معمارية تعلم عميق جديدة مع توازن في الانحياز الاستنتاجي للتنبؤ بدرجة حرارة زيت المحول

ضمان الأداء الأمثل للمحولات الكهربائية يُعد مهمة شاقة، حيث يُعد نظام العزل عنصراً أساسياً في تقليل تدهور هذه المحولات. ويُستخدم نظام العزل النفط العازل للتحكم في درجة الحرارة. فارتفاع درجات الحرارة قد يؤدي إلى تقليل عمر المحولات، مما يسبب صيانة مكلفة. وقد أظهرت هياكل التعلم العميق نتائج مبهرة في مجموعة واسعة من المجالات. ومع ذلك، فإن هذا التحسن غالبًا ما يصاحبه زيادة في موارد الحوسبة، ما يرفع من البصمة الكربونية ويعرقل تحسين الهياكل. في هذا العمل، نطور هيكلاً جديداً للتعلم العميق يحقق كفاءة تنافس أفضل الهياكل الحالية في تنبؤ درجات حرارة زيت المحولات الكهربائية، مع تحسين الكفاءة. ويساعد التنبؤ الفعّال في منع ارتفاع درجات الحرارة ورصد الحالة المستقبلية للمحولات الكهربائية، مما يمنع الهدر غير الضروري. نسعى إلى تحقيق توازن في التحيز الاستنتاجي المضمن في هيكليتنا من خلال بلوك التصحيح السلس المُقترح. ويُقسّم هذا الميكانيزم المشكلة الأصلية إلى عدة مسائل فرعية، مما يُنتج تمثيلات مختلفة للسلسلة الزمنية، والتي تعمل معاً للحصول على التنبؤ النهائي. وتم تطبيق هيكليتنا على مجموعة بيانات المحولات الكهربائية، التي تُقدّم قياسات لدرجات حرارة زيت العزل في محولين في الصين. وقد حققت النتائج تحسناً بنسبة 13٪ في متوسط مربع الخطأ (MSE)، وتحسيناً بنسبة 57٪ في الأداء مقارنة بأفضل الهياكل الحالية، على الأقل وفقاً لمعرفتنا. بالإضافة إلى ذلك، نحلل السلوك الذي تعلّمته هذه الهيكلية للحصول على تفسير مفهومي للحل المحقّق.