人工智能助力提升测量数据的可靠性
机器学习技术有助于提高准确度，并提前暴露测试结果中可能存在的差异。
随着可再生能源的比重日益提升，电力能源的生产也变得越来越分散。因此，电网中的调节负载不断增加，引发短路、谐波和暂态等效应的风险也同步增加。由于设备运行条件可能会发生变化，因此建议仔细检查测量数据可能出现的变化。
电网负荷状态的快速变化也会对昂贵的电力变压器带来影响。当下需要采取适当的维护措施，来确保所安装的电力变压器能够在比较长的寿命周期内健康地运行。SFRA 方法是一种常用的停电测试过程，经实践证明是最灵敏的非破坏性检测方法，可以发现机械和电力缺陷。它是变压器状态评估的重要测量方法。
什么是 SFRA？
SFRA 表示扫频响应分析，是建立在实际测量结果与参照结果（指纹数据）的比对。
SFRA 的作用是什么？
该分析可对电力变压器进行频域测量。
SFRA 原理的优势是什么？
它可以不受宽频带和窄频带噪声的影响，有很高的信噪比。
SFRA 为何会成为流行的测量方法？
与其他方法相比，SFRA 是一种非破坏性测量方法，测试过程也很快。
SFRA 结果为何相对更可靠？
该测量方法基于实际测量结果和参照结果（指纹数据）的比对。因此，可以很容易发现测量值存在的偏差。
自从 IEC 60076-18 标准被引入市场，这种方法已经成为一项通用的电气测试方法并且获得越来越多的认可。
OMICRON 开发出一种最佳 SFRA 测试解决方案，目前已经过额外的算法增强，可确保不需要重复测量。
产品经理 David Gopp
SFRA 方法的机器学习
SFRA 方法可以检测铁芯、绕组、夹持结构等的机械完整性以及绕组短路和匝短路等电力缺陷。
SFRA 测量的详细工作原理是什么？
将频率可变的低电压信号注入电力变压器某个端子，同时在另一个端子进行测量。通过对输出信号和输入信号的比对，可以得出频率相应状态，并与之前的测量结果（例如参照测量结果）进行比对。
机器学习技术可以提供哪些附加价值？
借助机器学习/人工智能技术，可以使用基于专家知识和大量数据的算法来比较测试结果。这些模型可帮助提前发现与设备和应用相关的系统性测量误差和测量质量问题。
哪些外部因素可能影响测量结果？
测量接线、变压器状态、变压器配置和外部因素的变化都可能会影响测量结果，从而导致诊断错误。因此，在评估前检查测量结果的有效性和质量非常重要。
SFRA 测量的评估参考是什么？
可使用以下两种标准算法中的一种，并比较参照数据来评估测得的 SFRA 曲线：NCEPRI 算法（NCEPRI，华北电力科学研究院）或 DLT 算法（DLT，中华人民共和国电力行业标准 (DL/T 911 – 2004)）。
如何将机器学习/人工智能技术与 SFRA 测量联系起来？
对于机器学习程序，有代表了 2000 多台电力变压器的 19，787 个 SFRA 测量曲线可以对算法进行训练。结果显示，基于人工智能的算法可以对 SFRA测量结果进行质量与有效性的自动验证。目前，该算法具有非常适合的辅助用途。用户可以依据三种不同的类别来对自己的 SFRA 曲线进行预验证。测量结果会被验证为正常、进一步分析和错误。这就可以极大提高数据的质量，使您可以只专注于您的设备。
了解有关 OMICRON SFRA 测试系统 FRANEO 800 以及 SFRA 测试的更多知识。
收听我们的播客
我们推出了一个系列播客节目，您可以了解到，对于被试变压器状态的可靠评估，验证测量数据的重要性。
在本期节目中，OMICRON 数据转换专家 David Gopp 和 Lukas Klingenschmid 将讨论测量数据验证主题，及其对于成功实现电力行业数字转型的意义。收听播客！
Energy Talks 包含多期电力系统测试主题节目。您可以在我们的播客登录页面上查找所有节目。
