PRPD-mätkvalitet för AI-assisterad transformatorgranskning
Varför AI-assisterad granskning av partiell urladdning måste bevara PRPD-mätkontext, kalibrering, brusnoteringar, fasreferensens kvalitet och ingenjörsvalidering.
På den här sidan
Mönsterigenkänning med PRPD är tilltalande eftersom det visuella underlaget kan vara rikt. Fasläge, amplitud, pulsrepetition och mönsterform kan hjälpa en ingenjör att skilja mellan troliga källor till partiell urladdning. Men PRPD är aldrig mer användbart än den mätkontext som ligger bakom.
En AI-assisterad granskning bör inte behandla ett PRPD-diagram som en fristående bild. Den bör fråga om underlaget är kalibrerat, fasrefererat, repeterbart och skilt från brus. Det är skillnaden mellan användbart beslutsstöd och övermodig mönstermatchning.
Standardernas grund
IEC 60270 är den primära referensen för laddningsbaserad mätning av partiell urladdning. IEEE C57.113 behandlar mätning av partiell urladdning i vätskefyllda transformatorer och reaktorer. CIGRE-vägledning såsom TB 366, TB 662 och TB 676 understryker behovet av disciplinerad mätning och tolkning.
För mjukvara är lärdomen tydlig: agenten bör bevara hur mätningen gjordes, inte bara mönsterresultatet.
Vad PRPD tillför
PRPD-registreringar kan hjälpa till att beskriva:
- Fasläge för urladdningsaktivitet.
- Amplitud och repetitionsfrekvens.
- Mönsterfamilj och persistens.
- Förändringar mellan testkampanjer.
- Möjligt internt, yt-, korona- eller flerkällsbeteende.
- Korrelation med underlag från UHF, akustik, DGA eller inspektion.
Mönstret är viktigt, men det utgör inte hela diagnosen.
Där fältverkligheten blir rörig
PRPD-granskning i fält kan påverkas av sensorplacering, kopplingsmetod, fasreferensens kvalitet, störningar, jordning, filtrering och överlappande källor. CIGRE-publikationer om konventionella och okonventionella PD-metoder är användbara eftersom de erkänner komplexiteten i att gå från laboratoriedisciplin till verkliga anläggningsmiljöer.
En AI-modell kan snabbt hitta visuella mönster. Det agentiska arbetsflödet kring modellen måste ändå fråga: hur såg brusmiljön ut, vilket kalibreringstillstånd rådde, vad har förändrats sedan det senaste testet och vilket annat underlag stöder tolkningen?
Den agentiska APM-rollen
En PRPD-agent i GridAPM bör:
- Koppla registreringen till rätt transformator, fas, lindning, genomföring eller testkampanj.
- Bevara noteringar om metod, sensor, kalibrering, fasreferens och filtrering.
- Jämföra mönstret med tidigare registreringar och liknande förhållanden.
- Identifiera möjliga mönsterfamiljer och konfidensnivå.
- Korrelera med DGA-genereringstaktens beteende, termisk kontext, inspektionshistorik och SFRA-underlag.
- Utarbeta en rekommendation för ingenjörsgranskning.
Den rekommendationen bör aldrig bara vara ”PD upptäckt”. Den bör förklara vilket underlag som stöder farhågan och vilken osäkerhet som kvarstår.
Från mönster till åtgärd
Användbar PRPD-granskning stöder åtgärder som omtest, övervakning, inspektion, korskontroll med en annan metod, planering av avbrottsgranskning eller dokumentation av att ingen omedelbar åtgärd behövs. Beslutet beror på allvarlighetsgrad, persistens, konsekvens och konfidens.
GridAPM:s AI-arbetsflöde med människan i loopen är utformat för precis denna typ av tvetydighet. AI organiserar PRPD-underlaget; ingenjörer avgör hur det ska användas.
