Classificatie van verzadiging van stroomtransformatoren (CT) met behulp van empirische modusdecompositie (EMD) en relevance vector machine (RVM)

Waarom dit belangrijk is om het licht aan te houden

Moderne elektriciteitsnetten vertrouwen op beschermingsapparatuur die binnen enkele duizendsten van een seconde moet beslissen of apparatuur moet worden losgekoppeld bij een fout. Die beslissingen zijn afhankelijk van sensoren die stroomtransformatoren (CT's) worden genoemd, die grote stromen verkleinen zodat elektronica ze veilig kan meten. Wanneer CT's "verzadigd" raken, geven ze niet langer de werkelijke stroom weer, en kunnen beveiligingssystemen aarzelen of onterecht uitschakelen—wat risico's op black-outs of beschadigde apparatuur met zich meebrengt. Deze studie presenteert een nieuwe datagedreven methode om CT-verzadiging snel en betrouwbaar te detecteren, zelfs onder lawaaiige, snel veranderende netomstandigheden.

De verborgen zwakte in een cruciale sensor

Stroomtransformatoren werken als nauwkeurige meettrechters en zetten duizenden ampères in een stroomlijn om in een klein, hanteerbaar signaal voor relais en meters. Maar tijdens fouten—zoals kortsluitingen op lange transmissielijnen—kan de magnetische kern van de CT buiten zijn comfortabele bereik worden geduwd. Eenmaal verzadigd wordt de uitgangsgolf vervormd en "platte top", en weerspiegelt niet langer trouw de echte stroom. Beveiligingsrelais die afhankelijk zijn van dit vervormde signaal kunnen verkeerd inschatten of een fout binnen of buiten een beschermd gebied ligt. Eerdere benaderingen om verzadiging te detecteren gebruikten vaak vaste drempels, eenvoudige golfvormhellingen of specifieke CT-modellen, en hadden vaak moeite met ruis, veranderende belastingen en subtiele, vroege stadia van verzadiging.

Het simuleren van vele manieren waarop een netwerk kan falen

Om nieuwe ideeën rigoureus te testen bouwden de auteurs een gedetailleerd computermodel van een energiesysteem in PSCAD, waarbij een generator, transmissielijn en beschermingsapparatuur werden gekoppeld. Ze injecteerden fouten op veel verschillende punten van de lijn, varieerden fouttypen (zoals lijn-naar-aarde en driefasige fouten), pasten foutweerstand aan en wijzigden de hoek waarop een fout in de spanningsgolf begon. Ze veranderden ook CT-specifieke factoren zoals de belasting aan de secundaire zijde, de hoeveelheid achtergebleven magnetisme in de CT-kern en het ruisniveau in de metingen. Met een realistisch hysteresemodel voor de CT genereerden ze meer dan 200.000 voorbeelden van stroomgolfvormen verdeeld over drie categorieën: geen verzadiging, milde verzadiging en ernstige verzadiging. Deze grote, zorgvuldig opgebouwde dataset zorgde ervoor dat de methode getest werd onder omstandigheden die beveiligingsingenieurs in de praktijk tegenkomen.

Complexe golven in eenvoudigere stukjes breken

De kern van het voorgestelde schema is een signaalverwerkingsmethode genaamd Empirische Modusdecompositie (EMD). In plaats van aan te nemen dat alle signalen met vaste sinusgolven beschreven kunnen worden, breekt EMD elke CT-stroomgolf adaptief op in eenvoudigere bouwstenen die Intrinsic Mode Functions worden genoemd. Deze componenten isoleren van nature hoogfrequente uitbarstingen en subtiele vormveranderingen die optreden wanneer een CT begint te verzadigen. Uit deze componenten berekenen de auteurs een compacte set beschrijvende kenmerken: hoe de energie over frequenties is verdeeld, hoe "piekig" of scheef de golf wordt, hoe de instantane frequentie springt en hoe uitgesmeerd of geordend de energie in de tijd is. Samen vangen deze kenmerken zowel duidelijke als verborgen signalen van verzadiging die voor het menselijk oog gemakkelijk onopgemerkt blijven.

Een slimme classifier het oordeel laten vellen

Zodra de kenmerken zijn geëxtraheerd, worden ze gevoed aan een machine-learningmodel dat Relevance Vector Machine (RVM) heet en, ter vergelijking, een standaard Support Vector Machine (SVM). Beide classifiers leren van 80% van de gesimuleerde gevallen en worden vervolgens getest op de resterende 20%. De RVM volgt een Bayesiaanse benadering: hij verwijdert automatisch niet-helpende kenmerken en behoudt slechts een kleine set "relevance vectors" die het meest van belang zijn voor de beslissing. Dit resulteert in een compact model dat toch waarschijnlijkheden levert voor of een signaal normaal, licht verzadigd of zwaar verzadigd is. De auteurs tonen aan dat de EMD-kenmerken deze drie klassen duidelijk scheiden wanneer ze worden gevisualiseerd, en dat de RVM een beslissing kan nemen in ongeveer 23,5 milliseconde—snel genoeg om ruim vóór de typische relaisbesluitvormingstijd van 50–60 milliseconden te blijven.

Hoe goed het werkt en wat volgt

Op duizenden testgevallen detecteren beide classifiers CT-verzadiging met zeer hoge nauwkeurigheid, maar de RVM presteert consequent het beste. Over het geheel genomen classificeert de RVM ongeveer 99,7% van de gevallen correct, met bijzonder sterke prestaties in normale en licht verzadigde omstandigheden, waar subtiele vervormingen het meest van belang zijn. Het heeft veel minder ondersteuningspunten nodig dan de SVM, waardoor het rekentechnisch efficiënt is en aantrekkelijk voor realtimegebruik in digitale relais. Het team heeft ook een laboratorium hardware-in-the-loop opstelling gebouwd om echte CT-golfvormen onder gecontroleerde foutomstandigheden te genereren, waarmee de basis wordt gelegd om de methode buiten simulaties te valideren. Simpel gezegd laat de studie zien dat door adaptieve signaalsplitsing te combineren met een slank, probabilistisch leermodel, netbeheerders CT-verzadiging vroeg en betrouwbaar kunnen detecteren—waardoor beschermingsrelais betere, snellere beslissingen kunnen nemen en de algehele veerkracht van het elektriciteitsnet verbetert.

Bronvermelding: 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

Trefwoorden: verzadiging van stroomtransformator, beveiliging van stroomnetten, foutdetectie, empirische modusdecompositie, machine learning in netten