Introduction to Dissolved Gas Analysis based Hybrid Confidence Fusion Model for improvement of Maintenance of Insulating Oil based Power Equipment

Stellen Sie sich die gewaltigen, summenden Transformatoren vor, die unsere Lichter brennen lassen und unsere Telefone aufladen. Im Inneren dieser Giganten wirkt eine spezielle Flüssigkeit, das Isolieröl, wie ein stiller Wächter, das die Ausrüstung kühlt und verhindert, dass Elektrizität dorthin springt, wo sie nicht hin soll. Doch wenn im Inneren etwas schiefgeht – wie ein winziger Funke oder ein Hotspot, der sich bildet – beginnt das Öl sich zu zersetzen und setzt unsichtbare Gase wie Wasserstoff oder Methan frei. Betrachten Sie diese Gase als den „Rauch“ eines Feuers, das man noch nicht sehen kann. Seit Jahrzehnten nutzen Ingenieure eine Technik namens Dissolved Gas Analysis (DGA), um nach diesen Gasen zu schnüffeln und zu erraten, was schiefläuft. Es ist ein wenig so, als würde ein Arzt auf einen Herzschlag hören; das Muster der Gase erzählt eine Geschichte über die Gesundheit der Maschine. Das Lesen dieser Geschichte war jedoch schon immer schwierig. Einige Methoden sind wie starre Checklisten, die verwirrt sind, wenn die Zahlen klein sind, während andere wie komplexe Karten sind, die sich überschneiden können und dazu führen, dass man sich verirrt. Und obwohl intelligente Computerprogramme (Künstliche Intelligenz) lernen können, Muster zu erkennen, agieren sie manchmal wie Black Boxes, die nicht erklären, warum sie eine Vermutung angestellt haben, oder sie werden verwirrt, wenn sie mit genau diesem Problem noch nie zuvor konfrontiert wurden.

Dieses Papier stellt einen neuen Weg vor, um diese Verwirrung zu lösen, genannt das „Hybrid Confidence Fusion Model“. Anstatt sich nur auf einen einzelnen Detektiv zu verlassen, schlagen die Autoren vor, eine ganze Gruppe zusammenzubringen. Sie nehmen die besten Teile der alten, regelbasierten Checklisten, der visuellen Karten (wie das Duval-Dreieck) und der smarten KI-Computer und lassen sie darüber abstimmen, was das Problem ist. Aber der clevere Teil ist: Nicht jeder Detektiv erhält eine gleich große Stimme. Das Modell weist jeder Methode einen „Confidence Score“ (Vertrauenswert) zu, basierend darauf, wie zuverlässig sie für die spezifische Situation ist. Wenn die KI normalerweise gut darin ist, elektrische Funken zu erkennen, aber schlecht bei Hitze, und die alte Checkliste super bei Hitze, aber schlecht bei Funken ist, gewichtet das Modell ihre Meinungen entsprechend. Das Ergebnis ist eine einzige, vertrauenswürdigere Diagnose, die die Stärken aller kombiniert. In ihren Tests erreichte dieser Team-Ansatz eine Genauigkeit von 89 % und schlug damit die meisten der einzelnen Methoden, die alleine arbeiten. Die Autoren legen nahe, dass dies die Wartung sicherer und zuverlässiger macht, insbesondere wenn die Ausrüstung sich seltsam verhält oder der Fehler eine Mischung aus verschiedenen Problemen ist.

Die Geschichte der stillen Wächter

Tief im Inneren des Stromnetzes sind Transformatoren und andere schwere Maschinen in ein Bad aus Isolieröl gehüllt. Dieses Öl ist das Lebenselixier der Ausrüstung; es hält sie kühl und verhindert, dass Elektrizität dort Lichtbögen bildet, wo sie nicht hingehört. Doch wenn eine Maschine krank wird – vielleicht durch einen lockeren Draht, der einen Funken verursacht, oder eine Spule, die überhitzt – beginnt das Öl sich zu zersetzen. Es ist wie ein Stück Toast, das verbrennt; die Hitze oder Elektrizität bricht die chemischen Bindungen im Öl auf und setzt Gase wie Wasserstoff, Methan und Ethylen frei. Diese Gase lösen sich im Öl auf und warten darauf, entdeckt zu werden.

