Метод прогнозирования деградации измерений емкостного трансформатора напряжения на основе двойной гауссовой модели и KAN‑слияния

Почему важно следить за «термометрами» сети

Современные энергосети опираются на устройства, понижающие очень высокие напряжения до безопасных уровней, пригодных для измерения и учета. Среди них емкостные трансформаторы напряжения (ЕМТН, CVT) — ключевые элементы линий высокого напряжения. Со временем их показания могут медленно смещаться, подобно тому как весы теряют калибровку. В этой работе предлагается новый подход для непрерывной оценки качества измерений ЕМТН и прогнозирования момента, когда их точность начнет падать, что помогает операторам планировать обслуживание до того, как ошибки приведут к спорам по счетам или проблемам с устойчивостью.

Как эти «сторожа» напряжения постепенно теряют точность

ЕМТН используют стеки конденсаторов и трансформатор, чтобы превратить сотни киловольт в сигналы, с которыми могут работать счетчики и устройства защиты. Их преимущества — компактность, относительная дешевизна и пригодность для сверхвысоких напряжений. Но внутренние параметры устройств не постоянны: перепады температур, старение изоляции и изменяющиеся нагрузки смещают компоненты от идеальных значений. В результате меняется отношение между истинным напряжением сети и выведенным пониженным сигналом. Если ошибка этого коэффициента выходит за узкую допустимую границу, показания перестают соответствовать реальности, что ставит под угрозу торговлю энергией, анализ повреждений и автоматические схемы защиты.

Почему традиционные проверки недостаточны

Сегодня многие энергокомпании по‑прежнему полагаются на периодические офлайн‑проверки. В подстанцию привозят тяжелое эталонное оборудование, на время отключают линии, и каждый ЕМТН проверяют по стандарту. Теоретически это должно происходить каждые несколько лет; на практике сроки часто сдвигаются из‑за логистики и согласований при перевозке громоздких приборов. Между тем живые потоки данных из сети шумны и зависят от постоянно меняющихся условий работы, поэтому медленное дрейфовое изменение показаний трудно заметить невооруженным глазом или простыми статистическими методами. Ранее предложенные подходы на основе подробных схемных моделей требовали точных внутренних параметров, а общие методы машинного обучения путались в колебаниях и испытывали дефицит обучающих данных.

Единый индекс состояния для каждого трансформатора

Чтобы отсеять лишний шум, авторы сначала сжимают исходный сигнал напряжения ЕМТН до компактного показателя производительности, который они называют состоянием работоспособности (State of Performance, SOP). Они применяют вейвлет‑преобразование — математический инструмент, разделяющий сигнал на медленно меняющиеся тренды и быстрые флуктуации. Сосредоточившись на крупнейшей низкочастотной компоненте и сравнив её с эталоном от исправного ЕМТН, исследователи получают одно число, которое стабильно снижается по мере деградации устройства. В лабораторных испытаниях, где одну фазу умышленно переводили в состояние с увеличенной ошибкой коэффициента при сохранении других фаз близкими к норме, кривая SOP плавно падала по мере роста ошибки, демонстрируя, что этот индекс отслеживает долговременную деградацию и фильтрует большую часть случайного шума.

Отделение плавного дрейфа от шумовых колебаний

Даже этот индекс состояния не идеально гладкий: условия в сети и погрешности измерений вносят выбросы и рябь. Поэтому исследователи применяют второй метод декомпозиции, который разделяет кривую SOP на медленно меняющийся «каркас» и набор мелких прерывистых компонентов. Каркас отражает общий нисходящий тренд точности, а колеблющиеся части описывают кратковременные подъемы и спады. Такое разделение позволяет применять разные инструменты прогнозирования к разным типам поведения вместо того, чтобы заставлять одну модель пытаться охватить всё сразу.

Две умные модели в связке

Для гладкого каркаса авторы используют двойную гауссову модель — гибкую кривую, составленную из суммы двух колоколообразных профилей, которая улавливает тонкие изменения в характере дрейфа ЕМТН во времени, особенно когда динамика далека от чисто линейной. Для шумных компонент применяют относительно новую нейросеть — сеть Колмогорова–Арнольда (KAN). В отличие от стандартных глубоких моделей, KAN опирается на настраиваемые сегменты кривых в качестве строительных блоков, что помогает ей извлекать сложные закономерности из относительно небольших наборов примеров без переобучения. Обученная на тщательно спроектированных экспериментах по деградации с использованием трехфазной онлайн‑системы испытаний, объединенная схема восстанавливает будущие значения SOP как сумму двойного‑гауссового каркаса и предсказанных KAN флуктуаций.

Что это значит для более «умной» сети

В сравнительных испытаниях слияние двойной гауссовой модели и KAN последовательно предсказывало состояние ЕМТН точнее, чем классические нейросети и другие методы машинного обучения. Ошибки между предсказанными и фактическими значениями SOP были невелики, и метод улавливал как долговременное снижение точности, так и мелкомасштабные колебания. Для операторов сетей это означает ранний индикатор: вместо того, чтобы ждать планового отключения или спора по выставлению счетов, выявляющего дрейф трансформатора, они могут мониторить тренды SOP в реальном времени и планировать обслуживание, когда устройство явно идет по нисходящей траектории. По мере того как энергосистемы становятся более автоматизированными и основанными на данных, подобный интеллектуальный мониторинг метрологических приборов сети — важный шаг к надежной, самосознающей инфраструктуре.

Цитирование: 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

Ключевые слова: емкостный трансформатор напряжения, мониторинг состояния, прогнозное обслуживание, прогнозирование временных рядов, учет в энергосети