روش بهینه‌سازی نگهداری: ترانسفورماتورهای جریان خارجی مجهز به اینترنت اشیا برای پیش‌بینی وضعیت سلامت و نظارت بر عملکرد

چالش هدف:​​ حفظ عملکرد قابل اعتماد و جلوگیری از خرابی‌های غیرمنتظره ترانسفورماتورهای جریان (CTs) خارجی، به ویژه در زیرстанسیون‌های دورافتاده با دسترسی محدود فنی، ریسک‌های عملیاتی قابل توجه و هزینه‌های نگهداری بالا را به همراه دارد. بررسی‌های دوره‌ای سنتی غالباً نادر، واکنشی هستند و ممکن است خطاهای در حال رخ دادن را از دست بدهند.

​دیدگاه راه‌حل:​​ ​نگهداری پیش‌بینی‌شده و نظارت زنده از طریق IoT.​​ این راه‌حل از حسگرهای یکپارچه و اتصال بی‌سیم برای نظارت مداوم بر پارامترهای حیاتی سلامت CT استفاده می‌کند که به پیش‌بینی‌های داده-محور از شکست‌های احتمالی (خرابی عایق، اشباع هسته) قبل از وقوع آنها اجازه می‌دهد، به طور قابل توجهی وقت توقف غیرمنتظره را کاهش می‌دهد و منابع نگهداری را بهینه می‌کند.

مؤلفه‌ها و ویژگی‌های اصلی راه‌حل

1. ​CTs خارجی هوشمند مجهز به حسگر:​​
• ​حسگرهای دما یکپارچه:​​ به طور مداوم دماهای محیطی و نقاط داغ را نظارت می‌کنند. مشخص می‌کند گرم شدن ناهماهنگ ناشی از اتصالات ضعیف، شرایط بیش‌بار (خطر اشباع)، یا تخریب داخلی. برای مدل‌سازی حرارتی و پیش‌بینی طول عمر ضروری است.
• ​حسگرهای رطوبت یکپارچه:​​ نفوذ رطوبت در داخل پوشش CT را ردیابی می‌کند. تشخیص زودهنگام شکست‌های پوشش یا تراکم جلوگیری از تخریب عایق (ردیابی، کمانش) و شکست‌های دی الکتریک. برای CTs در محیط‌های سخت کاری اساسی است.
• ​حسگرهای تخلخل جزئی (PD) یکپارچه:​​ تخلخل‌های الکتریکی کم‌سطح در داخل سیستم عایق (فضاهای خالی، آلودگی‌ها، ردیابی سطحی) را تشخیص می‌دهد. PD یک شاخص اصلی از ناشی از خرابی عایق است که اولین هشدار ممکن برای مداخله پیش‌رو ارائه می‌دهد.
• ​طراحی مقاوم:​​ حسگرهای و الکترونیک داخلی برای تحمل تنش‌های محیطی خارجی (UV، دماهای حدی، رطوبت، EMI) معمول در محیط‌های زیرستانسیون سخت شده‌اند.
2. ​انتقال داده‌های بی‌سیم و دور:​​
• ​مدم LoRaWAN/سلولی روی دستگاه:​​ نیاز به زیرساخت پیچیده و گران‌قیمت کابل‌بندی را حذف می‌کند. از شبکه‌های بی‌سیم موجود استفاده می‌کند:
• ​LoRaWAN:​​ برای سایت‌های دور با نیازهای پهنای باند کم‌تر مناسب است. محدوده بلند (>10km)، مصرف انرژی کم (اجازه استفاده از گزینه‌های باتری/آفتابی) و نفوذ سیگنال عالی ارائه می‌دهد.
• ​سلولی (LTE-M/NB-IoT):​​ پوشش گسترده‌تری را ارائه می‌دهد که در آن LoRaWAN در دسترس نیست. برای سایت‌هایی که نیاز به نرخ‌های متوسط داده یا زیرساخت سلولی قابل اعتماد دارند مناسب‌تر است. شامل مکانیزم‌های پشتیبانی برای هشدارهای بحرانی.
• ​ارتباط امن:​​ انتقال داده‌های رمزگذاری شده (TLS/DTLS) برای حفاظت از داده‌های زیرساخت اساسی.
3. ​پلتفرم تحلیل AI مبتنی بر ابر:​​
• ​جمع‌آوری مرکزی داده‌ها:​​ داده‌های زنده و تاریخی از تمام CTs نصب شده را دریافت و به صورت ایمن ذخیره می‌کند.
• ​مدل‌های تشخیصی مبتنی بر AI:​​
• ​پیش‌بینی سلامت عایق:​​ AI روندهای فعالیت PD، دما و رطوبت را همبسته می‌کند تا نرخ تخریب عایق و مدل‌های شکست احتمالی را با اطمینان بالا پیش‌بینی کند. ناهماهنگی‌های ناچیز را که توسط هشدارهای آستانه از دست می‌روند شناسایی می‌کند.
• ​ارزیابی خطر اشباع هسته:​​ داده‌های موج شکل جریان اصلی (هارمونیک‌ها، توانایی تشخیص تغییر DC) را همراه با دما برای مدل‌سازی مشخصات مغناطیسی هسته و پیش‌بینی خطرات احتمالی اشباع تحت شرایط خاص شبکه تجزیه و تحلیل می‌کند.
• ​تشخیص ناهماهنگی:​​ یادگیری ماشین خط‌های پایه منحصر به فرد برای هر CT ایجاد می‌کند. ناهماهنگی‌های ناچیز را در میان داده‌های حسگر که مشکلات در حال رخ دادن را نشان می‌دهند حتی اگر هیچ پارامتری از آستانه هشدار بیشتر نباشد (مثلاً افزایش ناچیز دما همراه با الگوهای بار خاص) شناسایی می‌کند.
• ​هشدارهای خودکار و اولویت‌بندی:​​ هشدارهای قابل اجرایی را بر اساس شدت دسته‌بندی می‌کند. وظایف نگهداری را بر اساس ارزیابی ریسک و زمان پیش‌بینی شده تا شکست اولویت‌بندی می‌کند.
4. ​رابط کاربری (داشبوردها و گزارش‌گیری):​​
• ​تصویرسازی زنده:​​ داشبوردهای تعاملی وضعیت سلامت، خواندن حسگرها، روندها و هشدارها را برای تمام CTs در شبکه در نقشه یا لیست نمایش می‌دهند.
• ​بینش‌های نگهداری پیش‌بینی شده:​​ تصویرسازی‌های واضح از تخمین عمر مفید باقی‌مانده (RUL)، منحنی‌های احتمال شکست و اقدامات پیشنهادی (مثلاً "برنامه‌ریزی برای بازدید در ۳ ماه آینده" یا "توصیه برای تست تشخیصی").
• ​گزارش‌های وضعیت:​​ تولید خودکار گزارش‌های دقیق سلامت برای CTs خاص یا کل ناوگان.
• ​تحلیل تاریخی:​​ ابزارهایی برای کاوش عمیق در داده‌های تاریخی برای تجزیه و تحلیل علت اصلی و مقایسه عملکرد.

