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.

 

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.

Więcej informacji

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.

Odkryj więcej artykułów OMICRON

Posłuchaj naszych podcastów

listopada 16, 2022

Vulnerability Management in Substations and Power Plants

with Andreas Klien

Episode 44 - Energy Talks

listopada 10, 2022

In the Shoes of Field Engineers | Onsite Power Transformer Commissioning

with Marcus Stenner

Episode 43 - Energy Talks

października 19, 2022

Digital Transformation in the Power Industry 5 | Pattern Recognition

with David Gopp

Episode 42 - Energy Talks

Digital Transformation Series | Part 5

You are using an outdated browser version.
Please upgrade your browser or use another browser to view this page correctly.
×