SFRA-Wicklungsbewegungsanalyse für Transformator-APM

Die Sweep-Frequenzganganalyse hilft Transformatorteams bei der Bewertung der mechanischen Integrität. Sie erzeugt einen Frequenzgang-Fingerabdruck, der von der Wicklungsgeometrie, dem Kern, den Ableitungen, den Pressstrukturen und der Anschlusskonfiguration beeinflusst wird. Wenn ein Transformator Transportbelastungen, Kräften aus Durchgangsfehlern, seismischen Ereignissen oder einer fragwürdigen Betriebshistorie ausgesetzt war, kann SFRA zu einem entscheidenden Vergleichsdatensatz werden.

AI kann dabei helfen, Messkurven zu organisieren und zu vergleichen. Sie darf die Messdisziplin jedoch nicht außer Acht lassen.

Was SFRA misst

SFRA „sieht” eine Wicklung nicht direkt. Das Verfahren misst den Frequenzgang über einen Frequenzbereich und ermöglicht es Ingenieuren, diesen Frequenzgang mit einer Referenzmessung, einer Schwestereinheit, einer anderen Phase oder einer früheren Prüfung zu vergleichen. Verschiebungen können auf Veränderungen wie Wicklungsbewegungen, Verformungen, Kernbewegungen, kurzgeschlossene oder unterbrochene Windungen oder Setup-Unterschiede hinweisen, die abgeklärt werden müssen.

IEEE C57.149 ist der aktuelle IEEE-Leitfaden für die Frequenzganganalyse an ölgefüllten Transformatoren. IEC 60076-18 ist die IEC-Referenz für Messtechnik und Ausrüstung der Frequenzgangmessung. CIGRE-Material wie TB 342 und TB 812 liefert zusätzlichen Interpretationskontext.

Ereignisbezogener Nutzen

SFRA ist besonders wertvoll, wenn es mit Ereignissen verknüpft ist:

• Werksreferenzmessung und Inbetriebnahme.
• Verifizierung nach dem Transport.
• Nach einem Durchgangsfehler.
• Nach vermuteten Problemen am Stufenschalter oder an Ableitungen.
• Nach seismischer oder mechanischer Belastung.
• Wenn andere Nachweise auf eine mechanische Veränderung hindeuten.

Ein agentisches APM-System sollte diese Ereignisverknüpfungen sichtbar machen. Eine Messkurve ohne Ereignishistorie ist ein schwächerer Nachweis.

Der Messkontext ist entscheidend

Schlechte Erdung, Leitungsführung, Stufenstellung, geänderte Prüfgeräte oder fehlende Metadaten der Referenzmessung können zu irreführenden Vergleichen führen. Ein AI-Modell kann diese Probleme verstärken, wenn es jede Kurve als gleich zuverlässig behandelt.

Das Nachweismodell von GridAPM sollte Setup-Details, Messdatum, Gerätekontext, Anschlusskonfiguration, Stufenstellung und Referenzbezug speichern. Der Agent kann dann zwischen „mögliche Wicklungsveränderung” und „Prüfung mit kontrolliertem Setup wiederholen” unterscheiden.

AI-gestützter Vergleich

Ein klar abgegrenzter SFRA-Agent kann:

1. Referenz- und aktuelle Messkurven abrufen.
2. Phasen, Schwestereinheiten und historische Aufzeichnungen vergleichen.
3. Änderungskennzahlen oder Ähnlichkeitsmaße berechnen.
4. Frequenzbänder mit signifikanter Abweichung identifizieren.
5. Mit Durchgangsfehlerhistorie, DGA, PRPD, Belastung und Inspektionsaufzeichnungen korrelieren.
6. Eine Empfehlung mit Konfidenz- und Nachprüflogik entwerfen.

Dies ergänzt das diagnostische Nachweismodell für Leistungstransformatoren und den PRPD-Arbeitsablauf zur Messqualität.

Von der Messkurve zur Entscheidung

SFRA-Befunde können Maßnahmen wie Wiederholungsprüfungen, eingehendere Inspektionen, Prüfungen im spannungsfreien Zustand, Reparaturbewertungen, Freigabeprüfungen zur Wiederinbetriebnahme oder eine fortgesetzte Überwachung unterstützen. Die Entscheidung hängt von der Kurvenänderung, der Schwere des Ereignisses, den unterstützenden Nachweisen und der Kritikalität des Betriebsmittels ab.

Die stärkste Produktaussage lautet nicht, dass AI jede Wicklungsbewegung automatisch diagnostiziert. Sie lautet, dass AI dabei hilft, SFRA-Nachweise in einem Transformator-APM-Arbeitsablauf leichter abrufbar, vergleichbar, erklärbar und genehmigungsfähig zu machen.