INCITE – Vorausschauende Instandhaltung von Gasleistungsschaltern

• Forschungsstelle: BFE
• Projektnummer: SI/502080
• Projekttitel Englisch: INCITE – Intelligent maintenance of gas circuit breakers

Kurzbeschreibung (Deutsch)

Das eingereichte Projekt hat zum Ziel, moderne, robuste und nicht-invasive Technologien für die vorausschauende Instandhaltung von Komponenten der elektrischen Energienetze zu entwickeln. Hierbei sollen moderne Methoden der Signalverarbeitung und des Deep-Learning kombiniert werden. Dabei werden Gasleistungsschalter als wichtiges Beispiel verwendet; die entwickelten Ansätze werden auf andere Arten von Schaltgeräten übertragbar sein. Die Methodik wird zunächst unter Laborbedingungen mit Leistungsschaltern entwickelt und getestet, die mit Sensoren überausgestattet sind. Die Auswirkungen der Kombination von mehrerer Sensoren werden durch die Entwicklung multimodaler Deep-Learning-Algorithmen bewertet. Im letzten Schritt wird die Methodik unter realen Betriebsbedingungen getestet. Die entwickelte Methodik ermöglicht es den Energieversorgungsunternehmen, die Lebensdauer der Komponenten zu verlängern, indem deren Ersatz nach Beurteilung des Zustands wenn möglich hinausgezögert wird. So kann die Anzahl der Neubeschaffungen begrenzt werden und trotzdem eine hohe Systemverfügbarkeit garantiert werden. Die vorgeschlagene Methodik dazu beitragen, den Betrieb von Stromnetzen zuverlässiger und kosteneffizienter zu gestalten.

Kurzbeschreibung (Englisch)

The proposed project aims at developing advanced and robust non-intrusive technologies for predictive maintenance of components in the electric power system combining novel signal processing and deep learning methods. Gas circuit breakers are used as an exemplary case study. The developed approaches will be transferrable to other types of switchgear equipment.The methodology will be first developed and tested under laboratory conditions with circuit breakers over-equipped with sensors. The impact of combining data sources from several sensors will be evaluated by developing multi-modal deep learning algorithms. In the final step, the methodology will be tested under real operating conditions. The developed methodology will enable the utilities to extend the lifetime of the components by postponing the replacements when possible, limiting thereby the number of total replacements while maintaining a high system availability. Ultimately, the proposed methodology will help making the operation of power grids more reliable and more cost efficient.

Schlussbericht (Deutsch)

Leistungsschalter sind so konstruiert, dass sie unter normalen Betriebsbedingungen und bei Kurzschlüssen zuverlässig unterbrechen. Sie spielen eine entscheidende Rolle für die Sicherheit und Zuverlässigkeit von elektrischen Energieübertragungssystemen. Jeder Ausfall eines Leistungsschalters kann schwerwiegende Folgen haben, wie z. B. die Schädigungen von Komponenten des Energienetzes oder sogar weitreichende Stromausfälle. Weltweit werden jedoch immer noch über 65 % der Leistungsschalter ohne Zustandsüberwachungssystem betrieben. Selbst wenn ein solches System vorhanden ist, beschränkt es sich in der Regel auf grundlegende Parameter wie den Gasdruck mit statischen Schwellenwerten. Diese Parameter sind zwar einfach zu überwachen und leicht zu interpretieren, decken jedoch nur einen kleinen Teil möglicher Defekte ab.

Daher wurde in der Literatur die Zustandsüberwachung von Leistungsschaltern basieren auf mehreren komplexen Messgrössen untersucht. Insbesondere mechanische Vibration und akustische Signale haben aufgrund ihrer nicht-intrusiven Echtzeit-Überwachungsfähigkeiten zunehmend Aufmerksamkeit erlangt. In diesen Studien wurden überwachte Methoden für die Defekt-Diagnose verwendet, bei denen die tatsächlichen Defekttypen aufgrund künstlich erzeugter Defekte im Labor bekannt sind. Das Ziel dieser Methoden war es zu zeigen, dass die Modelle zwischen defektfreien Zuständen und verschiedenen bekannten Defekttypen unterscheiden können. Diese Ansätze sind jedoch in realen Anwendungen, in denen keine Defektlabels verfügbar sind, nicht umsetzbar. Darüber hinaus ist es technisch unmöglich zuverlässige Daten zu sammeln, die alle möglichen Defekttypen abdecken.

