Une nouvelle architecture d’apprentissage profond avec équilibre des biais inductifs pour la prévision de la température de l’huile de transformateur

Assurer des performances optimales des transformateurs électriques est une tâche ardue, dans laquelle le système d’isolation joue un rôle essentiel pour réduire leur dégradation. Ce système utilise un huile isolante nécessaire au contrôle de la température. Des températures élevées peuvent raccourcir la durée de vie des transformateurs, entraînant des coûts de maintenance élevés. Les architectures d’apprentissage profond ont démontré des résultats remarquables dans un large éventail de domaines. Toutefois, cette amélioration s’accompagne généralement d’une augmentation des ressources informatiques, ce qui augmente l’empreinte carbone et entrave l’optimisation des architectures. Dans ce travail, nous développons une nouvelle architecture d’apprentissage profond capable d’atteindre une efficacité compétitive avec les meilleures architectures actuelles dans la prévision de la température de l’huile des transformateurs, tout en améliorant cette efficacité. Une prévision précise peut aider à prévenir les surchauffes et à surveiller l’état futur des transformateurs électriques, évitant ainsi des pertes inutiles. Nous tentons d’équilibrer le biais inductif intégré à notre architecture grâce au bloc résiduel lisse proposé. Ce mécanisme décompose le problème initial en plusieurs sous-problèmes, permettant d’obtenir différentes représentations de la série temporelle, qui coopèrent pour produire la prévision finale. Notre architecture est appliquée aux jeux de données Electricity Transformer, qui fournissent des mesures de température de l’huile isolante provenant de deux transformateurs situés en Chine. Les résultats montrent une amélioration de 13 % en MSE et une amélioration de 57 % en performance par rapport aux meilleures architectures actuelles, selon nos connaissances. En outre, nous analysons le comportement appris par cette architecture afin d’obtenir une interprétation intuitive de la solution obtenue.