Diagnostische Nachweismodelle für Leistungstransformatoren in der agentischen AI

Agentische AI für Transformator-APM ist nur dann glaubwürdig, wenn sie über ein Nachweismodell argumentieren kann und nicht über einen Stapel von Dateien. Eine Transformator-Empfehlung sollte beantworten: welches Asset, welche Komponente, welche Beobachtung, welche Methode, welcher Normenkontext, welcher Zeitstempel und welches Konfidenzniveau?

Dieser Nachweisvertrag ist der Unterschied zwischen einem prüfbaren Nachhaltigkeits-Arbeitsablauf und einem Black-Box-Score.

Mit der Asset-Hierarchie beginnen

Transformatornachweise sollten sich an die Komponente knüpfen, die ausfallen kann. Eine sinnvolle Hierarchie umfasst Flotte, Standort, Transformator, Kessel, Wicklung, Durchführung, Stufenschalter, Kühlsystem, Sensoren und Schutzkontext. DatenNormen für Versorgungsunternehmen wie IEC 61850 und CIM-orientierte Arbeiten wie der PNNL-Leitfaden zum IEC CIM sind nützliche Referenzen, um über konsistente Asset-Identität und Interoperabilität nachzudenken.

Für GridAPM ist die praktische Regel einfach: Jeder Datensatz muss wissen, wozu er gehört. Ein DGA-Ergebnis gehört zu einem Transformator und einem Ölsystem. Eine Durchführungsprüfung gehört zu einer Komponente. Eine SFRA-Kurve gehört zu einer Wicklungskonfiguration, einer Stufenstellung und einem Messaufbau. Ohne Hierarchie hat die AI keinen verlässlichen Ort, um Nachweise anzuknüpfen.

Provenienz vor Prognose

Das Schlussfolgern der AI ist fragil, wenn den Eingabedatensätzen nicht vertraut wird. Ein Transformator-Nachweismodell sollte Folgendes erfassen:

• Quellsystem oder Quelldatei.
• Messmethode.
• Zeitstempel und Probenahmezeitpunkt.
• Einheit und Normalisierung.
• Notizen zu Kalibrierung oder Prüfaufbau.
• Datenqualitäts-Flags.
• Transformationshistorie.
• Prüfer oder System, das den Datensatz erstellt hat.

Das NIST AI Risk Management Framework betont Themen wie Governance, Transparenz und Rechenschaftspflicht, die sich direkt auf diese Anforderung abbilden lassen. In der Transformator-APM ist Provenienz kein Papierkram. Sie ist die Grundlage für die Entscheidung, ob eine Empfehlung Aufmerksamkeit verdient.

Die Diagnosekanäle modellieren

Ein Transformator-Nachweismodell sollte jeden Diagnosekanal auf seine eigene Weise darstellen:

• DGA: Gase, Verhältnisse, Gasbildungsraten, Probenquelle, Kontext der Ölaufbereitung und Interpretationshistorie. Siehe IEEE C57.104 und IEC 60599.
• PRPD und Teilentladung: scheinbare Ladung, Phasenbezug, Messkreis, Sensortyp, Störnotizen und Musterfamilie. Siehe IEC 60270.
• SFRA: Kurvendatei, Messgerät, Anschlussführung, Erdung, Stufenstellung, Referenzkurve und Vergleichsereignis. Siehe IEEE C57.149.
• Thermische Belastung: Last, Umgebungstemperatur, Kühlzustand, Öltemperatur oben, Hot-Spot-Schätzung und Alterungskontext. Siehe IEC 60076-7.
• Überwachungsausrüstung: Sensoreinsatz, Datenqualität, Kommunikation und Risiko-Nutzen-Kontext. Siehe IEEE C57.143.

Der Agent sollte diese nicht zu früh zu einer einzigen Zahl verdichten.

Widersprüche sind Signale

In einem gut modellierten System sind Widersprüche kein Rauschen, das man herausmitteln sollte. Sie sind diagnostische Anstöße. Steigende brennbare Gase bei normaler thermischer Historie können eine andere Prüfung verdienen als thermische Alterung ohne chemische Marker. Ein PRPD-Muster ohne DGA-Entwicklung kann auf den Messkontext oder ein sich entwickelndes Isolationsproblem hindeuten. Eine SFRA-Verschiebung nach einem Durchgangsfehler kann die Konfidenz eines ansonsten moderaten Risiko-Scores verändern.

Agentische APM sollte Rückfragen stellen, wenn sich die Nachweise widersprechen. Das ist wertvoller, als jeden Datensatz in einen einzigen gemischten Zustandsindex zu zwingen.

Der agentische Arbeitsablauf

Sobald die Nachweise modelliert sind, können AI-Agenten klar abgegrenzte Aufgaben ausführen:

1. Datensätze abrufen, die dem Asset und der betroffenen Komponente zugeordnet sind.
2. Provenienz und veraltete Daten prüfen.
3. Beobachtungen mit Referenzwerten, Normenkontext und früheren Entscheidungen vergleichen.
4. Hypothesen und Unsicherheitsnotizen bilden.
5. Fehlende Datensätze oder Nachprüfungen anfordern.
6. Wartungsoptionen zur Prüfung durch Ingenieure entwerfen.

Dies verknüpft sich direkt mit der Analyse der DGA-Gasbildungsrate, der PRPD-Prüfqualität und der SFRA-Analyse von Wicklungsbewegungen.

Ein praktischer Nachweisvertrag

Der diagnostische Nachweisvertrag von GridAPM für Transformatoren lässt sich zusammenfassen als:

Asset-/Komponenten-ID + Beobachtung + Methode + Provenienz + Normenkontext + Konfidenz + Interpretation + nächste Maßnahme + Prüfspur.

Dieser Vertrag hilft Transformator-Teams, genau nachzuvollziehen, wie eine AI-gestützte Empfehlung zustande gekommen ist. Die überzeugende Aussage lautet nicht, dass die AI jeden Ausfall vorhersagt. Die stärkere Aussage lautet, dass die AI das diagnostische Schlussfolgern bei Transformatoren nachvollziehbarer, modalitätsübergreifend und prüfbarer machen kann.