Eine weitere Herausforderung bei künstlich erzeugten Defekten besteht darin, dass sie keine Abbildung des allmählichen Verschleisses oder der Alterung von Leistungsschaltern ermöglichen. Die Erkennung von Defekten ist zwar das Hauptkriterium, jedoch wird dabei nicht berücksichtigt, ob Defekte frühzeitig erkannt, ihre Entwicklung verfolgt oder sogar Prognosen erstellt werden können. Das Experiment mit künstlich erzeugten Defekten kann nur zwischen diskreten defektfreien und defekten Zuständen unterscheiden, ohne die kontinuierliche Entwicklung der Verschlechterung zu erfassen.

In dieser Forschungsarbeit wird ein neuartiges Framework zur Zustandsüberwachung von Leistungsschaltern vorgestellt. Es besteht aus drei Modulen: ein merkmalsbasiertes, ein ähnlichkeitsbasiertes und ein auf maschinellem Lernen (ML) basierenden Modul. Dieses Framework wurde entwickelt, um die genannten Herausforderungen zu bewältigen und die Lücke zwischen Forschung und realen Anwendungen zu schliessen. Das merkmalsbasierte Modul identifiziert Merkmale, die den Zustand des Leistungsschalteres mit eindeutigen Verschlechterungsverläufen im Laufe der Zeit widerspiegeln. Das ähnlichkeitsbasierte Modul vergleicht die neuen Betriebsdaten mit der gesunden Basislinie, ohne dass Fachwissen erforderlich ist, um zu bestimmen, welche Merkmale extrahiert werden sollen. Das MLbasierte Modul umfasst eine unüberwachte Defekterkennungs- und Segmentierungspipeline, die die Erkennung von Abweichungen vom gesunden Zustand ermöglicht. Darüber hinaus wird der Ansatz der erklärbaren künstlichen Intelligenz auf die erkannten Defekte angewendet, um eine Diagnose zu erstellen.

Das entwickelte Framework wurde auf mehreren Leistungsschaltern verschiedener Typen und mit unterschiedlichen Defekten angewendet. In dieser Forschungsarbeit wurden mehrere Run-to-Failure-Datensätze von Leistungsschaltern erzeugt, die über 30 000 Ein- und Ausschaltvorgänge ohne Storm umfassen. Dabei wurden verschiedene Zustandsüberwachungssignale, wie Vibration, Spulenstrom und Position über Zeit, aufgezeichnet und analysiert. Diese Datensätze sind der Öffentlichkeit für weiterführende Analysen zur Verfügung gestellt. Je nach Kombination aus Schaltertyp und Defekttyp eignen sich einige Indikatoren aufgrund ihres allmählichen Veränderungstrends im Laufe der Zeit, der wahrscheinlich mit dem tatsächlichen Degradationzustand korreliert, gut für die kontinuierliche Zustandsüberwachung. Andere sind weniger nützlich, da sie nur vor oder bei einem Ausfall abrupte Veränderungen zeigen oder während des gesamten Run-to-Failure-Prozesses fast keine Veränderungen aufweisen. Darüber hinaus wurde ein massgeschneidertes System zur Zustandsüberwachung von Leistungsschaltern entwickelt und in einem Umspannwerk installiert, das vier Leistungsschalter mit dem Framework zur Zustandsüberwachung über einen Zeitraum von mehr als einem Jahr überwacht hat. Diese Arbeit eröffnet die Möglichkeit einer genauen Verfolgung des Zustands von Leistungsschaltern, ohne dass Ground-Truth-Defektlabels erforderlich sind. Damit ermöglicht sie den Übergang von zeitbasierten zu zustandsbasierten Wartungsstrategien oder sogar zu vorausschauender Wartung.

