Diagnostiska bevismodeller för krafttransformatorer i agentisk AI

Agentisk AI för transformator-APM är trovärdig endast om den kan resonera utifrån en bevismodell, inte utifrån en hög med filer. En transformatorrekommendation bör kunna svara på: vilken tillgång, vilken komponent, vilken observation, vilken metod, vilken standardkontext, vilken tidsstämpel och vilken konfidensnivå?

Det beviskontraktet är skillnaden mellan ett granskningsbart arbetsflöde för hållbarhet och en poäng från en svart låda.

Börja med tillgångshierarkin

Bevis om en transformator bör knytas till den komponent som kan fela. En användbar hierarki omfattar flotta, anläggning, transformator, tank, lindning, genomföring, lindningskopplare, kylsystem, sensorer och skyddskontext. Datastandarder inom elförsörjning som IEC 61850 och CIM-inriktat arbete som PNNL:s guide till IEC CIM är användbara referenser för att resonera om konsekvent tillgångsidentitet och interoperabilitet.

För GridAPM är den praktiska regeln enkel: varje post måste veta vad den tillhör. Ett DGA-resultat tillhör en transformator och ett oljesystem. Ett genomföringstest tillhör en komponent. En SFRA-kurva tillhör en lindningskonfiguration, ett stegläge och en mätuppställning. Utan hierarki har AI ingen tillförlitlig plats att knyta bevis till.

Proveniens före prediktion

AI-resonemang är bräckligt om indataposterna inte är tillförlitliga. En bevismodell för transformatorer bör fånga:

• Källsystem eller källfil.
• Mätmetod.
• Tidsstämpel och provtagningstid.
• Enhet och normalisering.
• Anteckningar om kalibrering eller testuppställning.
• Flaggor för datakvalitet.
• Transformationshistorik.
• Granskare eller system som skapade posten.

NIST AI Risk Management Framework betonar teman som styrning, transparens och ansvarsutkrävande, vilka direkt kan kopplas till detta krav. Inom transformator-APM är proveniens inte pappersarbete. Det är grunden för att avgöra om en rekommendation förtjänar uppmärksamhet.

Modellera diagnoskanalerna

En bevismodell för transformatorer bör representera varje diagnoskanal på dess egna villkor:

• DGA: gaser, kvoter, genereringshastigheter, provkälla, kontext för oljebehandling och tolkningshistorik. Se IEEE C57.104 och IEC 60599.
• PRPD och partiell urladdning: skenbar laddning, fasreferens, mätkrets, sensortyp, brusanteckningar och mönsterfamilj. Se IEC 60270.
• SFRA: kurvfil, instrument, kabelplacering, jordning, stegläge, baslinje och jämförelsehändelse. Se IEEE C57.149.
• Termisk belastning: last, omgivningstemperatur, kyltillstånd, toppoljetemperatur, hetpunktsuppskattning och åldringskontext. Se IEC 60076-7.
• Övervakningsutrustning: sensortillämpning, datakvalitet, kommunikation och risk-nytta-kontext. Se IEEE C57.143.

Agenten bör inte reducera dessa till ett enda tal för tidigt.

Motsägelser är signaler

I ett väl modellerat system är motsägelser inte brus som ska medelvärdesbildas bort. De är diagnostiska uppmaningar. Stigande brännbara gaser med normal termisk historik kan förtjäna en annan granskning än termisk åldring utan kemiska markörer. Ett PRPD-mönster utan DGA-utveckling kan tyda på mätkontext eller ett begynnande isoleringsproblem. En SFRA-förskjutning efter ett genomgående fel kan förändra konfidensen i ett annars måttligt riskvärde.

Agentisk APM bör ställa uppföljningsfrågor när bevisen står i konflikt. Det är mer värdefullt än att tvinga in varje post i ett enda sammanvägt hälsoindex.

Det agentiska arbetsflödet

När bevisen väl är modellerade kan AI-agenter utföra avgränsat arbete:

1. Hämta poster som är knutna till tillgången och den berörda komponenten.
2. Kontrollera proveniens och inaktuella data.
3. Jämför observationer med baslinjer, standardkontext och tidigare beslut.
4. Formulera hypoteser och osäkerhetsanteckningar.
5. Begär saknade poster eller omtester.
6. Utarbeta underhållsalternativ för ingenjörsgranskning.

Detta kopplar direkt till analys av DGA-genereringshastighet, PRPD-granskningskvalitet och analys av SFRA-lindningsrörelse.

Ett praktiskt beviskontrakt

GridAPM:s beviskontrakt för transformatordiagnostik kan sammanfattas som:

tillgångs-/komponent-ID + observation + metod + proveniens + standardkontext + konfidens + tolkning + nästa åtgärd + verifieringskedja.

Det kontraktet hjälper transformatorteam att se exakt hur en AI-assisterad rekommendation kom till. Det vinnande påståendet är inte att AI förutsäger varje haveri. Det starkare påståendet är att AI kan göra diagnostiskt resonemang om transformatorer mer spårbart, kanalöverskridande och granskningsbart.