SZTUCZNA INTELIGENCJA ZWIĘKSZA WIARYGODNOŚĆ TWOICH DANYCH POMIAROWYCH
Uczenie maszynowe poprawia dokładność i ujawnia potencjalne niezgodności w wynikach testów na wczesnym etapie badania.
Wzrastający udział odnawialnych źródeł energii prowadzi do coraz większej decentralizacji produkcji energii elektrycznej. Dlatego też w sieci energetycznej pojawia się coraz więcej obciążeń regulowanych, a wraz z nimi ryzyko wystąpienia negatywnych efektów, takich jak zwarcia, składowe harmoniczne i stany przejściowe. Zmienne warunki pracy urządzeń sprawiają, że pożądanym działaniem staje się staranna kontrola ewentualnych zmian danych pomiarowych.
Gwałtownie zmieniające się warunki obciążenia w sieci energetycznej mają również wpływ na kosztowne transformatory elektroenergetyczne. Obecnie potrzebne są odpowiednie działania konserwacyjne, aby zapewnić długi i bezawaryjny cykl życia zainstalowanych transformatorów. Metoda SFRA jest powszechnie stosowaną procedurą offline. Dowiedziono, że jest to najczulsza nieinwazyjna metoda wykrywania usterek mechanicznych i elektrycznych. Jest to jedna z ważniejszych procedur realizowanych w ramach oceny transformatora w oparciu o jego stan.
Co oznacza skrót SFRA?
SFRA jest akronimem nazwy Sweep Frequency Response Analysis oznaczającej analizę odchyleń charakterystyki częstotliwościowej. Procedura ta opiera się na porównaniu pomiarów rzeczywistych z pomiarami referencyjnymi (tzw. odciskiem palca).
Jakie są możliwości metody SFRA?
W ramach analizy można dokonywać pomiarów na transformatorach elektroenergetycznych w dziedzinie częstotliwości.
Jakie są zalety zasady SFRA?
Metoda jest odporna na zakłócenia szerokopasmowe i wąskopasmowe, co pozwala na uzyskanie wysokiego stosunku sygnału do szumu.
Dlaczego SFRA jest tak popularną metodą pomiarową?
W porównaniu z innymi metodami SFRA jest nieinwazyjną szybką metodą pomiaru.
Dlaczego wyniki analizy SFRA są stosunkowo wiarygodne?
Pomiary opierają się na porównaniu pomiaru rzeczywistego z referencyjnym (tzw. odciskiem palca). Odchylenia spowodowane błędami pomiaru można więc dość łatwo wykryć.
Od czasu wprowadzenia normy IEC 60076-18 metoda ta stała się jednym z powszechnie stosowanych testów elektrycznych, a jej akceptacja wśród użytkowników znacznie wzrosła.
Firma OMICRON opracowała optymalne rozwiązanie dla testów SFRA, które teraz jest dodatkowo ulepszone o algorytmy dające pewność, że pomiar nie musi być powtarzany.
- David Gopp, menedżer produktu
Uczenie maszynowe z wykorzystaniem metody SFRA
Metoda SFRA dostarcza wyników opisujących mechaniczną integralność struktury rdzenia, uzwojeń i zacisków, a także integralność elektryczną, związaną z takimi problemami jak zwarte uzwojenia i zwoje.
Jak dokładnie działa pomiar SFRA?
Na zacisk transformatora elektroenergetycznego jest podawany sygnał niskonapięciowy o zmiennej częstotliwości, który następnie jest mierzony na innym zacisku. Porównanie sygnałów wyjściowych i wejściowych pozwala na określenie charakterystyki częstotliwościowej, która może być porównywana z wcześniejszymi pomiarami, takimi jak pomiar referencyjny.
W jaki sposób uczenie maszynowe może stanowić tu wartość dodaną?
Z pomocą uczenia maszynowego / sztucznej inteligencji jest możliwe porównywanie wyników testu wspierane przez algorytmy oparte na wiedzy eksperckiej i dużej ilości danych. Takie modele pomagają w bardzo wczesnym wykrywaniu błędów pomiarowych związanych z urządzeniem i zastosowaniem oraz problemów z jakością.
Które czynniki zewnętrzne mogą wpływać na wyniki pomiaru?
Zmiany konfiguracji pomiaru, stanu transformatora, konfiguracji transformatora i czynników zewnętrznych mogą wpływać na wyniki pomiaru, a tym samym prowadzić do błędnej diagnozy. Dlatego też ważne jest sprawdzanie wiarygodności i jakości wyników pomiaru przed dokonaniem oceny.
Jakie są wzorce oceny dla pomiarów SFRA?
Uzyskane krzywe SFRA są oceniane w odniesieniu do danych referencyjnych, przy użyciu jednego z dwóch standardowych algorytmów: algorytmu NCEPRI (NCEPRI, Północnochiński Instytut Badań nad Energią Elektryczną) lub algorytmu DLT (DLT, Norma Przemysłowa Chińskiej Republiki Ludowej dla Energii Elektrycznej (DL/T 911 – 2004)).
W jaki sposób można połączyć uczenie maszynowe / sztuczną inteligencję z pomiarami SFRA?
Dla procesu uczenia maszynowego było dostępnych 19 787 krzywych SFRA reprezentujących ponad 2000 transformatorów elektroenergetycznych w celu wytrenowania algorytmów. Wyniki pokazują, że algorytmy oparte na sztucznej inteligencji są zdatne do automatycznej kwalifikacji i walidacji pomiarów SFRA. Obecnie algorytmy bardzo dobrze nadają się do celów pomocniczych. Użytkownik może wstępnie zweryfikować swoje krzywe SFRA w oparciu o trzy różne klasy. Wyniki pomiaru można zakwalifikować jako OK, Sprawdź lub Błąd. Ta możliwość pozwala na uzyskanie ogromnego wzrostu jakości danych i jeszcze większego skupienia się na urządzeniu przez użytkownika.
Dowiedz się więcej o systemie do testów SFRA FRANEO 800 firmy OMICRON i jej dogłębnej wiedzy o badaniach SFRA.
Posłuchaj naszego podcastu
Nagraliśmy odcinek podcastu, z którego możesz dowiedzieć się, jak ważna jest walidacja danych pomiarowych dla bardziej wiarygodnej oceny.
W tym odcinku eksperci firmy OMICRON w dziedzinie transformacji danych, David Gopp i Lukas Klingenschmid, rozmawiają o walidacji danych pomiarowych i jej roli dla sukcesu transformacji cyfrowej w branży energetycznej. Posłuchaj naszego podcastu!
W podcaście Energy Talks gościmy różnych ekspertów zajmujących się testowaniem systemów elektroenergetycznych. Wszystkie odcinki możesz znaleźć na naszej stronie docelowej podcastu.
