ระบบปฏิบัติการและบำรุงรักษาอัจฉริยะสำหรับหม้อแปลงแรงดัน GIS: ระบบการบำรุงรักษาเชิงพยากรณ์บนพื้นฐานของ IoT

1.ความท้าทาย:​​
หม้อแปลงแรงดันไฟฟ้าแบบดั้งเดิม (VTs) ภายในอุปกรณ์ GIS มักต้องการการตรวจสอบด้วยมือบ่อยครั้งในช่วงความถี่สูง ซึ่งนำเสนอจุดเจ็บปวดหลักสามประการ:

• ​การตรวจพบความผิดพลาดล่าช้า:​​ โครงสร้างป้องกันด้วยแก๊ส (GIS) ทำให้การตรวจพบสัญญาณความผิดพลาดเริ่มแรก เช่น การปล่อยประจุบางส่วนภายใน (PD) การลดลงของความหนาแน่นแก๊ส SF6 อย่างน้อย และการเพิ่มขึ้นของอุณหภูมิอย่างผิดปกติ ยากต่อการตรวจพบหรือค้นหาโดยวิธีการทั่วไป
• ​ประสิทธิภาพการตอบสนองต่ำ:​​ วงจรการตรวจสอบด้วยมือที่ยาวนาน (สัปดาห์/เดือน) หมายความว่าความเสียหายที่เกิดขึ้นอย่างฉับพลัน เช่น การแตกของฉนวนหรือการรั่วไหลของแก๊ส มักจะเกิดขึ้นโดยไม่มีการเตือนล่วงหน้า ส่งผลให้เกิดการหยุดทำงานโดยไม่ได้วางแผนไว้
• ​ค่าใช้จ่ายในการบำรุงรักษาสูง:​​ การทดสอบป้องกันและการบำรุงรักษารายวันใช้ทรัพยากรและแรงงานจำนวนมาก โดยมีความเสี่ยงทั้งการบำรุงรักษาเกินไปและไม่เพียงพอ

​2. โซลูชัน: ระบบการบำรุงรักษาเชิงคาดการณ์บน IoT​
เพื่อแก้ไขความท้าทายนี้ โซลูชันนี้สร้างเครือข่ายการตรวจสอบอัจฉริยะครอบคลุมวงจรชีวิตทั้งหมดของ GIS-VTs:

​​(1) ชั้นการตรวจจับแบบครอบคลุม:​​

• ​การกระจายความแม่นยำ:​​ ฝังหรือติดตั้งเซ็นเซอร์ความแม่นยำสูงที่โหนด VT สำคัญ (เช่น จุดเชื่อมต่อแรงดันสูง ใกล้กับช่องว่าง ตัวถังช่องแก๊ส):
• เซ็นเซอร์การปล่อยประจุบางส่วน (PD): เซ็นเซอร์ความถี่สูง CT หรือ Ultra-High-Frequency (UHF) ตรวจจับสัญญาณการเสื่อมสภาพของฉนวนแบบเรียลไทม์
• เซ็นเซอร์ความหนาแน่นและความชื้นของแก๊ส: ติดตามการเปลี่ยนแปลงของแรงดัน ความหนาแน่น และความชื้นของแก๊ส SF6 อย่างต่อเนื่อง
• เซ็นเซอร์อุณหภูมิ: ตรวจสอบจุดที่อุณหภูมิเพิ่มขึ้นอย่างผิดปกติที่จุดเชื่อมต่อสายนำและตัวบรรจุ
• ​การส่งข้อมูลที่เชื่อถือได้:​​ ข้อมูลจากเซ็นเซอร์ถูกส่งแบบเรียลไทม์ผ่านทางเข้า IoT ที่ฝังอยู่ในอุปกรณ์โดยใช้เครือข่ายไร้สายหรือใยแก้วนำแสงระดับอุตสาหกรรมไปยังแพลตฟอร์มการตรวจสอบคลาวด์ เพื่อให้แน่ใจว่าข้อมูลมีความทันสมัยและครบถ้วน

