Trendanalyssmetod för mätförsämring hos kapacitiva spänningsomvandlare baserad på dubbel Gauss‑modell–KAN‑fusion

Varför det är viktigt att hålla koll på nätets ”termometrar”

Moderna kraftnät förlitar sig på specialanordningar som sänker extremt höga spänningar till säkrare nivåer så att de kan mätas och debiteras. Bland dessa är kapacitiva spänningsomvandlare (CVT) arbetsdjuren på högspänningslinjer. Efter år av drift kan deras avläsningar dock gradvis glida, ungefär som en badrumsvåg som långsamt hamnar ur kalibrering. Denna artikel introducerar ett nytt sätt att kontinuerligt bedöma hur tillförlitliga en CVT:s mätningar är och att förutsäga när dess noggrannhet kommer att försämras, vilket hjälper nätoperatörer att planera underhåll innan fel leder till kostsamma tvister eller stabilitetsproblem.

Hur dessa spänningsvakthållare sakta tappar sin skärpa

CVT:er använder staplar av kondensatorer och en transformator för att omvandla hundratals kilovolt till signaler som mätare och skyddssystem kan hantera. Deras fördel är att de är kompakta, relativt kostnadseffektiva och väl lämpade för ultrahög spänning. Men deras inre är inte statiska: temperatursvängningar, åldrande isolering och varierande belastningar rubbar alla interna komponenter från idealvärdena. När detta sker driver förhållandet mellan den verkliga nätspänningen och den rapporterade låga utspänningen iväg. Om felförhållandet växer bortom en snäv tolerans stämmer inte längre mätningarna med verkligheten, vilket undergräver energihandel, felanalys och automatiska skyddssystem.

Varför traditionella kontroller inte räcker

Idag förlitar sig många energibolag fortfarande på periodiska offline‑kontroller. Tunga referensinstrument tas till en station, ledningar tas kortvarigt ur drift, och varje CVT testas mot en standard. I teorin bör detta ske vartannat eller vart tredje år; i praktiken försenas det ofta av schemaläggningskonflikter och logistik kring att flytta skrymmande utrustning. Under tiden är nätets live‑dataströmmar brusiga och påverkade av ständigt skiftande driftsförhållanden, vilket gör det svårt att upptäcka långsam mätavvikelse med blotta ögat eller enkla statistiska metoder. Tidigare tillvägagångssätt baserade på detaljerade kretsmodeller eller generisk maskininlärning hade ofta problem eftersom de antingen krävde precisa interna parametrar eller blev förvirrade av fluktuationer och begränsade träningsdata.

En enda hälsopoäng för varje transformator

För att skapa klarhet komprimerar författarna först varje CVT:s råa spänningssignal till en kompakt prestationspoäng som de kallar State of Performance (SOP). De använder en vågtransform, ett matematiskt verktyg som separerar en signal i långsamt varierande trender och snabba svängningar. Genom att fokusera på den största lågfreventa komponenten och jämföra den med en referens från en frisk CVT får de ett enda tal som sjunker stadigt när apparaten försämras. I laboratorietester där teamet avsiktligt ökade avvikelsen i förhållandet på en fas medan de andra hölls nära normala, sjönk SOP‑kurvan jämnt i takt med att felet växte, vilket visar att detta index spårar långtidsnedbrytning samtidigt som mycket av slumpbruset filtreras bort.

Skilja på jämn drift och jitter

Även denna hälsopoäng är inte helt jämn: nätförhållanden och mätimperfektioner tillför fortfarande gupp och vågor. Forskarna använder därför en andra dekomponeringsmetod som delar upp SOP‑kurvan i en långsamt förändrande ”ryggrad” plus en uppsättning små, hakiga komponenter. Ryggraden fångar den övergripande nedåtgående utvecklingen i noggrannhet, medan de fluktuerande delarna beskriver kortsiktiga upp‑ och nedgångar. Denna separation gör det möjligt för teamet att anpassa olika prediktionsverktyg till olika beteenden i stället för att tvinga en modell att hantera allt på en gång.

Två smarta verktyg som samarbetar

För den jämna ryggraden använder författarna en dubbel Gauss‑modell—en flexibel kurva byggd av summan av två klockformade profiler—för att följa subtila förändringar i hur CVT:n driver över tiden, särskilt när mönstret inte är rent linjärt. För de ryckiga komponenterna använder de en nyare typ av neuralt nätverk kallat Kolmogorov–Arnold‑nätverk (KAN). Till skillnad från standard djupinlärningsmodeller använder KAN justerbara kurvsegment som byggstenar, vilket hjälper det att lära sig komplexa mönster från relativt få exempel utan överanpassning. Tränad på noggrant utformade nedbrytningsförsök med ett trefasigt online testsystem rekonstruerar den kombinerade metoden framtida SOP‑värden genom att addera dubbel‑Gauss‑ryggraden och de KAN‑förutsagda fluktuationerna.

Vad detta betyder för ett smartare nät

I direkt jämförande tester förutspådde fusionen av dubbel Gauss‑modellen och KAN konsekvent CVT‑hälsa mer precist än klassiska neurala nät och andra maskininlärningstekniker. Felen mellan förutsagda och faktiska SOP‑värden var små, och metoden fångade både den långsiktiga nedgången i noggrannhet och de finare skalan svängningarna. För nätoperatörer innebär detta en tidig varningsindikator: i stället för att vänta på ett planerat avbrott eller en tvist om mätningar som avslöjar att en transformator har driftat, kan de övervaka SOP‑trender i realtid och schemalägga underhåll när en enhet tydligt befinner sig på en nedåtgående bana. När kraftsystem blir mer automatiserade och datadrivna är sådan intelligent övervakning av nätets egna mätinstrument ett viktigt steg mot tillförlitlig, självklar infrastruktur.

Citering: 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

Nyckelord: kapacitiv spänningsomvandlare, tillståndsövervakning, prediktivt underhåll, tidsserieförutsägelse, mätning i kraftnät