Классификация насыщения трансформатора тока (CT) с использованием эмпирического разложения на моды (EMD) и машины релевантных векторов (RVM)

Почему это важно для сохранения электроснабжения

Современные энергосети опираются на защитные устройства, которые за доли секунды должны решить, отключать ли оборудование при возникновении неисправности. Эти решения зависят от датчиков — трансформаторов тока (CT), которые уменьшают большие токи до безопасного уровня измерения электроникой. Когда CT входят в «насыщение», они перестают корректно отображать реальный ток, и системы защиты могут задержаться или сработать ошибочно — что грозит отключениями или повреждением оборудования. В этой работе предложен новый метод на основе данных, позволяющий быстро и надежно обнаруживать насыщение CT, даже в условиях шума и быстро меняющейся работы сети.

Скрытая уязвимость критического датчика

Трансформаторы тока работают как точные измерительные воронки, преобразующие тысячи ампер в линии в небольшой пригодный для реле и счётчиков сигнал. Но при авариях — например, коротких замыканиях на протяжённых линиях передачи — магнитный сердечник CT может выйти за пределы нормального диапазона. При насыщении выходной сигнал искажается и приобретает «плоскую» форму, переставая точно соответствовать реальному току. Реле защиты, полагающиеся на этот искажённый сигнал, могут ошибочно оценить, находится ли неисправность внутри защищаемой зоны или снаружи. Ранние подходы к обнаружению насыщения обычно использовали фиксированные пороги, простые градиенты сигнала или конкретные модели CT, и часто испытывали трудности при наличии шума, изменяющихся нагрузок и при тонких, начальных стадиях насыщения.

Моделирование множества сценариев неисправностей в сети

Чтобы тщательно проверить новые идеи, авторы создали детализированную компьютерную модель энергосистемы в PSCAD, соединяющую генератор, линию передачи и защитное оборудование. Они встраивали неисправности в разные точки линии, варьировали типы замыканий (например, на землю и трёхфазные), меняли сопротивление в месте повреждения и угол начала неисправности относительно фазного напряжения. Также варьировались параметры, специфичные для CT: нагрузка на вторичной обмотке, остаточная намагниченность сердечника и уровень шума в измерениях. С применением реалистичной модели гистерезиса для CT было сгенерировано более 200 000 примеров токовых форм, охватывающих три категории: без насыщения, слабое насыщение и сильное насыщение. Этот большой и тщательно структурированный набор данных гарантировал проверку метода в условиях, близких к реальным задачам инженеров по защите.

Разложение сложных волн на более простые составляющие

Ядро предложенной схемы — метод обработки сигналов, называемый эмпирическим разложением на моды (EMD). Вместо предположения, что все сигналы описываются фиксированными синусоидами, EMD адаптивно разбивает каждую токовую форму CT на простые составляющие, называемые внутренними модовыми функциями. Эти компоненты естественным образом изолируют высокочастотные выбросы и тонкие изменения формы, которые появляются при начале насыщения CT. Из этих компонент авторы вычисляют компактный набор описательных признаков: распределение энергии по частотам, «заострённость» или скошенность формы, скачки мгновенной частоты и степень рассеяния или упорядоченности энергии во времени. В совокупности эти признаки фиксируют как очевидные, так и скрытые признаки насыщения, которые человеческий глаз легко может не заметить.

Доверить решение умному классификатору

После извлечения признаков они подаются в модель машинного обучения — машину релевантных векторов (RVM), а для сравнения — в стандартную машину опорных векторов (SVM). Оба классификатора обучаются на 80% смоделированных случаев и проверяются на оставшихся 20%. RVM использует байесовский подход: он автоматически отбрасывает бесполезные признаки, сохраняя лишь небольшой набор «релевантных векторов», наиболее важных для принятия решения. Это даёт компактную модель, которая при этом возвращает вероятности принадлежности сигнала к нормальному состоянию, слабому или сильному насыщению. Авторы показывают, что признаки EMD ясно разделяют эти три класса на визуализациях, а RVM способен принять решение примерно за 23,5 миллисекунды — достаточно быстро, чтобы опережать типичные времена принятия решения реле в 50–60 миллисекунд.

Эффективность и дальнейшие шаги

На тысячах тестовых примеров оба классификатора обнаруживают насыщение CT с очень высокой точностью, но RVM постоянно показывает лучшие результаты. В целом RVM правильно классифицирует около 99,7% случаев, особенно хорошо справляясь с нормальными и слабо насыщенными состояниями, где важны тонкие искажения. Для работы он требует гораздо меньшего числа опорных точек по сравнению с SVM, что делает его вычислительно эффективным и привлекательным для применения в реальном времени в цифровых реле. Команда также построила лабораторную установку «hardware-in-the-loop» для генерации реальных токовых форм CT в контролируемых условиях нарушений, что закладывает основы для валидации метода за пределами моделирования. Проще говоря, исследование показывает, что сочетание адаптивного разложения сигнала с лёгкой вероятностной моделью позволяет коммунальным служам рано и надёжно обнаруживать насыщение CT — помогая реле принимать лучшие и более быстрые решения и повышая общую устойчивость энергосети.

Цитирование: 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

Ключевые слова: насыщение трансформатора тока, защита электроэнергетических систем, обнаружение неисправностей, эмпирическое разложение на моды, машинное обучение в энергосетях