要約
電力変圧器の最適な性能を確保することは、非常に手間のかかる作業であり、その劣化を抑えるために絶縁システムが極めて重要である。絶縁システムは、温度を制御するために絶縁油を用いる。高温は変圧器の寿命を短くし、高額な保守作業を引き起こす可能性がある。深層学習アーキテクチャは、広範な分野において優れた成果を上げることが示されている。しかし、この性能向上は通常、計算リソースの増加を伴い、結果として炭素足跡が増大し、アーキテクチャの最適化を妨げる要因となる。本研究では、変圧器油温度予測において、現在の最高性能を有するアーキテクチャと競合する高い効率性を実現しつつ、さらに性能を向上させる新しい深層学習アーキテクチャを提案する。正確な予測は高温の発生を防止し、電力変圧器の将来の状態をモニタリングする上で有効であり、不必要な資源の浪費を回避することができる。本研究では、提案する「Smooth Residual Block」を通じて、アーキテクチャに組み込まれる誘導的バイアス（inductive bias）のバランスを図ることを試みた。このメカニズムは、元の問題を複数の部分問題に分割し、時系列データに対して異なる表現を獲得することで、それらが協調的に最終的な予測を達成する。本アーキテクチャは、中国の2台の変圧器から取得された絶縁油温度データを含む「Electricity Transformer」データセットに適用された。その結果、既知の最高性能アーキテクチャと比較して、MSE（平均二乗誤差）において13%の改善、性能評価指標において57%の向上が達成された。さらに、本アーキテクチャが学習した挙動を分析することで、得られた解の直感的な解釈を可能とした。