Lange Zeit haben Ingenieure die Dissolved Gas Analysis (DGA) genutzt, um diese Gase zu finden. Es ist ein wenig so, als würde ein Arzt eine Blutprobe nehmen. Indem sie messen, wie viel von jedem Gas vorhanden ist, können sie feststellen, ob die Maschine einen thermischen Fehler (Überhitzung) oder einen elektrischen Fehler (Funkenbildung) hat. Das Papier erklärt, dass diese Gase durch spezifische chemische Reaktionen entstehen. Beispielsweise kann der Abbau des Öls Methan (CH4) oder Acetylen (C2H2) produzieren, und die Art des Gases verrät die „Temperatur“ oder die „Energie“ des Fehlers.

Das Dilemma des Detektivs

Das Problem ist, dass es nicht immer einfach ist, genau herauszufinden, was schiefgelaufen ist. Das Papier hebt drei Hauptwege hervor, mit denen Ingenieure versucht haben, dieses Rätsel zu lösen, und jeder hat seine eigenen Mängel.

Erstens gibt es die regelbasierten Methoden. Dies sind wie strenge Bedienungsanleitungen. Sie verwenden feste Verhältnisse (sie vergleichen die Menge eines Gases mit der eines anderen) oder schauen auf eine Tabelle, um den Fehler zu bestimmen. Das Papier erwähnt Standards wie IEC 60599 und IEEE C57.104, welche die offiziellen Regelwerke sind. Obwohl diese einfach und standardisiert sind, können sie starr sein. Wenn die Gaswerte sehr niedrig sind oder wenn die Zahlen genau an der Grenze einer Kategorie liegen, können diese Methoden widersprüchliche Antworten geben oder den Fehler völlig übersehen. Es ist, als versuche man, Murmeln nach Größe zu sortieren, indem man ein Lineal verwendet, das nur Markierungen für „klein“ und „groß“ hat, wodurch die mittleren Größen in einem verwirrenden Graubereich zurückbleiben.

Zweitens gibt es grafische Methoden, wie das berühmte Duval-Dreieck und das Duval-Pentagon. Stellen Sie sich vor, Sie tragen die Gaswerte auf einer farbenfrohen Karte ein, die in Zonen unterteilt ist. Jede Zone repräsentiert eine andere Art von Fehler. Dies ist viel visueller und hilft bei niedrigen Gaskonzentrationen, aber das Papier stellt fest, dass diese Karten feste Grenzen haben. Reale Fehler passen nicht immer ordentlich in ein Dreieck; sie können chaotisch, überlappend oder nicht linear sein. Es ist, als versuche man, einen perfekten Kreis um eine Wolke zu zeichnen; die Form passt einfach nicht.

Drittens gibt es Methoden der Künstlichen Intelligenz (KI). Dies sind die smarten Computer, die aus Tausenden vergangener Beispiele lernen, um Muster zu erkennen. Sie sind hervorragend darin, komplexe, unordentliche Daten zu handhaben, an denen die Regelbücher scheitern. Das Papier weist jedoch darauf hin, dass die KI ihre eigenen Probleme hat. Sie verlässt sich stark auf die Daten, mit denen sie trainiert wurde; wenn sie eine neue Art von Fehler sieht, die sie noch nicht gelernt hat, könnte sie falsch raten. Außerdem kann KI eine „Black Box“ sein, was bedeutet, dass sie zwar eine Antwort gibt, aber nicht erklärt, warum sie das physikalische Problem erkannt hat, was Ingenieure dazu bringt, ihr nicht blind zu vertrauen.

Die Team-Lösung

Hier kommen die Autoren Joydip Dhar, Sovan Dalai und Saibal Chatterjee mit ihrem Hybrid Confidence Fusion Model ins Spiel. Anstatt sich für einen einzelnen Detektiv zu entscheiden, haben sie ein System gebaut, in dem alle Detektive zusammenarbeiten und abstimmen.