Schlussbericht (Englisch)

Circuit breakers (CB) are designed to withstand and interrupt during normal and short-circuit operating conditions. They play a critical role in the safety and reliability of electrical transmission and distribution systems, because any CB failure can lead to severe consequences, such as equipment damage or even widespread blackouts. However, globally, over 65% of CBs still operate without a condition monitoring system. Even when it exists, it is typically limited to basic parameters, such as gas pressure with static thresholds. While these parameters are simple to monitor and straightforward to interpret, they only cover a small subset of malfunctioning mechanisms.

Therefore, CB condition monitoring with more advanced signals has been studied in the literature. In particular, vibration signals and acoustic emissions have gained increasing attention for their non-intrusive, real-time monitoring capabilities. In these studies, supervised methods were typically used for fault diagnostics, where ground-truth fault types are known due to artificially induced faults in laboratory settings. The objective of all these methods is to demonstrate that the models can differentiate between healthy conditions and various known fault types. These approaches, however, are not feasible in real-world applications, where fault labels are unavailable. In addition, it is challenging to collect data representing every possible fault type.

Another challenge in artificially induced faults is that it does not permit monitoring of gradual CB degradation or aging over time. While fault detectability is usually the primary criterion, it does not address the ability to detect faults early, track their evolution, or even perform fault prognosis. The experiment with induced faults can only distinguish between discrete healthy and faulty states, without capturing the continuous evolution of degradation over time.

In this thesis, a novel CB condition monitoring framework with three modules: feature-based, similaritybased, and machine learning (ML)-based module, using mainly vibration signals, is proposed to tackle these challenges and bridge the gaps between research and real-world applications. The feature-based module identifies features that reflect the CB’s condition with distinct degradation trajectories over time. The similarity-based module compares the new operational data to the healthy baseline without the need for domain knowledge to determine which features to extract. The ML-based module includes an unsupervised fault detection and segmentation pipeline, enabling the detection of deviations from the healthy state. In addition, the explainable artificial intelligence (XAI) approach is applied to the detected faults for fault diagnostics.

The framework was applied to multiple CBs across various types with different faults. In this study, multiple run-to-failure CB datasets with more than 30 000 no-load opening and closing operations, featuring various condition monitoring signals such as vibration, coil current, and travel curve, were collected, analyzed, and made publicly available for further analysis. Depending on the CB-fault combination, some indicators are well-suited for continuous condition monitoring due to their gradual changing trend over time, which likely correlates with the true degradation condition. Others are less useful, as they show abrupt changes only before or at failure, or nearly no change during the entire run-to-failure process. In addition, a customized CB condition monitoring system with sensors and data acquisition systems was developed and installed in a substation, monitoring four CBs with the proposed condition monitoring framework for more than a year. This thesis opens the possibility for accurate tracking of the CB condition over time without the need to have ground-truth fault labels, enabling transition of maintenance strategies from time-based to condition-based maintenance or even to predictive maintenance.

Zugehörige Dokumente

• Final report [PDF] 50'416 kB

Schlussbericht (Französisch)

Les disjoncteurs (CB) sont conçus pour résister et interrompre le courant dans des conditions normales et en cas de court-circuit. Ils jouent un rôle essentiel dans la sécurité et la fiabilité des systèmes de transport et de distribution d'électricité, car toute défaillance d'un disjoncteur peut avoir des conséquences graves, telles que des dommages matériels, voire des pannes généralisées. Cependant, à l'échelle mondiale, plus de 65 % des disjoncteurs fonctionnent encore sans système de surveillance de leur état. Même lorsqu'il existe, il se limite généralement à des paramètres de base, tels que la pression du gaz avec des seuils statiques. Bien que ces paramètres soient simples à surveiller et faciles à interpréter, ils ne couvrent qu'une petite partie des mécanismes de dysfonctionnement.

