راه‌حل هوشمند عملیات و نگهداری ترانسفورماتور ولتاژ GIS: سیستم نگهداری پیش‌بینی‌ای مبتنی بر اینترنت اشیا

1.چالش‌ها: ترانسفورماتورهای ولتاژ (VT) سنتی در تجهیزات GIS معمولاً نیاز به بازرسی‌های دستی با فرکانس بالا دارند که سه نقطه درد اصلی را مطرح می‌کنند:

• تشخیص تأخیری شکست‌های پتانسیل: ساختار گازی بسته (GIS) تشخیص زودهنگام علائم خرابی مانند تخلیه جزئی داخلی (PD)، کاهش کم حجم چگالی SF6 و افزایش غیرطبیعی دما را برای مشاهده یا یافتن با روش‌های معمول دشوار می‌کند.
• کارایی پاسخ پایین: دوره‌های بازرسی دستی طولانی (هفته‌ها/ماه‌ها) به این معنا است که خرابی‌های ناگهانی مانند شکست عایق یا رسوخ گاز بدون هشدار رخ می‌دهند و منجر به قطعات برنامه‌ریزی نشده می‌شوند.
• هزینه‌های بالای عملیات و نگهداری (O&M): آزمایش‌های پیشگیرانه و نگهداری معمولی منابع انسانی و مالی قابل توجهی را مصرف می‌کنند و خطرات هم‌زمان از بین بردن و کم‌بینی وجود دارد.

2. راه‌حل: سیستم نگهداری پیش‌بینی‌ای مبتنی بر IoT برای مقابله با این چالش‌ها، این راه‌حل یک شبکه نظارت هوشمند که تمام چرخه عمر GIS-VTs را پوشش می‌دهد، ایجاد می‌کند:

(1) لایه حسگری جامع:

• نصب دقیق: حسگرهای با دقت بالا را در گره‌های کلیدی VT (مانند اتصالات ولتاژ بالا، نزدیک جداکننده‌ها، بدنه بخش گاز) نصب یا متصل کنید:
• حسگرهای تخلیه جزئی (PD): حسگرهای CT با فرکانس بالا یا UHF سیگنال‌های تخریب عایق را در زمان واقعی تشخیص می‌دهند.
• حسگرهای چگالی گاز و رطوبت: تغییرات فشار، چگالی و محتوای رطوبت SF6 را به صورت مداوم ردیابی می‌کنند.
• حسگرهای دما: نقاط افزایش غیرطبیعی دما در اتصالات هادی و پوشش‌ها را نظارت می‌کنند.
• انتقال قابل اعتماد: داده‌های حسگر به صورت زنده از طریق گیت‌وی‌های IoT تعبیه شده در دستگاه با استفاده از شبکه‌های بی‌سیم یا لیزری صنعتی به یک پلتفرم نظارتی ابری ارسال می‌شوند که تضمین می‌کند داده‌ها به موقع و کامل باشند.

(2) پلتفرم تحلیلی مبتنی بر AI:

• هم‌پوشانی داده‌های بزرگ: پلتفرم داده‌های نظارتی زنده را با اطلاعات چندبعدی مانند رکوردهای عملیاتی/نگهداری تاریخی، پایگاه داده‌های خرابی تجهیزات مشابه و شرایط محیطی (بار، دما) یکپارچه می‌کند.
• موتور تشخیصی AI:
• استخراج ویژگی: الگوهای PD (مانند تخلیه‌های شناور، تخلیه‌های سطحی)، منحنی‌های روند رسوخ گاز و نقشه‌های همبستگی ناهماهنگی دما را به صورت خودکار شناسایی می‌کند.
• پیش‌بینی یادگیری عمیق: از الگوریتم‌هایی مانند LSTM و Random Forest برای ساخت مدل‌های پیش‌بینی خرابی استفاده می‌کند و شاخص‌های سلامت مؤلفه (HI) و عمر مفید باقی‌مانده (RUL) را به صورت کمی ارزیابی می‌کند.
• هشدار زودهنگام دقیق: خرابی‌های مهم مانند "ترکیب تخلیه سطحی عایق" یا "رسوخ میکرو گاز به دلیل سالخوردگی حلقه تنگ" حداقل 7 روز قبل پیش‌بینی می‌کند و دقت هشدار زودهنگام بیش از 92% است.

(3) داشبورد O&M بصری:

• بینایی جامع: یک مرور وضعیت سلامت چندسطحی (تجهیزات GIS، بخش، VT انفرادی) ارائه می‌دهد که مدیریت یک‌پارچه رکوردهای دارایی، داده‌های زنده، روندهای تاریخی و اطلاعات هشدار را پشتیبانی می‌کند.
• ارسال هوشمندانه دستور کار: بر اساس سطوح هشدار و نتایج پیش‌بینی (مانند "VT فاز A: توصیه می‌شود تست مجدد PD و بازرسی مهر و موم در 3 روز آینده انجام شود") دستور کار نگهداری دقیق تولید و ارسال می‌کند و تخصیص منابع را بهینه می‌کند.
• انباشت دانش: گزارش‌های تحلیل خرابی را به صورت خودکار تولید می‌کند، پایگاه دانش O&M را به صورت مداوم ساخت می‌کند و به بهینه‌سازی مدل کمک می‌کند.

3. مزایای کلیدی

4. مطالعه موردی مرجع

• خوشه تجهیزات GIS زیرآستانه 500kV: پس از نصب سیستم، با موفقیت هشدارهای زودهنگام برای 3 خرابی پتانسیل VT (2 تخلیه شناور، 1 ناهماهنگی مهر و موم بخش گاز) با مدت زمان پیش‌بینی 8-14 روز ارائه کرد و از ضرر اقتصادی قابل توجه جلوگیری کرد. هزینه‌های نگهداری سالانه 28٪ کاهش یافت و فرکانس قطع اجباری تجهیزات به صفر رسید.