GIS გარდაცვლის ტრანსფორმატორების ინტელექტუალური ოპერაციული და ტექნიკური მხარდაჭერა: IoT-ზე დაფუძნებული პრედიქტიული ტექნიკური მხარდაჭერის სისტემა

1.პრობლემები:​​
ტრადიციული ვოლტაჟის ტრანსფორმატორები (VTs) GIS ხელსაწყოში ხშირად მოითხოვენ ხელით შემოწმებას, რაც წარმოადგენს სამი ძირითად პრობლემას:

• ​შესაძლო შეცდომების დასაქვეითი გამოკვლევა:​​ დახურული გაზით იზოლირებული სტრუქტურა (GIS) ხელსაწყოში შესაძლოა შეცდომების დასაქვეითი ინდიკატორები, როგორიცაა შესაძლო PD, პატარა SF6 გაზის სიმჭიმრის შეცვლა და ანომალიური ტემპერატურის ზრდა, ვიზუალურად ან სტანდარტული მეთოდებით არ იქნება ხელმისაწვდომი დასაქვეითი გამოკვლევისთვის.
• ​დაბალი პასუხისმგებლობის ეფექტიურობა:​​ გრძელი ხელით შემოწმების ციკლები (კვირები/თვეები) ნიშნავს, რომ უცენიერი შეცდომები, როგორიცაა იზოლაციის დახრჩობა ან გაზის დახარჯვა, ხშირად ხდება გაფრთხილების გარეშე, რაც იწვევს არაგეგმილ შეჩერებებს.
• ​მაღალი O&M ხარჯები:​​ პრევენტიული ტესტები და რეგულარული მერაბები ხარჯავენ დიდ რაოდენობაში ხანდახან და რესურსებს, რითაც იწვევს რისკებს და დახარჯვის და დახრჩობის შესახებ.

​2. გადაწყვეტილება: IoT-დაფუძნებული პროგნოზირებითი მერაბის სისტემა​
ამ პრობლემების გადაჭრისთვის, ეს გადაწყვეტილება ქმნის ინტელექტურ მონიტორინგის ქსელს, რომელიც განკუთვნის GIS-VTs-ის მთელ ციკლს:

​​(1) სრული სენსორული საფეხური:​​

• ​სიზუსტის დასამატება:​​ ჩასმა/დაკავშირება სიზუსტის სენსორები VT-ის მთავარ კვანძებზე (მაგალითად, მაღალი ვოლტაჟის კავშირები, სპეისერების ახლოს, გაზის კომპარტმენტის სხეული):
• PD სენსორები: მაღალი სი частоты CT ან UHF სენსორები გამოიძახებენ რეალური დროის იზოლაციის დეგრადაციის სიგნალებს.
• გაზის სიმჭიმრისა და თხელების სენსორები: უწყვეტად თვალყურობენ SF6 გაზის წნევის, სიმჭიმრის და თხელების შეცვლებებს.
• ტემპერატურის სენსორები: მონიტორინგი ანომალიური ტემპერატურის ზრდის წერტილების შესახებ კონდუქტორების კავშირებში და კორპუსებში.
• ​დამალდებული ტრანსმისია:​​ სენსორის მონაცემები ტრანსმიტირდება რეალური დროით ხელსაწყოში ჩასამატებელი IoT გეიტვეიების მეშვეობით ინდუსტრიული საფეხურის უსადეგარი/ფიბეროპტიკური ქსელების მეშვეობით ქვემოთ მონიტორინგის პლატფორმაზე, რაც უზრუნველყოფს მონაცემების სრულყოფილებას და ინტეგრიტეტს.

​​(2) AI-დაფუძნებული ანალიტიკური პლატფორმა:​​

• ​დიდი მონაცემების გაერთიანება:​​ პლატფორმა ინტეგრირებს რეალური დროის მონიტორინგის მონაცემებს მრავალგანუკვეთელი ინფორმაციით, როგორიცაა ისტორიული ოპერაციული/მერაბის ჩანაწერები, ანალოგიური ხელსაწყოების შეცდომების ბაზები და გარემოს პარამეტრები (ტვირთი, ტემპერატურა).
• ​AI დიაგნოსტიკური მოტორი:​​
• შესაძლო PD მოდელების ამოღება (მაგალითად, სხვადასხვა დისქარჯები, ზედაპირული დისქარჯები), გაზის დახარჯვის ტენდენციის გრაფიკები და ტემპერატურის ანომალიური კორელაციის რუკები.
• ღრმა სწავლების პროგნოზირება: გამოიყენებს LSTM და Random Forest ალგორითმებს შეცდომების პროგნოზირების მოდელების შესაქმნელად, რაც კვანტიტატიურად აფასებს კომპონენტების ჯანმრთელობის ინდექსებს (HI) და დარჩენილ სარგებლობას (RUL).
• სიზუსტის დასაქვეითი გაფრთხილება: პროგნოზირებს კრიტიკულ შეცდომებს, როგორიცაა "იზოლატორის ზედაპირული დისქარჯის დეგრადაცია" ან "გაზის მიკრო-დახარჯვა დახრჩობული ბრეტლის გამო", მინიმუმ 7 დღით ადრე, სიზუსტით 92%.