So funktioniert die „Fusion“:

1. Die Wahlkabine: Das Modell nimmt die Ergebnisse der besten regelbasierten Methoden (wie das Duval-Dreieck) und der besten KI-Methoden entgegen.
2. Der Confidence Score: Nicht jede Stimme zählt gleich viel. Während einer Trainingsphase prüft das Modell, wie genau jede Methode ist. Wenn ein bestimmtes KI-Modell hervorragend darin ist, elektrische Fehler zu erkennen, aber schlecht bei thermischen Fehlern ist, erhält es einen hohen „Confidence Score“ für elektrische Fehler und einen niedrigeren für thermische Fehler.
3. Die gewichtete Entscheidung: Wenn eine neue Probe eingeht, berechnet das Modell einen gewichteten Wert für jeden möglichen Fehler. Es nutzt eine mathematische Formel, um diese Werte zu kombinieren, wobei die Methoden priorisiert werden, die für die spezifische Situation am zuverlässigsten sind.

Stellen Sie sich das wie eine Gruppe von Freunden vor, die versuchen, die Antwort auf eine Quizfrage zu erraten. Ein Freund ist ein Geschichtskenner, ein anderer ein Wissenschaftsgenie und ein dritter ist gut im Raten. Wenn die Frage über Geschichte ist, zählt die Antwort des Geschichtskenners mehr. Wenn es um Wissenschaft geht, bekommt das Wissenschaftsgenie die lauteste Stimme. Das Hybrid Confidence Fusion Model macht genau das, aber für Transformatorfehler. Es passt dynamisch an, wer sprechen darf, basierend darauf, wer normalerweise recht hat.

Was sie fanden

Die Autoren testeten ihr neues Modell anhand von Echtzeitdaten gegen die alten Methoden. Sie verglichen die Genauigkeit ihres „Hybrid Confidence Fusion“ (HCF) Modells mit einzelnen Methoden wie Machine-Learning-Modellen (ML1 und ML2), dem Characteristic Gas Ensemble (CGE) und dem Duval-Dreieck 1 (DT1).

Die Ergebnisse waren vielversprechend. Die einzelnen Methoden hatten unterschiedliche Erfolgsraten:

• Das Duval-Dreieck 1 (eine populäre grafische Methode) hatte eine Genauigkeit von etwa 72 %.
• Die Machine-Learning-Modelle (ML1 und ML2) lagen zwischen 76 % und 80 %.
• Das Hybrid Confidence Fusion Model erreichte eine Genauigkeit von 89 %.

Das Papier untersuchte auch andere Metriken wie Präzision und Recall (die messen, wie oft das Modell richtig liegt, wenn es einen „Fehler“ meldet, und wie viele tatsächliche Fehler es tatsächlich erfasst). Das HCF-Modell erreichte eine Präzision von 0,78 und einen Recall von 0,78, mit einem F1-Score von 0,77. Dies deutet darauf hin, dass das Modell durch die Kombination der Methoden robuster wurde, insbesondere beim Umgang mit „gemischten Fehlerszenarien“, bei denen eine Maschine gleichzeitig sowohl thermische als auch elektrische Probleme aufweisen kann.

Warum es wichtig ist

Das Papier kommt zu dem Schluss, dass regelbasierte Methoden zwar gut darin sind, leicht verständlich zu sein, und KI gut darin ist, komplexe Muster zu erkennen, aber keine von beiden allein perfekt ist. Das Hybrid Confidence Fusion Model schlägt einen Mittelweg vor. Es wirft die alten, vertrauten Regeln nicht weg, noch vertraut es der neuen KI blind. Stattdessen erschafft es ein System, in dem sie sich gegenseitig ergänzen.

Die Autoren betonen, dass dieser Ansatz hilft, Konflikte zu lösen, wenn verschiedene Methoden unterschiedliche Antworten geben. Durch die Verwendung von „adaptiven Confidence Scores“ kann das Modell mit spärlichen Daten (wenn nur wenig Gas zu messen ist) und gemischten Fehlern besser umgehen als die isolierten Techniken. Obwohl das Papier anmerkt, dass dies eine Simulation ist und Tests an spezifischen Datensätzen durchgeführt wurden, deutet die Genauigkeit von 89 % darauf hin, dass dieser „Team-Ansatz“ eine starke Richtung für die Zukunft der Wartung unserer Stromausrüstung ist. Er verspricht eine Zukunft, in der wir Probleme früher erkennen und mit größerer Zuversicht das Licht anhalten können.