使用经验模态分解（EMD）和相关向量机（RVM）的电流互感器（CT）饱和分类

这对维持供电为何重要

现代电网依赖保护装置在几毫秒内判断是否在故障发生时切断设备。这些决策依赖于称为电流互感器（CT）的传感器，它们将大电流缩小到电子设备可以安全测量的范围。当CT发生“饱和”时，它们停止准确报告真实电流，保护系统可能犹豫或误动——从而带来停电或设备损坏的风险。本研究提出了一种新的数据驱动方法，能够在噪声多、工况快速变化的电网条件下快速且可靠地识别CT饱和。

关键传感器的隐蔽弱点

电流互感器像精确的测量漏斗，将输电线上的千安级电流转换为继电器和电表能够处理的小信号。但在故障期间——例如长输电线上的短路——CT的磁芯可能被推到其工作极限之外。一旦饱和，输出波形会出现失真并变得“平顶”，不再真实反映电流。依赖该失真信号的保护继电器可能错误判断故障是位于保护区内还是外。早期检测饱和的方法通常使用固定阈值、简单的波形斜率或特定的CT模型，面对噪声、负载变化和早期、微弱的饱和迹象时常常表现不佳。

模拟电网可能出错的多种情形

为了严格测试新方法，作者们在PSCAD中构建了详细的电力系统计算模型，连接了发电机、输电线和保护设备。他们在输电线的多个点注入故障，改变故障类型（如单相接地故障和三相故障）、调整故障电阻，并改变故障在电压波上的起始角度。他们还改变了CT相关的因素，如二次侧负载、CT磁芯的剩余磁化以及测量噪声水平。使用一个现实的磁滞模型，生成了超过20万个电流波形样本，分为三类：无饱和、轻度饱和和严重饱和。这个规模大且结构化的数据集确保了该方法在保护工程师实际遇到的多种条件下都能得到检验。

把复杂波形分解为更简单的部分

所提方案的核心是名为经验模态分解（EMD）的信号处理方法。与假设所有信号都可用固定正弦波描述的做法不同，EMD自适应地将每个CT电流波形分解成称为本征模态函数的更简单构件。这些分量自然地隔离了高频突发和CT在刚开始饱和时出现的细微波形变化。基于这些分量，作者计算出一组紧凑的描述性特征：能量在频率上的分布、波形的峰态或偏斜程度、瞬时频率的跳变以及能量随时间的分布或有序性。综合这些特征可以捕捉到既明显又隐蔽的饱和迹象，这些迹象往往肉眼难以察觉。

让智能分类器做出判断

一旦提取出特征，就将它们输入一种称为相关向量机（RVM）的机器学习模型，并与一种标准的支持向量机（SVM）做比较。两种分类器从80%的模拟样本中学习，然后在剩余20%上测试。RVM采用贝叶斯方法：它会自动丢弃无用特征，只保留少数对决策最重要的“相关向量”。这产生了一个紧凑的模型，同时仍能给出信号是正常、轻度饱和还是严重饱和的概率。作者展示了EMD特征在可视化时能清晰区分这三类，并且RVM能在大约23.5毫秒内得出结论——足以领先典型继电器50–60毫秒的决策时间。

效果如何以及下一步

在数千个测试样本上，两种分类器都能以很高的准确率检测CT饱和，但RVM始终表现最好。总体来看，RVM约能正确分类99.7%的样本，且在正常与轻度饱和条件下表现尤为突出——这些情况下细微的失真最关键。RVM所需的支持点远少于SVM，使其在计算上更高效，适合嵌入式数字继电器的实时使用。研究团队还构建了硬件在环的实验室平台，在受控故障条件下生成真实CT波形，为将方法从仿真验证推广到实际场景奠定了基础。简而言之，研究表明通过将自适应的信号分解与精简的概率学习模型结合起来，公用事业可以更早且可靠地发现CT饱和——帮助保护继电器做出更好、更快的决策，从而提高电网的整体弹性。

引用: 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

关键词: 电流互感器饱和, 电力系统保护, 故障检测, 经验模态分解, 电网中的机器学习