Transformer 오일 온도 예측을 위한 유도 편향 균형을 갖춘 새로운 딥러닝 아키텍처

전력 변압기의 최적 성능을 보장하는 것은 노동 집약적인 작업이며, 이 과정에서 절연 시스템이 변압기의 노후화를 줄이는 데 핵심적인 역할을 한다. 절연 시스템은 온도를 제어하기 위해 절연유를 사용한다. 과도한 고온은 변압기의 수명을 단축시켜 고비용의 유지보수를 초래할 수 있다. 딥 러닝 아키텍처는 다양한 분야에서 놀라운 성과를 보여왔지만, 이러한 성능 향상은 일반적으로 계산 자원의 증가를 수반하며, 이는 탄소 배출량 증가로 이어져 아키텍처 최적화를 방해한다. 본 연구에서는 현재 최고 수준의 아키텍처와 경쟁 가능한 정확도를 달성하면서도, 성능을 더욱 향상시키는 새로운 딥 러닝 아키텍처를 제안한다. 정확한 온도 예측은 고온을 사전에 방지하고 전력 변압기의 향후 상태를 모니터링함으로써 불필요한 자원 낭비를 줄이는 데 기여할 수 있다. 제안된 매끄러운 잔차 블록(Smooth Residual Block)을 통해 아키텍처 내 포함된 유도 편향(Inductive Bias)을 균형 있게 조절한다. 이 메커니즘은 원래 문제를 여러 하위 문제로 분할하여 시계열 데이터에 대해 서로 다른 표현을 얻으며, 이들이 공동으로 최종 예측 결과를 도출한다. 제안된 아키텍처는 중국의 두 대의 변압기에서 측정된 전력 변압기 절연유 온도 데이터셋에 적용되었으며, 기존 최고 수준의 아키텍처와 비교해 평균 제곱 오차(MSE)에서 13%의 개선과 성능에서 57%의 향상을 달성했다. 또한, 본 아키텍처가 학습한 행동 특성을 분석함으로써 도출된 해답의 직관적 해석을 제공한다.