Künstliche Intelligenz macht Ihre Messdaten zuverlässiger

Machine Learning fördert die Genauigkeit und spürt frühzeitig mögliche Abweichungen der Prüfergebnisse auf.

Der wachsende Anteil erneuerbarer Energiequellen führt zu einer zunehmenden Dezentralisierung der elektrischen Energieerzeugung. Dadurch gibt es immer mehr geregelte Lasten im Stromnetz, was gefährliche Auswirkungen wie Kurzschlüsse, Harmonische und Transienten zur Folge haben kann. Angesichts dieser veränderten Bedingungen für die Betriebsmittel ist es wichtig, mögliche Änderungen der Messdaten sorgfältig im Blick zu behalten.

Schnell wechselnde Lastbedingungen im Stromnetz wirken sich auch auf die teuren Leistungstransformatoren aus. Das macht geeignete Wartungsmaßnahmen erforderlich, um die Langlebigkeit und Integrität der installierten Leistungstransformatoren zu gewährleisten. Eine Möglichkeit dafür ist die SFRA-Methode (Frequenzgangsanalyse), ein häufig genutztes Offline-Verfahren, das sich als die empfindlichste Methode zur Erkennung mechanischer und elektrischer Fehler bewährt hat und noch dazu nicht invasiv ist. Sie ist damit ein wichtiger Teil der zustandsbasierten Bewertung von Transformatoren.

Wofür steht SFRA?

SFRA bedeutet Sweep Frequency Response Analysis und steht für eine Prüfmethode, bei der tatsächliche Messergebnisse mit Referenzmessergebnissen (sogenannten „Fingerprints“) verglichen werden.

Was kann SFRA?

Die Methode kann zur Durchführung von Messungen an Leistungstransformatoren in einem Frequenzbereich verwendet werden.

Was sind die Vorteile des SFRA-Prinzips?

Ihm können weder Breit- noch Schmalbandrauschen viel anhaben, was einen hohen Signal-Störabstand ermöglicht.

Warum ist SFRA als Messverfahren so beliebt?

Anders als andere Methoden ist SFRA ein nicht invasives Messverfahren und damit schnell einsetzbar.

Warum sind SFRA-Ergebnisse vergleichsweise zuverlässig?

Die Messungen basieren auf einem Vergleich tatsächlicher Messergebnisse mit Referenzmessergebnissen (sogenannten „Fingerprints“). Daher lassen sich Abweichungen aufgrund von Messfehlern recht einfach feststellen.

 

Machine Learning mit der SFRA-Methode

Die SFRA-Methode liefert Ergebnisse zur mechanischen Integrität von Kern, Wicklungen und Klemmstruktur sowie zur elektrischen Integrität, z. B. zu Wicklungs- und Windungsschlüssen.

Wie funktioniert die SFRA-Messung im Detail?

Über einen Anschluss des Leistungstransformators wird ein Niederspannungssignal mit variabler Frequenz eingespeist, das dann am anderen Anschluss gemessen wird. Der Vergleich von Ausgangs- und Eingangssignal ergibt einen Frequenzgang, der mit früheren Messergebnissen, z. B. dem Referenzmessergebnis, verglichen werden kann.

Inwiefern kann Machine Learning hier einen Zusatznutzen bieten?

Machine Learning (ML) und künstliche Intelligenz (KI) ermöglichen es, Prüfergebnisse mithilfe von Algorithmen zu vergleichen, die auf Expert:innenwissen und großen Datenmengen basieren. So lassen sich geräte- und anwendungsbedingte systematische Messfehler und Qualitätsprobleme sehr früh erkennen.

Welche externen Faktoren können sich auf die Messergebnisse auswirken?

Die Messergebnisse können durch Änderungen am Messaufbau, am Zustand des Transformators und an der Konfiguration des Transformators sowie durch externe Faktoren beeinflusst werden. All diese Faktoren können zu einer Fehldiagnose führen. Daher ist es wichtig, vor der Bewertung der Messergebnisse deren Gültigkeit und Qualität zu prüfen.

Welche Referenzdaten werden zur Bewertung der Ergebnisse der Übertragungsfunktionsanalyse herangezogen?

Die im Rahmen der Übertragungsfunktionsanalyse gemessenen Kurven werden unter Verwendung eines der folgenden beiden Standardalgorithmen mit Referenzdaten verglichen: NCEPRI-Algorithmus (NCEPRI, North China Electric Power Research Institute) und DL/T-Algorithmus (DL/T, Electric Power Industry Standard of the Peoples Republic of China (DL/T 911 - 2004)).

Wie können ML/KI mit Messungen im Rahmen der Übertragungsfunktionsanalyse verbunden werden?

Zum Anlernen der ML-Algorithmen standen 19.787 Übertragungsfunktionsanalyse-Kurven von über 2.000 Leistungstransformatoren zur Verfügung. Die Ergebnisse zeigen, dass KI-basierte Algorithmen für die automatische Qualifizierung und Validierung der Ergebnisse von Messungen im Rahmen der Übertragungsfunktionsanalyse eingesetzt werden können. Aktuell sind die Algorithmen sehr gut für Hilfszwecke geeignet. Anwender:innen können ihre eigenen SFRA-Kurven anhand dreier verschiedener Klassen vorvalidieren: „OK“, „Investigate“ und „Error“. Das ermöglicht eine deutliche Steigerung Ihrer Datenqualität und rückt Ihr Betriebsmittel stärker in den Fokus.

 

Informieren Sie sich ausführlicher über das SFRA-Prüfsystem FRANEO 800 von OMICRON und unser umfangreiches Wissen auf dem Gebiet von SFRA-Prüfungen.

WEITERLESEN

Podcast anhören

Wir haben eine Podcast-Folge produziert, in der es darum geht, wie wichtig die Validierung von Messdaten für zuverlässigere Bewertungen ist.

David Gopp und Lukas Klingenschmid, Experten für die Datentransformation bei OMICRON, sprechen über die Validierung von Messdaten und darüber, wie wichtig sie für die erfolgreiche digitale Transformation in der Energiewirtschaft ist. Jetzt reinhören (in Englisch):

In „Energy Talks“ wird über verschiedene Themen rund um das Prüfen von Netzwerken gesprochen. Sie finden alle Folgen auf unserer Podcast-Startseite.

Entdecken Sie unsere Coverstories

Hören Sie sich unseren Podcast an

16. November 2022

Vulnerability Management in Substations and Power Plants

with Andreas Klien

Episode 44 - Energy Talks

10. November 2022

In the Shoes of Field Engineers | Onsite Power Transformer Commissioning

with Marcus Stenner

Episode 43 - Energy Talks

19. Oktober 2022

Digital Transformation in the Power Industry 5 | Pattern Recognition

with David Gopp

Episode 42 - Energy Talks

Digital Transformation Series | Part 5

Sie verwenden eine nicht unterstützte Browser-Version.
Bitte aktualisieren Sie Ihren Browser oder verwenden Sie einen anderen Browser damit diese Seite korrekt dargestellt wird.
×