Metodo di previsione dell’attenuazione della misura del trasformatore capacitivo di tensione basato su modello a doppia gaussiana - fusione KAN

Perché è importante sorvegliare i “termometri” della rete

Le reti elettriche moderne si affidano a dispositivi speciali che riducono tensioni estremamente elevate a livelli più sicuri affinché possano essere misurate e fatturate. Tra questi, i trasformatori capacitivi di tensione (CVT) sono gli elementi fondamentali delle linee ad alta tensione. Tuttavia, dopo anni di servizio le loro letture possono scostarsi gradualmente, un po’ come una bilancia da bagno che perde calibrazione. Questo articolo presenta un nuovo metodo per valutare continuamente la qualità delle misure di un CVT e per prevedere quando la sua accuratezza peggiorerà, aiutando gli operatori di rete a pianificare la manutenzione prima che errori causino contestazioni costose o problemi di stabilità.

Come questi rilevatori di tensione perdono progressivamente efficacia

I CVT utilizzano pile di condensatori e un trasformatore per ridurre centinaia di kilovolt a segnali gestibili da contatori e sistemi di protezione. Il loro vantaggio è la compattezza, il costo relativamente contenuto e l’adattamento alle ultra‑alte tensioni. Ma la loro struttura interna non è immutabile: escursioni termiche, invecchiamento dell’isolamento e carichi variabili spostano i componenti dai valori ideali. Quando ciò avviene, il rapporto tra la tensione reale della rete e l’uscita a bassa tensione riportata cambia. Se l’errore di rapporto supera una tolleranza ristretta, le misure non rispecchiano più la realtà, compromettendo scambi energetici, analisi dei guasti e schemi di protezione automatici.

Perché i controlli tradizionali non bastano

Oggi molte utility si affidano ancora a controlli periodici offline. Apparecchiature di riferimento pesanti vengono portate in una cabina, le linee vengono temporaneamente tolte di servizio e ogni CVT viene testato rispetto a uno standard. In teoria questo dovrebbe avvenire ogni pochi anni; nella pratica viene spesso rimandato per conflitti di programmazione e per la logistica legata allo spostamento di strumenti ingombranti. Nel frattempo, i flussi di dati in tempo reale della rete sono rumorosi e influenzati da condizioni operative in continuo cambiamento, rendendo difficile individuare a occhio nudo o con statistiche semplici una deriva lenta delle misure. Approcci precedenti basati su modelli circuitali dettagliati o su apprendimento automatico generico spesso hanno faticato perché richiedevano parametri interni precisi o perché venivano confusi dalle fluttuazioni e dai dati di addestramento limitati.

Un unico punteggio di salute per ogni trasformatore

Per fare ordine, gli autori comprimono innanzitutto il segnale di tensione grezzo di ciascun CVT in un compatto indice di prestazione che chiamano Stato di Prestazione (SOP). Applicano una trasformata wavelet, uno strumento matematico che separa un segnale in trend a bassa frequenza e componenti veloci. Concentrandosi sulla componente a bassa frequenza principale e confrontandola con una baseline ottenuta da un CVT sano, ottengono un unico numero che diminuisce in modo costante man mano che il dispositivo si degrada. In test di laboratorio in cui il team ha incrementato deliberatamente l’errore di rapporto di una fase mantenendo le altre quasi normali, la curva SOP è diminuita in modo regolare all’aumentare dell’errore, dimostrando che questo indice segue il degrado a lungo termine filtrando gran parte del rumore casuale.

Separare la deriva lenta dalle vibrazioni

Anche questo punteggio di salute non è perfettamente liscio: condizioni di rete e imperfezioni di misura aggiungono comunque ondulazioni e picchi. I ricercatori applicano quindi un secondo metodo di decomposizione che scompone la curva SOP in una “spina dorsale” a lenta variazione più un insieme di componenti brevi e increspate. La spina dorsale cattura la marcia complessiva verso il basso dell’accuratezza, mentre le parti fluttuanti descrivono gli alti e bassi a breve termine. Questa separazione permette al team di adattare strumenti di previsione differenti a comportamenti diversi invece di costringere un unico modello a gestire tutto contemporaneamente.

Due strumenti intelligenti che lavorano insieme

Per la spina dorsale liscia, gli autori utilizzano un modello a doppia gaussiana — una curva flessibile costruita dalla somma di due profili a campana — per seguire i cambiamenti sottili nella deriva del CVT nel tempo, specialmente quando il pattern non è puramente lineare. Per i componenti più irregolari impiegano un tipo più recente di rete neurale chiamata rete Kolmogorov–Arnold (KAN). Diversamente dai modelli di deep learning standard, la KAN usa segmenti di curva regolabili come elementi base, il che le permette di apprendere pattern complessi da relativamente pochi esempi senza sovradattarsi. Addestrato su esperimenti di degrado progettati con cura usando un sistema di prova online trifase, l’approccio combinato ricostruisce i futuri valori SOP sommando la spina dorsale doppia‑gaussiana e le fluttuazioni predette dalla KAN.

Cosa significa per una rete più intelligente

In test comparativi, la fusione del modello a doppia gaussiana e della KAN ha predetto costantemente lo stato dei CVT con maggiore precisione rispetto alle reti neurali classiche e ad altre tecniche di machine learning. Gli errori tra i valori SOP previsti e quelli reali sono risultati contenuti, e il metodo ha catturato sia la tendenza al declino a lungo termine sia le oscillazioni su scala più fine. Per gli operatori di rete, questo si traduce in un indicatore di allerta precoce: invece di aspettare un intervento programmato o una controversia di fatturazione per scoprire che un trasformatore è fuori calibrazione, si potrebbero monitorare in tempo reale le tendenze del SOP e programmare la manutenzione quando un dispositivo mostra chiaramente una traiettoria discendente. Man mano che i sistemi elettrici diventano più automatizzati e guidati dai dati, un monitoraggio intelligente degli strumenti di misura della rete è un passo fondamentale verso un’infrastruttura affidabile e autoconsapevole.

Citazione: 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

Parole chiave: trasformatore capacitivo di tensione, monitoraggio delle condizioni, manutenzione predittiva, previsione di serie temporali, misurazione della rete elettrica