Trendvoorspellingsmethode voor verslechtering van capacatieve spanningstransformatormeting op basis van dubbel Gaussiaans model-KAN-fusie

Waarom het belangrijk is de ‘thermometers’ van het net in de gaten te houden

Moderne elektriciteitsnetten vertrouwen op speciale apparaten die extreem hoge spanningen terugbrengen naar veiligere niveaus zodat ze gemeten en gefactureerd kunnen worden. Onder deze apparaten zijn capacatieve spanningstransformatoren (CVT’s) de werkpaarden van hoogspanningslijnen. Na jaren van gebruik kunnen hun meetwaarden echter ongemerkt verschuiven, vergelijkbaar met een badkamerweegschaal die langzaam uit de kalibratie raakt. Dit artikel introduceert een nieuwe manier om continu te beoordelen hoe betrouwbaar de metingen van een CVT zijn en om te voorspellen wanneer de nauwkeurigheid zal afnemen, waardoor netbeheerders onderhoud kunnen plannen voordat fouten leiden tot kostbare geschillen of stabiliteitsproblemen.

Hoe deze spanningsbewakers langzaam hun scherpte verliezen

CVT’s gebruiken stapels condensatoren en een transformator om honderden kilovolt te verdunnen tot signalen die meters en beveiligingssystemen aankunnen. Hun voordeel is dat ze compact, relatief goedkoop en geschikt zijn voor ultra‑hoge spanningen. Maar hun binnenwerk is niet statisch: temperatuurschommelingen, verouderende isolatie en veranderende belastingen duwen interne componenten weg van hun ideale waarden. Wanneer dit gebeurt, verschuift de verhouding tussen de echte netspanning en de gerapporteerde laagspanningsuitgang. Als de fout in die verhouding buiten een nauwe tolerantie groeit, komen de meetwaarden niet langer overeen met de werkelijkheid, wat energietransacties, foutanalyse en automatische beveiligingsschema’s ondermijnt.

Waarom traditionele controles niet voldoende zijn

Veel netbeheerders vertrouwen nog steeds op periodieke offline controles. Zware referentieapparatuur wordt naar een onderstation gebracht, lijnen worden kortstondig buiten bedrijf genomen en elke CVT wordt getest tegen een standaard. In theorie zou dit om de paar jaar moeten gebeuren; in de praktijk wordt het vaak vertraagd door planningsproblemen en de logistiek van het verplaatsen van zware instrumenten. Ondertussen zijn de live datastromen van het net ruw en beïnvloed door steeds veranderende bedrijfsomstandigheden, waardoor het moeilijk is om een langzame meetafwijking met het blote oog of eenvoudige statistiek te zien. Eerdere benaderingen op basis van gedetailleerde schakelingmodellen of generieke machine learning liepen vaak vast omdat ze precieze interne parameters nodig hadden, of omdat ze verward raakten door fluctuaties en beperkte trainingsdata.

Een enkele gezondheidsscore voor elke transformator

Om door deze ruis heen te breken, comprimeren de auteurs eerst het ruwe spanningssignaal van elke CVT tot een compacte prestatie­score die zij de State of Performance (SOP) noemen. Ze passen een wavelettransformatie toe, een wiskundig instrument dat een signaal splitst in langzaam variërende trends en snelle wiggles. Door zich te richten op de grootste laagfrequente component en deze te vergelijken met een referentie afkomstig van een gezonde CVT, verkrijgen ze een enkel getal dat geleidelijk daalt naarmate het apparaat verslechtert. In laboratoriumtests waarbij het team doelbewust de fout in de verhouding van één fase vergrootte terwijl de andere fasen bijna normaal bleven, daalde de SOP‑curve vloeiend naarmate de fout toenam, wat aantoont dat deze index langetermijnachteruitgang volgt en veel van de toevallige ruis wegfiltert.

Het scheiden van gladde drift en jitter

Zelfs deze gezondheidsscore is niet perfect glad: netcondities en meetonvolkomenheden voegen nog steeds hobbels en rimpels toe. De onderzoekers passen daarom een tweede decompositiemethode toe die de SOP‑curve opsplitst in een langzaam veranderend “skelet” plus een set kleine, korrelige componenten. Het skelet vangt de algemene neerwaartse beweging van de nauwkeurigheid op, terwijl de fluctuerende delen korte termijndalingen en -stijgingen beschrijven. Deze scheiding stelt het team in staat om verschillende voorspellingsinstrumenten op verschillende gedragingen af te stemmen in plaats van één model te dwingen alles tegelijk af te handelen.

Twee slimme tools die samenwerken

Voor het gladde skelet gebruiken de auteurs een dubbel Gaussiaans model — een flexibel verloop opgebouwd uit de som van twee klokvormige profielen — om subtiele veranderingen in hoe de CVT in de loop van de tijd afwijkt te volgen, vooral wanneer het patroon niet puur lineair is. Voor de jitterende componenten gebruiken ze een nieuwer type neuraal netwerk dat een Kolmogorov–Arnold‑netwerk (KAN) wordt genoemd. In tegenstelling tot standaard diepe leermodellen gebruikt KAN instelbare kromme-segmenten als bouwstenen, wat het helpt complexe patronen te leren uit relatief weinig voorbeelden zonder te overfitten. Getraind op zorgvuldig ontworpen degradatie-experimenten met een driefasig online test­systeem, reconstrueert de gecombineerde aanpak toekomstige SOP‑waarden door het dubbel‑Gaussiaanse skelet op te tellen bij de door KAN voorspelde fluctuaties.

Wat dit betekent voor een slimmer net

In directe vergelijkende tests voorspelde de fusie van het dubbel Gaussiaanse model en KAN consequent de CVT‑gezondheid nauwkeuriger dan klassieke neurale netwerken en andere machine‑learningtechnieken. De fouten tussen voorspelde en werkelijke SOP‑waarden waren klein, en de methode ving zowel de langetermijnafname van nauwkeurigheid als de fijnere rimpelingen op. Voor netbeheerders vertaalt dit zich in een vroegtijdige waarschuwingsindicator: in plaats van te wachten op een gepland stilleggen of een factureringsgeschil om te onthullen dat een transformator is afgedreven, zouden ze SOP‑trends in realtime kunnen volgen en onderhoud plannen zodra een apparaat duidelijk op een neerwaartse weg zit. Naarmate energiesystemen meer geautomatiseerd en datagedreven worden, is dergelijke intelligente bewaking van de meetinstrumenten van het net een belangrijke stap naar betrouwbare, zelfbewuste infrastructuur.

Bronvermelding: 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

Trefwoorden: capacatieve spanningstransformator, conditiemonitoring, voorspellend onderhoud, tijdrijvoorspelling, meting in het elektriciteitsnet