Eine neue tiefe Lernarchitektur mit ausgewogenem induktivem Bias für die Vorhersage der Transformatoröltemperatur

Die Gewährleistung einer optimalen Leistung von Leistungstransformatoren ist eine anspruchsvolle Aufgabe, bei der das Isoliersystem entscheidend zur Verlangsamung ihrer Alterung beiträgt. Das Isoliersystem nutzt dazu Isolieröl, das zur Temperaturregelung dient. Hohe Temperaturen können die Lebensdauer von Transformatoren verringern und zu kostspieliger Wartung führen. Deep-Learning-Architekturen haben sich in einer Vielzahl von Bereichen als äußerst effektiv erwiesen. Allerdings geht diese Verbesserung häufig mit einem erhöhten Ressourcenbedarf im Bereich der Rechenleistung einher, was die Kohlenstoffbilanz verschlechtert und die Optimierung der Architekturen erschwert. In dieser Arbeit entwickeln wir eine neue Deep-Learning-Architektur, die eine Effizienz erzielt, die mit den besten aktuellen Architekturen bei der Vorhersage der Ölt温度 von Transformatoren konkurrieren kann, gleichzeitig aber die Effizienz weiter verbessert. Eine präzise Vorhersage kann dazu beitragen, hohe Temperaturen zu vermeiden und den zukünftigen Zustand von Leistungstransformatoren zu überwachen, wodurch unnötiger Ressourcenverbrauch vermieden wird. Wir versuchen, den induktiven Bias unserer Architektur durch den vorgeschlagenen „Smooth Residual Block“ auszugleichen. Dieses Mechanismus zerlegt das ursprüngliche Problem in mehrere Teilprobleme und erzeugt unterschiedliche Darstellungen der Zeitreihe, die gemeinsam die endgültige Vorhersage erzielen. Unsere Architektur wird auf den Electricity Transformer-Datensätzen angewendet, die Öltemperaturen von zwei Transformatoren in China liefern. Die Ergebnisse zeigen eine Verbesserung um 13 % im mittleren quadratischen Fehler (MSE) und eine Steigerung der Gesamtleistung um 57 % im Vergleich zu, soweit uns bekannt, den besten aktuellen Architekturen. Zudem analysieren wir das von der Architektur erlernte Verhalten, um eine intuitive Interpretation der erzielten Lösung zu gewinnen.