استفاده اصلی: نظارت و بهینه‌سازی زیرستانسیون‌های دورافتاده

• ​سناریو:​​ زیرستانسیون‌های واقع در مناطق جغرافیایی جدا شده (کوهستان، بیابان، شبکه‌های روستایی). بازدیدهای فنی نادر، گران و لجستیکی پیچیده هستند. نگهداری واکنشی پس از خرابی منجر به قطعی‌های طولانی می‌شود.
• ​مزایای راه‌حل:​​
• ​حذف بازدیدهای غیر ضروری:​​ از نگهداری مبتنی بر تقویم به نگهداری مبتنی بر شرایط تغییر می‌کند. فقط فنی‌ها را در صورت لزوم بر اساس پیش‌بینی‌های AI یا هشدارهای بحرانی خاص اعزام می‌کند.
• ​جلوگیری از خرابی‌های فاجعه‌بار:​​ تشخیص زودهنگام فعالیت PD در حال رخ دادن، نفوذ رطوبت یا ناهماهنگی‌های حرارتی اجازه مداخله قبل از خرابی فاجعه‌بار CT را می‌دهد و خسارات جانبی گران‌قیمت و قطعی‌های طولانی را جلوگیری می‌کند.
• ​بهینه‌سازی منابع نگهداری:​​ تمرکز زمان و بودجه فنی‌های کم‌موجود بر دارایی‌های پرریسک شناسایی شده توسط تحلیل‌های پیش‌بینی، قابلیت اطمینان کلی شبکه را بهبود می‌بخشد.
• ​تشخیص دور:​​ ارائه دید عمیق به وضعیت CT بدون نیاز به حضور فیزیکی محلی برای تشخیص اولیه. متخصصان دور را قادر می‌سازد تا تیم‌های محلی را راهنمایی کنند.
• ​گسترش طول عمر دارایی:​​ مدیریت پیش‌رو شرایط تخریب CT (گرما، رطوبت) به حداکثر رساندن عمر عملیاتی کمک می‌کند.

اعتبارات اصلی پیاده‌سازی

• ​پردازش لبه:​​ فیلتراسیون پایه، بوفر و تشخیص اولیه ناهماهنگی‌ها به طور محلی روی ماژول CT انجام می‌شود تا انتقال داده‌های غیر ضروری را کاهش دهد و زمان پاسخ برای رویدادهای بحرانی را بهبود بخشد.
• ​انرژی:​​ گزینه‌های مجهز به CT برای اتصال اصلی، با پشتیبانی باتری/آفتابی برای حسگری و هشداردهی بحرانی در زمان از دست دادن انرژی اصلی.
• ​امنیت سایبری:​​ طراحی مقاوم که به استانداردهای صنعتی (IEC 62443، NERC CIP) پایبند است حیاتی است. بوت امن، ارتباط رمزگذاری شده، مدیریت دستگاه امن.
• ​قابلیت مقیاس‌پذیری:​​ پلتفرم ابر طراحی شده برای مدیریت و پردازش داده‌های هزاران CT در یک شبکه بزرگ خدمات عمومی.
• ​یکپارچه‌سازی:​​ API‌های باز اجازه یکپارچه‌سازی با سیستم‌های موجود مدیریت دارایی (EAM/CMMS)، سیستم‌های SCADA و دریاچه‌های داده شرکتی برای دیدگاه جامع.
• ​کالیبراسیون و اعتبارسنجی:​​ روش‌های ثابت برای اعتبارسنجی دقت حسگرها و عملکرد مدل‌های AI در مقابل شرایط شناخته شده.