C'est pourquoi la surveillance de l'état des CB à l'aide de signaux plus avancés a fait l'objet d'études dans la littérature. En particulier, les signaux de vibration et les émissions acoustiques ont suscité un intérêt croissant en raison de leurs capacités de surveillance non intrusive et en temps réel. Dans ces études, des méthodes supervisées ont généralement été utilisées pour le diagnostic des défauts, où les types de défauts réels sont connus grâce à des défauts induits artificiellement en laboratoire. L'objectif de toutes ces méthodes est de démontrer que les modèles peuvent faire la différence entre des conditions saines et divers types de défauts connus. Cependant, ces approches ne sont pas réalisables dans des applications réelles, où les étiquettes de défauts ne sont pas disponibles. De plus, il est difficile de collecter des données représentant tous les types de défauts possibles.

Un autre défi lié aux défauts induits artificiellement est qu'ils ne permettent pas de surveiller la dégradation ou le vieillissement progressif des CB au fil du temps. Si la détectabilité des défauts est généralement le critère principal, elle ne tient pas compte de la capacité à détecter les défauts à un stade précoce, à suivre leur évolution ou même à établir un pronostic. L'expérience avec des défauts induits ne permet de distinguer que les états sains et défectueux discrets, sans saisir l'évolution continue de la dégradation au fil du temps.

Dans cette thèse, un nouveau cadre de surveillance de l'état des CB comprenant trois modules : un module basé sur les caractéristiques, un module basé sur la similarité et un module basé sur l'apprentissage automatique (ML), utilisant principalement des signaux de vibration, est proposé pour relever ces défis et combler le fossé entre la recherche et les applications concrètes. Le module basé sur les caractéristiques identifie les caractéristiques qui reflètent l'état du CB avec des trajectoires de dégradation distinctes au fil du temps. Le module basé sur la similarité compare les nouvelles données opérationnelles à la base de référence saine sans avoir besoin de connaissances dans le domaine pour déterminer les caractéristiques à extraire. Le module basé sur l'apprentissage automatique comprend un pipeline de détection et de segmentation des défauts non supervisé, permettant de détecter les écarts par rapport à l'état sain. En outre, l'approche de l'intelligence artificielle explicable (XAI) est appliquée aux défauts détectés pour le diagnostic des défauts.

Le cadre a été appliqué à plusieurs disjoncteurs de différents types présentant des défauts différents. Dans cette étude, plusieurs ensembles de données sur les disjoncteurs en fonctionnement jusqu'à la défaillance, avec plus de 30 000 opérations d'ouverture et de fermeture à vide, présentant divers signaux de surveillance de l'état tels que les vibrations, le courant de bobine et la courbe de déplacement, ont été collectés, analysés et rendus publics pour une analyse plus approfondie. Selon la combinaison disjoncteur-défaut, certains indicateurs sont bien adaptés à la surveillance continue de l'état en raison de leur tendance à évoluer progressivement dans le temps, ce qui correspond probablement à l'état de dégradation réel. D'autres sont moins utiles, car ils ne montrent des changements brusques qu'avant ou au moment de la défaillance, ou presque aucun changement pendant tout le processus de fonctionnement jusqu'à la défaillance. En outre, un système personnalisé de surveillance de l'état des disjoncteurs, équipé de capteurs et de systèmes d'acquisition de données, a été développé et installé dans une sous-station, permettant de surveiller quatre disjoncteurs avec le cadre de surveillance proposé pendant plus d'un an. Cette thèse ouvre la possibilité d'un suivi précis de l'état des disjoncteurs au fil du temps sans avoir besoin d'étiquettes de défauts vérifiées sur le terrain, ce qui permet de passer de stratégies de maintenance basées sur le temps à des stratégies basées sur l'état, voire à une maintenance prédictive.