Metoda prognozowania pogorszenia pomiarów kondensatorowego transformatora napięciowego oparta na podwójnym modelu Gaussa i fuzji KAN

Dlaczego warto pilnować „termometrów” sieci

Współczesne sieci elektroenergetyczne polegają na specjalnych urządzeniach, które redukują bardzo wysokie napięcia do bezpiecznych poziomów, aby można je było mierzyć i rozliczać. Wśród nich kondensatorowe transformatory napięciowe (CVT) są podstawowymi urządzeniami na liniach wysokiego napięcia. Po latach eksploatacji ich wskazania mogą jednak stopniowo odpływać od prawdy, podobnie jak waga, która powoli traci kalibrację. W artykule przedstawiono nowy sposób ciągłej oceny jakości pomiarów CVT oraz prognozowania momentu, kiedy ich dokładność zacznie spadać, co pomaga operatorom sieci planować przeglądy zanim błędy doprowadzą do kosztownych sporów lub problemów ze stabilnością.

Jak te mierniki stopniowo tracą dokładność

CVT wykorzystują szeregi kondensatorów i transformator do sprowadzenia setek kilowoltów do sygnałów, które mogą obsłużyć liczniki i systemy zabezpieczeń. Ich zaletą jest kompaktowość, relatywnie niski koszt i przystosowanie do bardzo wysokich napięć. Jednak ich wnętrze nie jest stałe: wahania temperatury, starzenie izolacji i zmiany obciążeń przesuwają parametry wewnętrzne od wartości idealnych. W rezultacie stosunek między rzeczywistym napięciem sieci a zgłaszanym niskonapięciowym sygnałem ulega dryftowi. Gdy błąd stosunku przekroczy wąską tolerancję, wskazania przestają odzwierciedlać rzeczywistość, co podważa rozliczenia energii, analizę awarii i automatyczne układy ochronne.

Dlaczego tradycyjne kontrole są niewystarczające

Obecnie wiele zakładów energetycznych wciąż polega na okresowych kontrolach offline. Ciężki sprzęt wzorcowy przewozi się do stacji, linie są chwilowo wyłączane, a każdy CVT porównywany jest ze standardem. W teorii powinno to się odbywać co kilka lat; w praktyce często się opóźnia z powodu konfliktów terminów i logistyki transportu masywnych urządzeń. Tymczasem strumienie danych z eksploatacji są zaszumione i zależne od zmieniających się warunków pracy, co utrudnia dostrzeżenie wolnego dryftu pomiarowego "na oko" lub prostymi statystykami. Wczesne metody oparte na szczegółowych modelach obwodów lub ogólnych technikach uczenia maszynowego często zawodziły, bo wymagały dokładnych parametrów wewnętrznych lub były mylone przez fluktuacje i ograniczone zbiory treningowe.

Pojedynczy wskaźnik stanu dla każdego transformatora

Aby przebić się przez ten szum, autorzy najpierw kompresują surowy sygnał napięciowy CVT do zwartego wskaźnika wydajności, który nazywają Stanem Wydajności (SOP). Stosują transformatę falkową, narzędzie matematyczne, które rozdziela sygnał na wolnozmienne trendy i szybkie drgania. Koncentrując się na największym składniku niskoczęstotliwościowym i porównując go z bazą pochodzącą od zdrowego CVT, otrzymują pojedynczą liczbę, która maleje wraz z pogarszaniem się urządzenia. W testach laboratoryjnych, w których zespół celowo zwiększał błąd stosunku w jednej fazie, utrzymując pozostałe w okolicach normy, krzywa SOP spadała płynnie wraz ze wzrostem błędu, pokazując, że ten indeks śledzi degradację długoterminową, jednocześnie filtrując dużą część losowego szumu.

Oddzielanie gładkiego dryftu od szumów

Nawet ten wskaźnik stanu nie jest idealnie gładki: warunki sieci i niedoskonałości pomiarowe wciąż dodają wypukłości i zakłócenia. Badacze stosują więc drugą metodę dekompozycji, która rozdziela krzywą SOP na powoli zmieniającą się „kręgosłup” oraz zestaw małych, nieregularnych składowych. Kręgosłup odzwierciedla ogólny spadek dokładności, podczas gdy zmienne części opisują krótkoterminowe wzloty i spadki. Takie rozdzielenie pozwala zespołowi zastosować różne narzędzia prognostyczne do różnych zachowań zamiast zmuszać jeden model do obsługi wszystkich zjawisk naraz.

Dwa inteligentne narzędzia działające razem

Dla gładkiego kręgosłupa autorzy wykorzystują podwójny model Gaussa — elastyczną krzywą złożoną z sumy dwóch profili dzwonowych — żeby śledzić subtelne zmiany dryftu CVT w czasie, zwłaszcza gdy wzór nie jest czysto liniowy. Dla nieregularnych składowych używają nowszego typu sieci neuronowej zwanej siecią Kolmogorova–Arnolda (KAN). W odróżnieniu od standardowych modeli głębokiego uczenia, KAN używa regulowanych segmentów krzywych jako elementów budulcowych, co pomaga jej uczyć się złożonych wzorców z relatywnie niewielkiej liczby przykładów bez nadmiernego dopasowania. Wytrenowana na starannie zaprojektowanych eksperymentach degradacyjnych wykorzystujących trójfazowy system testów online, metoda łączona rekonstruuje przyszłe wartości SOP przez dodanie podwójnego gaussowskiego kręgosłupa i przewidzianych przez KAN fluktuacji.

Co to oznacza dla inteligentniejszej sieci

W bezpośrednich porównaniach fuzja podwójnego modelu Gaussa i KAN konsekwentnie przewidywała stan CVT z większą dokładnością niż klasyczne sieci neuronowe i inne techniki uczenia maszynowego. Błędy między przewidywanymi a rzeczywistymi wartościami SOP były niewielkie, a metoda uchwyciła zarówno długoterminowy spadek dokładności, jak i drobniejsze wahania. Dla operatorów sieci oznacza to wskaźnik wczesnego ostrzegania: zamiast czekać na zaplanowaną przerwę lub spór rozliczeniowy, który ujawni dryft transformatora, można monitorować trendy SOP w czasie rzeczywistym i planować konserwację, gdy urządzenie wyraźnie zmierza w dół. W miarę jak systemy elektroenergetyczne stają się bardziej zautomatyzowane i oparte na danych, takie inteligentne monitorowanie instrumentów pomiarowych sieci jest kluczowym krokiem w kierunku niezawodnej, samoświadomej infrastruktury.

Cytowanie: 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

Słowa kluczowe: kondensatorowy transformator napięciowy, monitorowanie stanu, predykcyjne utrzymanie, prognozowanie szeregów czasowych, pomiary sieci elektroenergetycznej