راه‌حل هوشمند عملیات و نگهداری ترانسفورماتور ولتاژ GIS: سیستم نگهداری پیش‌بینی شده مبتنی بر اینترنت اشیا

1.چالش‌ها:​​
تبدیل‌دهنده‌های ولتاژ (VT) سنتی در تجهیزات GIS معمولاً نیاز به بازرسی‌های دستی با فرکانس بالا دارند که سه نقطه درد اصلی را مطرح می‌کنند:

• ​تشخیص تأخیری شکست‌های بالقوه:​​ ساختار بسته و عایق‌بندی شده با گاز (GIS) تشخیص زودهنگام نشانه‌های خرابی مانند تخلیه جزئی داخلی (PD)، کاهش کمی چگالی گاز SF6 و افزایش غیرعادی دما را از طریق روش‌های متعارف مشکل می‌کند.
• ​کارایی پاسخ پایین:​​ دوره‌های طولانی بازرسی دستی (هفته‌ها/ماه‌ها) موجب می‌شود که خرابی‌های ناگهانی مانند شکست عایق یا روان‌گری گاز بدون هشدار رخ دهند، که منجر به قطع برق غیرمنتظره می‌شود.
• ​هزینه‌های بالای O&M:​​ آزمون‌های پیشگیرانه و نگهداری معمول منابع و نیروی انسانی زیادی را مصرف می‌کنند، با خطرات هر دو حالت نگهداری بیش از حد و کمتر از حد.

​2. راه‌حل: سیستم نگهداری پیش‌بینی‌ای مبتنی بر IoT​
برای حل این چالش‌ها، این راه‌حل یک شبکه نظارت هوشمند را برای پوشش کل دوره عمر GIS-VTs ایجاد می‌کند:

​​(1) لایه حسگری جامع:​​

• ​نصب دقیق:​​ حسگرهای با دقت بالا را به گره‌های کلیدی VT (مانند اتصالات ولتاژ بالا، نزدیک جداکننده‌ها، بدنه بخش گاز) نصب یا متصل کنید:
• حسگرهای تخلیه جزئی (PD): حسگرهای CT با فرکانس بالا یا Ultra-High-Frequency (UHF) سیگنال‌های تخریب عایق را در زمان واقعی تشخیص می‌دهند.
• حسگرهای چگالی گاز و رطوبت: تغییرات فشار، چگالی و محتوای رطوبت گاز SF6 را به طور مداوم ردیابی می‌کنند.
• حسگرهای دما: نقاط افزایش دما غیرعادی در اتصالات هادی و پوشش‌ها را نظارت می‌کنند.
• ​انتقال قابل اعتماد:​​ داده‌های حسگر به صورت زنده از طریق گیت‌وی‌های IoT جاسازی شده در دستگاه‌ها با استفاده از شبکه‌های بی‌سیم یا نوری صنعتی به یک پلتفرم نظارت در ابر منتقل می‌شوند، که تضمین می‌کند داده‌ها به موقع و کامل باشند.

​​(2) پلتفرم تحلیل هوش مصنوعی:​​

• ​تلفیق داده‌های بزرگ:​​ پلتفرم داده‌های نظارت زنده را با اطلاعات چندبعدی مانند سابقه عملکرد/نگهداری تاریخی، پایگاه داده خرابی‌های تجهیزات مشابه و شرایط محیطی (بار، دما) تلفیق می‌کند.
• ​موتور تشخیص هوش مصنوعی:​​
• استخراج ویژگی: الگوهای PD (مانند تخلیه‌های شناور، تخلیه‌های سطحی)، منحنی‌های روند روان‌گری گاز و نقشه‌های همبستگی انحراف دما را به طور خودکار شناسایی می‌کند.
• پیش‌بینی یادگیری عمیق: از الگوریتم‌هایی مانند LSTM و Random Forest برای ساخت مدل‌های پیش‌بینی خرابی استفاده می‌کند، که ارزیابی کمّی شاخص‌های سلامتی (HI) و عمر مفید باقی‌مانده (RUL) را انجام می‌دهد.
• هشدار زودهنگام دقیق: خرابی‌های مهم مانند "تخریب تخلیه سطحی عایق" یا "رانش گاز میکروسکوپی به دلیل پیری حلقه‌های بسته" را حداقل ۷ روز قبل پیش‌بینی می‌کند، با دقت هشدار زودهنگام بیش از ۹۲٪.

​​(3) داشبورد نگهداری و عملیات تصویری:​​

• ​تصویرسازی کلی:​​ مرور کلی وضعیت سلامتی در سطوح مختلف (تجهیزات GIS، بی، VT منفرد) را ارائه می‌دهد، که مدیریت یکپارچه ضبط دارایی‌ها، داده‌های زنده، روندهای تاریخی و اطلاعات هشدار را پشتیبانی می‌کند.
• ​ارسال هوشمندانه دستورکار:​​ بر اساس سطح هشدار و نتایج پیش‌بینی دستورکارهای نگهداری دقیق را تولید و ارسال می‌کند (مانند "VT فاز A: پیشنهاد می‌کنیم تست مجدد PD و بازرسی بسته‌ها در ۳ روز آینده انجام شود")، که به بهینه‌سازی تخصیص منابع کمک می‌کند.
• ​تجمع دانش:​​ گزارش‌های تحلیل خرابی را به طور خودکار تولید می‌کند، پایگاه دانش O&M را به طور مداوم ساخت می‌کند و به بهینه‌سازی مدل کمک می‌کند.

​3. مزایای کلیدی​

​4. مورد مرجع​

• ​دسته‌ای از تجهیزات GIS در زیرстанسیون ۵۰۰kV مرکزی:​​ پس از نصب سیستم، موفق به ارائه هشدارهای زودهنگام برای ۳ خرابی بالقوه عایق VT (۲ تخلیه شناور، ۱ ناهماهنگی بسته بخش گاز) با پیش‌بینی ۸-۱۴ روزه شد، که منجر به جلوگیری از زیان‌های اقتصادی قابل توجه شد. هزینه‌های نگهداری سالانه ۲۸٪ کاهش یافت و فرکانس قطع برق اجباری به صفر رسید.