​​(2) แพลตฟอร์มการวิเคราะห์ที่ขับเคลื่อนด้วย AI:​​

• ​การรวมข้อมูล Big Data:​​ แพลตฟอร์มนี้รวมข้อมูลการตรวจสอบแบบเรียลไทม์กับข้อมูลหลายมิติ เช่น บันทึกการดำเนินงานและการบำรุงรักษาในอดีต ฐานข้อมูลความเสียหายของอุปกรณ์ที่คล้ายคลึงกัน และสภาพแวดล้อม (โหลด อุณหภูมิ)
• ​เครื่องมือวินิจฉัย AI:​​
• การสกัดลักษณะ: ระบุรูปแบบ PD (เช่น การปล่อยประจุลอย การปล่อยประจุบนผิว) เส้นโค้งแนวโน้มของการรั่วไหลของแก๊ส และแผนที่ความสัมพันธ์ของความผิดปกติของอุณหภูมิโดยอัตโนมัติ
• การพยากรณ์ด้วยการเรียนรู้ลึก: ใช้อัลกอริทึมเช่น LSTM และ Random Forest เพื่อสร้างโมเดลการพยากรณ์ความเสียหาย ประเมินดัชนีสุขภาพของส่วนประกอบ (HI) และอายุการใช้งานที่เหลือ (RUL) อย่างเชิงปริมาณ
• การเตือนภัยล่วงหน้าที่แม่นยำ: สามารถพยากรณ์ความเสียหายที่สำคัญ เช่น "การเสื่อมสภาพของการปล่อยประจุบนผิวฉนวน" หรือ "การรั่วไหลของแก๊สเล็กน้อยเนื่องจากการเสื่อมสภาพของแหวนปิดผนึก" ล่วงหน้าอย่างน้อย 7 วัน ด้วยความแม่นยำในการเตือนภัยล่วงหน้ามากกว่า 92%

​​(3) แดชบอร์ดการบำรุงรักษาที่มองเห็นได้:​​

• ​การมองเห็นแบบพาโนรามา:​​ ให้ภาพรวมสถานะสุขภาพในระดับต่างๆ (อุปกรณ์ GIS ช่อง VT แต่ละตัว) สนับสนุนการจัดการบันทึกทรัพย์สิน ข้อมูลแบบเรียลไทม์ แนวโน้มประวัติ และข้อมูลแจ้งเตือนในที่เดียว
• ​การส่งคำสั่งงานบำรุงรักษาอัจฉริยะ:​​ สร้างและส่งคำสั่งงานบำรุงรักษาที่แม่นยำตามระดับการแจ้งเตือนและผลการพยากรณ์ (เช่น "VT เฟส A: แนะนำให้ทำการทดสอบ PD ใหม่และตรวจสอบแหวนปิดผนึกภายใน 3 วัน") เพื่อเพิ่มประสิทธิภาพการจัดสรรทรัพยากร
• ​การสะสมความรู้:​​ สร้างรายงานการวิเคราะห์ความเสียหายโดยอัตโนมัติ สร้างฐานความรู้ O&M อย่างต่อเนื่อง และขับเคลื่อนการปรับปรุงโมเดล

​3. ประโยชน์หลัก​

​4. กรณีศึกษา​

• ​กลุ่มอุปกรณ์ GIS ที่สถานีไฟฟ้าหลัก 500kV:​​ หลังจากการติดตั้งระบบ สามารถให้การเตือนภัยล่วงหน้าสำหรับความเสียหายของฉนวน VT ที่อาจเกิดขึ้น 3 รายการ (2 การปล่อยประจุลอย 1 ความผิดปกติของแหวนปิดผนึกช่องแก๊ส) ด้วยระยะเวลาก่อนเกิดเหตุ 8-14 วัน ป้องกันความสูญเสียทางเศรษฐกิจที่สำคัญ ค่าใช้จ่ายในการบำรุงรักษาประจำปีลดลง 28% และความถี่ของการหยุดทำงานโดยบังคับของอุปกรณ์ลดลงเป็นศูนย์