摘要
确保电力变压器的最优性能是一项复杂而繁琐的任务，其中绝缘系统在减缓设备老化方面起着至关重要的作用。绝缘系统依赖绝缘油来实现温度调控。过高的温度会显著缩短变压器的使用寿命，进而导致高昂的维护成本。深度学习架构在众多领域已展现出卓越的性能表现。然而，这种性能提升通常伴随着计算资源需求的增加，从而加剧碳足迹，并阻碍模型架构的进一步优化。在本研究中，我们提出了一种新型深度学习架构，在变压器油温预测任务中实现了与当前最优架构相当甚至更优的预测效能，同时显著提升了模型效率。精准的温度预测有助于预防过热现象，实时监测变压器未来的运行状态，从而避免不必要的资源浪费。为实现模型性能与归纳偏置之间的平衡，我们设计了名为“平滑残差块”（Smooth Residual Block）的新机制。该机制将原始预测问题分解为多个子问题，对时间序列数据生成多样化的表征，各子任务协同作用，最终实现高精度的预测结果。该架构被应用于中国两台电力变压器的实测数据集，获取了变压器绝缘油温度的长期监测数据。实验结果表明，相较于目前已知的最优架构，本方法在均方误差（MSE）上实现了13%的提升，在整体性能上更是提高了57%。此外，我们还对模型所学习到的内在行为模式进行了分析，以获得对预测结果的直观解释，增强了模型的可解释性与工程应用价值。