è dentro o fuori una zona protetta. Gli approcci precedenti per rilevare la saturazione tipicamente usavano soglie fisse, pendenze semplici della forma d’onda o modelli specifici di CT, e spesso faticavano con il rumore, i carichi variabili e la saturazione sottile nelle fasi iniziali.

Simulare i molti modi in cui una rete può guastarsi

Per testare rigorosamente nuove idee, gli autori hanno costruito un modello dettagliato di un sistema elettrico in PSCAD, collegando un generatore, una linea di trasmissione e dispositivi di protezione. Hanno iniettato guasti in molti punti diversi della linea, variato i tipi di guasto (come guasti a terra o trifase), aggiustato la resistenza del guasto e modificato l’angolo di inizio del guasto sulla sinusoide di tensione. Hanno anche cambiato fattori specifici del CT come l’onere sul secondario, la quantità di magnetismo residuo nel nucleo del CT e il livello di rumore nelle misure. Usando un modello realistico di isteresi per il CT, hanno generato più di 200.000 esempi di forme d’onda di corrente suddivisi in tre categorie: nessuna saturazione, saturazione lieve e saturazione severa. Questo ampio e accuratamente strutturato dataset ha assicurato che il metodo fosse testato nelle condizioni che gli ingegneri di protezione incontrano nella pratica.

Spezzare onde complesse in parti più semplici

Il fulcro dello schema proposto è un metodo di elaborazione del segnale chiamato Decomposizione Modal Empirica (EMD). Invece di assumere che tutti i segnali possano essere descritti con onde sinusoidali fisse, l’EMD scompone in modo adattivo ogni forma d’onda di corrente del CT in blocchi costitutivi più semplici chiamati Funzioni Intrinseche di Modo. Questi componenti isolano naturalmente scoppi ad alta frequenza e cambiamenti sottili di forma che appaiono quando un CT inizia a saturarsi. Da questi componenti, gli autori calcolano un insieme compatto di caratteristiche descrittive: come l’energia è distribuita tra le frequenze, quanto la forma è appuntita o asimmetrica, come salta la frequenza istantanea e quanto l’energia è distribuita o ordinata nel tempo. Insieme, queste caratteristiche catturano sia i segni ovvi sia quelli nascosti della saturazione che potrebbero sfuggire all’occhio umano.

Lasciare a un classificatore intelligente la decisione

Una volta estratte le caratteristiche, vengono alimentate in un modello di apprendimento automatico chiamato Relevance Vector Machine (RVM) e, per confronto, in una Support Vector Machine (SVM) standard. Entrambi i classificatori apprendono dall’80% dei casi simulati e vengono poi testati sul restante 20%. L’RVM adotta un approccio bayesiano: scarta automaticamente le caratteristiche non utili, mantenendo solo un piccolo insieme di “vettori di rilevanza” che contano maggiormente per la decisione. Il risultato è un modello compatto che fornisce comunque probabilità sul fatto che un dato segnale sia normale, leggermente saturato o fortemente saturato. Gli autori mostrano che le caratteristiche EMD separano chiaramente queste tre classi quando visualizzate, e che l’RVM può arrivare a una decisione in circa 23,5 millisecondi—sufficientemente veloce da precedere i tempi di decisione tipici dei relè di 50–60 millisecondi.

Quanto bene funziona e cosa viene dopo

Su migliaia di casi di prova, entrambi i classificatori rilevano la saturazione del CT con precisione molto alta, ma l’RVM ottiene prestazioni costantemente migliori. Complessivamente, l’RVM classifica correttamente circa il 99,7% dei casi, con prestazioni particolarmente solide nelle condizioni normali e di saturazione lieve, dove le distorsioni sottili sono più critiche. Richiede molti meno punti di supporto rispetto alla SVM, rendendolo computazionalmente efficiente e interessante per l’uso in tempo reale nei relè digitali. Il gruppo ha inoltre realizzato un banco di prova hardware-in-the-loop in laboratorio per generare forme d’onda reali di CT sotto condizioni di guasto controllate, preparando la validazione del metodo oltre le simulazioni. In termini chiari, lo studio mostra che combinando una decomposizione adattiva del segnale con un modello di apprendimento probabilistico snello, le utility possono individuare la saturazione dei CT in modo precoce e affidabile—aiutando i relè di protezione a prendere decisioni migliori e più rapide e migliorando la resilienza complessiva della rete elettrica.

Citazione: 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

Parole chiave: saturazione del trasformatore di corrente, protezione delle reti elettriche, rilevamento dei guasti, decomposizione modal empirica, apprendimento automatico nelle reti