Ampir dönüşüzü (CT) doyumu sınıflandırması: Ampirik mod ayrıştırması (EMD) ve alaka vektör makinesi (RVM) kullanımı

Elektriklerin yanmaması için neden önemli

Modern enerji şebekeleri, bir arıza olduğunda ekipmanı kesip kesmemeye birkaç milisaniyede karar vermesi gereken koruyucu cihazlara dayanır. Bu kararlar, büyük akımları elektroniklerin güvenle ölçebileceği seviyeye düşüren akım trafoları (CT) adlı sensörlere bağlıdır. CT’ler “doğurulduğunda” gerçek akımı raporlamayı bırakır; koruma sistemleri tereddüt edebilir veya gereksiz yere açabilir—bu da kesintilere veya donanım hasarına yol açabilir. Bu çalışma, gürültülü ve hızla değişen şebeke koşulları altında bile CT doyumunu hızlı ve güvenilir şekilde tespit eden yeni bir veri odaklı yöntem sunar.

Kritik bir sensördeki gizli zayıflık

Akım trafoları, binlerce amperi röleler ve sayaçlar için yönetilebilir küçük bir sinyale dönüştüren hassas ölçüm hunileri gibi davranır. Ancak uzun iletim hatlarında kısa devre gibi arızalar sırasında CT’nin manyetik çekirdeği konfor alanının ötesine itilebilir. Çekirdek doyduğunda çıkış dalga biçimi bozulur ve “düz tepe”li bir görünüm alır; gerçek akımı artık sadakatle yansıtmaz. Bu bozulmuş sinyale dayanan koruma röleleri, bir arızanın korunan bölge içinde mi yoksa dışında mı olduğunu yanlış değerlendirebilir. Daha önceki yaklaşımlar genellikle sabit eşiklere, basit dalga eğimlerine veya belirli CT modellerine dayanıyordu ve gürültüye, değişen yüklere ve erken aşama, ince doyum belirtilerine karşı zorlanıyordu.

Şebekenin yanlış gidebileceği birçok yolu simüle etmek

Yeni fikirleri titizlikle test etmek için yazarlar, bir jeneratör, iletim hattı ve koruyucu ekipmanı birbirine bağlayan ayrıntılı bir güç sistemi modelini PSCAD’de kurdular. Hat üzerindeki birçok farklı noktada arızalar enjekte ettiler, arıza türlerini (örneğin hat-toprak ve üç fazlı arızalar) değiştirdiler, arıza direncini ayarladılar ve arızanın gerilim dalgası üzerindeki başlangıç açısını değiştirdiler. Ayrıca ikincil taraftaki yük (burden), CT çekirdeğinde kalan manyetiklik ve ölçüm gürültü düzeyi gibi CT’ye özgü faktörleri de çeşitlendirdiler. CT için gerçekçi bir histerezis modeli kullanarak, doyumsuz, hafif doyumlu ve şiddetli doyumlu olmak üzere üç kategoriye yayılan 200.000’den fazla akım dalga biçimi örneği ürettiler. Bu büyük ve dikkatle yapılandırılmış veri seti, yöntemin koruma mühendislerinin pratikte karşılaştığı koşullar altında test edilmesini sağladı.

Karmaşık dalgaları daha basit parçalara ayırmak

Önerilen şemanın özü, Ampirik Mod Ayrıştırması (EMD) adlı bir sinyal işleme yöntemidir. Tüm sinyallerin sabit sinüs dalgalarıyla tanımlanabileceğini varsaymak yerine EMD, her CT akım dalga biçimini İçsel Mod Fonksiyonları (IMF) adı verilen daha basit yapı taşlarına uyarlamalı olarak ayırır. Bu bileşenler, bir CT’nin ilk olarak doymağa başladığında ortaya çıkan yüksek frekanslı patlamaları ve ince şekil değişikliklerini doğal olarak izole eder. Bu bileşenlerden yazarlar, enerjinin frekanslar arasında nasıl dağıldığı, dalganın ne kadar sivrildiği veya çarpıklaştığı, anlık frekansın nasıl sıçradığı ve enerjinin zaman içinde ne kadar yaygın veya düzenli olduğu gibi kompakt tanımlayıcı özellikler hesaplarlar. Bu özellikler birlikte, insan gözü için kolayca kaçabilecek hem bariz hem de gizli doyum belirtilerini yakalar.

Akıllı bir sınıflandırıcının kararı vermesine izin vermek

Özellikler çıkarıldıktan sonra, bunlar Alaka Vektör Makinesi (RVM) adlı bir makine öğrenimi modeline ve karşılaştırma için standart bir Destek Vektör Makinesi (SVM)’ne beslenir. Her iki sınıflandırıcı da simüle edilmiş vakaların %80’inden öğrenir ve kalan %20 üzerinde test edilir. RVM, Bayesçi bir yaklaşım benimser: işlevsiz özellikleri otomatik olarak eler ve karar için en çok önem taşıyan küçük bir “alaka vektörleri” setini tutar. Bu, hâlâ bir sinyalin normal, hafif doyumlu veya şiddetli doyumlu olma olasılıklarını veren kompakt bir modelle sonuçlanır. Yazarlar, EMD özelliklerinin bu üç sınıfı görselleştirildiğinde net biçimde ayırdığını ve RVM’nin yaklaşık 23,5 milisaniyede karar verebildiğini gösterir—bu, tipik röle karar süreleri olan 50–60 milisaniyenin oldukça önündedir.

Ne kadar iyi çalışıyor ve sonraki adımlar neler

Binlerce test vakasında her iki sınıflandırıcı da CT doyumunu çok yüksek doğrulukla tespit eder, ancak RVM tutarlı şekilde en iyi performansı gösterir. Genel olarak RVM, vakaların yaklaşık %99,7’sini doğru sınıflandırır; özellikle normal ve hafif doyumlu koşullarda, ince bozulmaların önemli olduğu durumlarda güçlü performans sergiler. SVM’den çok daha az destek noktasına ihtiyaç duyar; bu da onu hesaplama açısından verimli ve dijital rölelerde gerçek zamanlı kullanım için cazip kılar. Ekip ayrıca kontrollü arıza koşulları altında gerçek CT dalga biçimleri üretebilen laboratuvar donanım-içinde-döngü (hardware-in-the-loop) bir düzenek kurdu ve yöntemi simülasyonların ötesinde doğrulamak için zemin hazırladı. Basitçe söylemek gerekirse, çalışma uyarlanabilir sinyal ayrışımı ile yalın, olasılıksal bir öğrenme modelini birleştirerek işletmelere CT doyumunu erken ve güvenilir şekilde tespit etme imkanı sunduğunu; bunun da koruma rölelerinin daha iyi, daha hızlı karar vermesine ve güç şebekesinin genel dayanıklılığının artmasına yardımcı olduğunu gösteriyor.

Atıf: 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

Anahtar kelimeler: akım trafosu doyumu, enerji sistemi koruması, arızanın tespiti, ampirik mod ayrıştırması, şebekelerde makine öğrenimi