Künstliche Intelligenz für Leistungstransformatoren: Nachweis, Health Index und menschliche Prüfung

Künstliche Intelligenz für Leistungstransformatoren sollte nicht mit einer magischen Kennzahl beginnen. Sie sollte mit Nachweis beginnen.

Eine Entscheidung über einen Leistungstransformator kann von der Analyse gelöster Gase, der Ölqualität, der Teilentladung, PRPD-Mustern, SFRA-Kurven, der Belastungshistorie, dem Kühlzustand, Durchführungsprotokollen, Inspektionen, Arbeitsaufträgen, den Folgen eines Ausfalls, der Ersatzteilstrategie und Lebenszyklusannahmen abhängen. AI wird dann nützlich, wenn sie Ingenieuren hilft, diese Signale zu einem prüfbaren Fall zu verknüpfen.

Das ist die Position von GridAPM: Künstliche Intelligenz unterstützt Transformatoringenieure, indem sie Nachweis ordnet und Erläuterungen entwirft. Sie ersetzt das ingenieurtechnische Urteil nicht.

Warum Leistungstransformatoren nachweisbasierte AI benötigen

Leistungstransformatoren sind hochwertige, langlebige Assets mit hohen Folgekosten. Ein einfaches Dashboard kann Trends anzeigen, erklärt aber selten, warum eine Wartungsmaßnahme gerechtfertigt ist. Ein generischer Chatbot kann Fragen beantworten, verliert aber möglicherweise die Quellenspur.

Transformator-AI muss etwas Disziplinierteres leisten:

• die Herkunft der Quellen bewahren;
• Nachweis nach Asset und Datum ausrichten;
• fehlende oder veraltete Datensätze anzeigen;
• diagnostische Nachweis mit der Wartungshistorie verknüpfen;
• Konfidenz und Unsicherheit erläutern;
• Entwürfe von Empfehlungen an menschliche Prüfer weiterleiten;
• einen Prüfpfad darüber führen, wer was genehmigt hat.

CIGRE TB 630 ist ein nützlicher Anker, weil es das intelligente Zustandsmonitoring von Transformatoren als Weg beschreibt, große Mengen an Zustandsdaten in nützliche Informationen umzuwandeln. Genau dort passt agentische AI: nicht als Blackbox, sondern als Schicht zur Orchestrierung von Nachweis.

Der Nachweisstapel für Transformator-AI

Künstliche Intelligenz für Leistungstransformatoren sollte über mehrere Nachweisfamilien hinweg arbeiten können.

Nachweisfamilie	Typische Frage	AI-Unterstützung
DGA und Öl	Verändern sich Gastrends? Verschlechtert sich die Ölqualität?	Trends zusammenfassen, Beschleunigung markieren, mit früheren Laborberichten verknüpfen
Teilentladung und PRPD	Gibt es Aktivität, die eine Expertenprüfung erfordert?	Musterfamilien, Messkontext und Konfidenznotizen ordnen
SFRA	Hat sich das Wicklungsverhalten gegenüber der Basislinie verändert?	Quellenreferenzen und Notizen zum Prüfaufbau vergleichen
Thermik und Belastung	Ist Alterungs- oder Belastungskontext relevant?	Lastprofil, Umgebungsbedingungen, Kühlzustand und Hot-Spot-Schätzungen verknüpfen
Wartungshistorie	Sind offene Arbeitsaufträge oder wiederkehrende Befunde relevant?	Kontext des Arbeitspakets und Lücken beim Abschluss entwerfen
Lebenszyklus und Kritikalität	Welche Folge hat eine Maßnahme oder ihr Aufschub?	Asset-Alter, Ersatzteilstrategie, Ausfallauswirkung und Nachhaltigkeitskontext verknüpfen

Das Ziel ist nicht, jedes Signal gleich sicher erscheinen zu lassen. Das Ziel ist, dem Prüfer zu helfen zu erkennen, welche Nachweis stark, schwach, fehlend oder widersprüchlich ist.

DGA ist der natürliche Ausgangspunkt

DGA ist oft der erste Nachweisstrom eines Transformators, den Versorger automatisieren möchten, weil er weit verbreitet, für die Analyse hinreichend strukturiert und mit bekannten Leitfäden wie IEEE C57.104 und IEC 60599 verknüpft ist.

Aber DGA-AI muss vorsichtig sein. Ein Gasverhältnis oder ein Trend kann auf mögliches Fehlerverhalten hindeuten, doch die Interpretation hängt von der Probenqualität, dem Betriebskontext, früheren Werten, dem Ölerhaltungssystem, der Belastung, jüngsten Wartungen und dem umfassenderen Zustandsbild ab.

