Erhöhung der Verfügbarkeit durch Maschinenlernen in Verbindung mit fortgeschrittenen digitalen Methoden zur Zustandsbewertung von Transformatoren und Drosseln

Abstract:
Die zunehmende Volatilität der Lastflüsse in Stromnetzen und die damit verbundene höhere Auslastung von Transformatoren erfordert eine Untersuchung der Möglichkeiten neuer Technologien zur Untersuchung und Analyse des Betriebszustandes dieser Geräte. Zusammen mit der Einführung einer neuen Generation von Überwachungssystemen für Transformatoren und Stufenschalter wurde auch die Frage aufgeworfen, Vibroakustik als neue und innovative Technologie für die Online-Überwachung dieser Betriebsmittel in Umspannwerken einzusetzen, da das akustische Signal im Stufenschalterbetrieb alle mechanischen und elektrischen Vorgänge während des Schaltvorgangs abbildet. Nach der ersten Demonstration des auf einer Wavelet-Transformation basierenden Verfahrens hat sich deshalb in den letzten sechs Jahren die vibroakustische Offline-Analyse des Betriebszustands eines Stufenschalters als hervorragendes Werkzeug für den Stufenschalter-Service etabliert. Das im Beitrag vorzustellende, selbstlernende Verfahren kann die Funktionalität zukünftiger Überwachungssysteme für Stufenschalter von Transformatoren und Drosselspulen deutlich erhöhen. In einem ersten Schritt wurden daher mathematische Methoden untersucht, die eine Online-Überwachung von Stufenschaltern durch vibroakustische Verfahren sicherstellen können. Bei der Entwicklung der vibroakustischen Online-Analytik wurde deshalb ein im Wesentlichen pragmatisches Verfahren entwickelt: Das Tracking-Verfahren. Dieser Beitrag demonstriert des Weiteren eine innovative Methode zur Analyse, Visualisierung und Interpretation von vibroakustischen Online-Messungen eines 250 Mvar, 440 kV - Variablen Shunt Reaktors über einen Gesamtzeitraum von drei Jahren in Kombination mit Transformator-, in diesem speziellen Fall, Monitoringdaten der regelbaren Drossel aus demselben Zeitraum. Die Korrelation von Daten aus einem Monitoringsystem und die Anwendung etablierter statistischer Auswertemethoden ermöglicht somit ein Data Mining zur Beschreibung des Betriebszustandes des Aktivteils von induktiven Betriebsmitteln. Die Arbeit an den Funktionsmodellen hat jedoch auch gezeigt, dass die Qualität der Datenbasis in Form von verfügbaren historischen Betriebsdaten und die Anzahl der vom Transformatorüberwachungssystem zu messenden physikalischen Größen entscheidend ist, um hinreichend genaue Modelle generieren zu können. Eine umfangreiche Grundlagenentwicklung hat jedoch zu mathematischen Verfahren geführt, die es ermöglichen, Veränderungen im Aktivteil von Transformatoren während des laufenden Betriebs zu erkennen. Die Ergebnisse aller Messungen werden zusammen mit dem verwendeten Auswerteverfahren dargestellt und bewertet.