Klasyfikacja nasycenia przekładnika prądowego (CT) z użyciem empirycznej dekompozycji modów (EMD) i maszyny wektorów istotnych (RVM)

Dlaczego to ma znaczenie dla utrzymania zasilania

Nowoczesne sieci energetyczne polegają na urządzeniach ochronnych, które w ciągu kilku tysięcznych sekundy muszą zdecydować, czy odłączyć sprzęt w razie wystąpienia zwarcia. Decyzje te opierają się na czujnikach zwanych przekładnikami prądowymi (CT), które zmniejszają wielkie prądy, aby elektronika mogła je bezpiecznie mierzyć. Gdy CT ulegają „nasyceniu”, przestają odzwierciedlać rzeczywisty prąd, a systemy ochronne mogą się wahać lub załączać bez potrzeby — co grozi zanikiem zasilania lub uszkodzeniem sprzętu. Niniejsze badanie przedstawia nową metodę opartą na danych, pozwalającą wykrywać nasycenie CT szybko i niezawodnie, nawet w warunkach zakłóceń i szybko zmieniających się warunków sieciowych.

Ukryta słabość krytycznego czujnika

Przekładniki prądowe działają jak precyzyjne lejki pomiarowe, przekształcając tysiące amperów w linii energetycznej do niewielkiego, łatwego do przetworzenia sygnału dla przekaźników i mierników. Jednak podczas zwarć — na przykład zwarć na długich liniach przesyłowych — rdzeń magnetyczny CT może zostać wypchnięty poza strefę liniową. Gdy nastąpi nasycenie, przebieg wyjściowy ulega zniekształceniu i staje się „spłaszczony”, przestając wiernie odzwierciedlać rzeczywisty prąd. Przekaźniki ochronne oparte na takim zniekształconym sygnale mogą błędnie ocenić, czy zwarcie znajduje się wewnątrz czy na zewnątrz chronionej strefy. Wcześniejsze metody wykrywania nasycenia zwykle opierały się na stałych progach, prostych nachyleniach przebiegu lub specyficznych modelach CT i często miały problemy z szumem, zmieniającym się obciążeniem oraz subtelnym, wczesnym stadium nasycenia.

Symulowanie wielu scenariuszy awarii sieci

Aby rygorystycznie przetestować nowe podejścia, autorzy zbudowali szczegółowy model komputerowy systemu elektroenergetycznego w PSCAD, łącząc generator, linię przesyłową i urządzenia ochronne. Wstrzykiwali zwarcia w wielu punktach linii, zmieniali typy zwarć (takie jak zwarcie doziemne i trzyfazowe), regulowali rezystancję zwarcia oraz kąt, w którym zwarcie zaczynało się względem fali napięcia. Zmieniali też czynniki specyficzne dla CT, takie jak obciążenie strony wtórnej, ilość pozostałego namagnesowania rdzenia CT oraz poziom szumu w pomiarach. Przy użyciu realistycznego modelu histerezy dla CT wygenerowali ponad 200 000 przykładów przebiegów prądu obejmujących trzy kategorie: brak nasycenia, łagodne nasycenie i silne nasycenie. Ta duża, starannie zorganizowana baza danych zapewniła przetestowanie metody w warunkach, z którymi inżynierowie zabezpieczeń spotykają się w praktyce.

Rozbijanie złożonych przebiegów na prostsze elementy

Rdzeniem proponowanego schematu jest metoda przetwarzania sygnałów zwana empiryczną dekompozycją modów (EMD). Zamiast zakładać, że wszystkie sygnały można opisać za pomocą stałych sinusoid, EMD adaptacyjnie rozkłada każdy przebieg prądu CT na prostsze składniki zwane Intrinsic Mode Functions. Te komponenty naturalnie izolują impulsy wysokoczęstotliwościowe i subtelne zmiany kształtu, które pojawiają się, gdy CT zaczyna się nasycać. Z tych składników autorzy obliczają zwarty zestaw cech opisowych: jak energia jest rozłożona w częstotliwościach, jak „spiczasty” lub skośny staje się przebieg, jak skacze jego częstotliwość chwilowa oraz jak rozłożona lub uporządkowana jest energia w czasie. Razem te cechy wychwytują zarówno oczywiste, jak i ukryte sygnały nasycenia, które mogą umknąć ludzkiemu oku.

Pozwolenie inteligentnemu klasyfikatorowi podjąć decyzję

Po wyekstrahowaniu cech są one podawane do modelu uczenia maszynowego zwanego maszyną wektorów istotnych (RVM) oraz, dla porównania, standardowej maszyny wektorów nośnych (SVM). Oba klasyfikatory uczą się na 80% przypadków symulacyjnych, a następnie testowane są na pozostałych 20%. RVM stosuje podejście bayesowskie: automatycznie odrzuca nieistotne cechy, zachowując jedynie niewielki zestaw „wektorów istotnych”, które mają największe znaczenie dla decyzji. Skutkuje to zwartym modelem, który nadal dostarcza prawdopodobieństwa dla kategorii: normalny, łagodnie nasycony lub silnie nasycony. Autorzy pokazują, że cechy z EMD dobrze rozdzielają te trzy klasy podczas wizualizacji, a RVM może podjąć decyzję w około 23,5 milisekundy — na tyle szybko, aby być wyraźnie przed typowymi czasami reakcji przekaźników wynoszącymi 50–60 milisekund.

Skuteczność i następne kroki

Na tysiącach przypadków testowych oba klasyfikatory wykrywają nasycenie CT z bardzo dużą dokładnością, ale RVM konsekwentnie osiąga najlepsze wyniki. W sumie RVM poprawnie klasyfikuje około 99,7% przypadków, ze szczególnie silną skutecznością w warunkach normalnych i łagodnego nasycenia, gdzie subtelne zniekształcenia mają największe znaczenie. Wymaga znacznie mniej punktów podpierających niż SVM, co czyni go wydajnym obliczeniowo i atrakcyjnym do zastosowań czasu rzeczywistego w przekaźnikach cyfrowych. Zespół zbudował także laboratoryjne stanowisko hardware-in-the-loop do generowania rzeczywistych przebiegów CT w kontrolowanych warunkach zwarciowych, tworząc podstawy do walidacji metody poza symulacjami. Mówiąc prosto: badanie pokazuje, że łącząc adaptacyjną dekompozycję sygnału z oszczędnym, probabilistycznym modelem uczącym, zakłady energetyczne mogą wcześnie i niezawodnie wykrywać nasycenie CT — pomagając przekaźnikom ochronnym podejmować lepsze, szybsze decyzje i poprawiając ogólną odporność sieci energetycznej.

Cytowanie: 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

Słowa kluczowe: nasycenie przekładnika prądowego, ochrona systemu elektroenergetycznego, wykrywanie zwarć, empiryczna dekompozycja modów, uczenie maszynowe w sieciach