Ein belastbarer DGA-Arbeitsablauf sollte:

1. den ursprünglichen Labor- oder Monitor-Datensatz bewahren;
2. Einheiten und Daten normalisieren;
3. die Trendbewegung vergleichen statt nur Einzelwerte;
4. Bedenken hinsichtlich der Gasbildungsrate identifizieren;
5. mit Nachweis zu Ölqualität, Belastung und Inspektion verknüpfen;
6. Prüferfragen entwerfen;
7. die Genehmigung durch einen Ingenieur vor jeder Maßnahme verlangen.

Siehe den begleitenden Leitfaden zur DGA-Trendanalyse und den neueren Arbeitsablauf zu zustandsorientierter Instandhaltung, DGA und agentischer AI.

Der Health Index sollte erklärbar sein

Software für den Health Index von Transformatoren ist nur dann nützlich, wenn der Index erklärbar ist. Eine Kennzahl ohne Begründung kann falsches Vertrauen erzeugen.

Für GridAPM sollte ein Health Index offenlegen:

• welche Nachweis die Kennzahl bewegt hat;
• welche Quellen veraltet oder fehlend waren;
• welche Annahmen angewendet wurden;
• wie die Kritikalität die Priorisierung beeinflusst;
• ob eine Wartungsmaßnahme dringend, geplant oder auf einer Beobachtungsliste ist;
• wer das Ergebnis geprüft hat.

Dieser Ansatz macht den Health Index zu einer Entscheidungsunterstützungsschicht und nicht zu einem Ersatz für die ingenieurtechnische Prüfung.

Agentische AI verändert den Arbeitsablauf

Herkömmliche Analytik beantwortet eine eng gefasste Frage. Agentische AI kann eine Abfolge von Arbeitsschritten unterstützen:

1. Die neuesten Transformatordatensätze finden.
2. Daten, Werte, Notizen und Quellenreferenzen extrahieren.
3. Nachweis mit früheren Datensätzen und dem Asset-Kontext vergleichen.
4. Eine verständliche Zustandszusammenfassung entwerfen.
5. Fehlende Nachweis und Unsicherheit identifizieren.
6. Mögliche nächste Maßnahmen vorschlagen.
7. Ein Prüfpaket erstellen.
8. Auf die Genehmigung durch den Ingenieur warten.

MIT News beschreibt agentische AI als AI, die über Werkzeuge Maßnahmen ergreift. Im Transformator-APM sind die sichersten frühen Maßnahmen Nachweismaßnahmen: abrufen, vergleichen, zusammenfassen, entwerfen, weiterleiten und berichten.

Was künstliche Intelligenz nicht tun sollte

Bei kritischen Transformator-Assets sollte AI nicht:

• Zuschaltungen oder Änderungen der Belastung genehmigen;
• Schutzparameter einstellen;
• Wartungsnormen außer Kraft setzen;
• ohne Quellennachweis eine Grundursache behaupten;
• Arbeitsaufträge ohne Prüfung abschließen;
• Unsicherheit hinter einer Kennzahl verbergen;
• eine endgültige ingenieurtechnische Autorität schaffen.

Hier ist die NIST-AI-Risikoleitlinie nützlich. Ein vertrauenswürdiger AI-Arbeitsablauf braucht Governance, Nachvollziehbarkeit, Messbarkeit und Rechenschaftspflicht. Transformator-AI muss von Anfang an für diese Anforderungen ausgelegt sein.

Ein praktischer Pilotpfad

Ein Versorger, ein Öl- und Gasbetreiber, ein Industriestandort oder ein Erzeugungseigentümer kann mit einem eng gefassten Piloten beginnen:

Pilotschritt	Ergebnis
Assets auswählen	Kritische Transformatorgruppe mit bekannter Nachweishistorie
Nachweis wählen	DGA plus Ölqualität, Belastung, Inspektion oder Wartungsdatensätze
Quellen zuordnen	Quelleneigentümer, Datum, Format, Einheiten, Sensitivität und Asset-ID
AI-Unterstützung ausführen	Zustandszusammenfassungen und Hinweise auf fehlende Nachweis entwerfen
Prüfen	Ingenieur genehmigt, bearbeitet, lehnt ab oder eskaliert
Messen	Zeit bis zum Nachweispaket, Prüfervertrauen, gefundene fehlende Datensätze, geklärte Maßnahmen

Der erste Erfolg ist meist keine dramatische Vorhersage. Es ist der Moment, in dem ein Team den vollständigen Transformatorfall an einer Stelle sieht und die nächste Maßnahme mit Zuversicht erklären kann.

Fazit

Künstliche Intelligenz für Leistungstransformatoren ist wertvoll, wenn sie komplexe elektrotechnische Informationen leichter verständlich und sicherer prüfbar macht.

Die Spur von GridAPM ist klar: quellenverknüpfte Nachweis, agentische AI-Unterstützung, erklärbarer Health-Index-Kontext und menschlich genehmigte Transformator-APM-Entscheidungen.