🤖 machine learning

Virtual Temperature Sensors in Power Transformers Using Neural Ordinary Differential Equations

تقترح هذه الورقة إطار عمل للمعادلات التفاضلية العادية العصبية (Neural ODE) المدركة للفيزياء، والذي يدمج معادلات انتقال الحرارة المبسطة للتنبؤ بدقة ومتانة بالسلوك الحراري لمختلف المحولات الكهربائية باستخدام بيانات السلاسل الزمنية الواقعية، متجاوزاً بذلك القيود الحسابية للطرق العددية التقليدية وعدم الاتساق الفيزيائي للنماذج القائمة كلياً على البيانات.

المؤلفون الأصليون: Berk Hadzhamolla, Alexander Johannes Stasik, Signe Riemer-Sørensen

نُشر 2026-08-14

📖 8 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Berk Hadzhamolla, Alexander Johannes Stasik, Signe Riemer-Sørensen

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول التنبؤ بالطقس داخل صندوق معدني ضخم ومتوهج لا ينام أبدًا. هذا الصندوق هو محول طاقة، القلب القوي للشبكة الكهربائية الذي يرفع الجهد أو يخفضه لتبقى أضواؤك مشتعلة. ولكن، كأي آلة مجتهدة، فإنه يسخن. وإذا أصبح ساخنًا جدًا، فإن العزل بداخله يتقادم بشكل أسرع، وقد يتعطل المحول بالكامل، مما يتسبب في انقطاع التيار الكهربائي. وللحفاظ على سلامته، يحتاج المهندسون إلى معرفة درجة حرارة أكثر النقاط سخونة في الداخل، لكن تلك النقاط مدفونة بعمق في الزيت والنحاس، مما يجعل من المستحيل وضع ميزان حرارة فيها. لذا، يتعين عليهم تخمين درجة الحرارة بناءً على ما يحدث في الخارج، مثل كمية الكهرباء المتدفقة ودرجة حرارة الهواء.

لفترة طويلة، حاول العلماء حل هذا اللغز بطريقتين رئيسيتين. الأولى كانت تشبه بناء نموذج ثلاثي الأبعاد مثالي ومصغر للمحول في الكمبيوتر ومحاكاة كل قطرة زيت وكل سلك. كانت دقيقة للغاية ولكنها تتطلب قدرة حوسبة هائلة لدرجة جعلتها غير مفيدة لاتخاذ القرارات في الوقت الفعلي. والطريقة الثانية كانت استخدام معادلات رياضية بسيطة تعتمد على قواعد متوسطة، لكنها غالبًا ما فشلت عندما يتغير الطقس فجأة أو يصبح الحمل غريبًا. مؤخرًا، بدأ الناس في استخدام "الذكاء الاصطناعي" (AI) لتعلم الأنماط من البيانات السابقة. فكر في الأمر كتعليم ببغاء كيف يصرخ بالإجابة الصحيحة بعد سماع آلاف الأمثلة. لكن هذه الببغاوات الذكية قد تكون مخادعة؛ فإذا سألتها عن موقف لم تره من قبل، فقد تكتفي بتقديم تخمين جامح يبدو معقولًا ولكنه مستح المستحيل فيزيائيًا.

يقدم هذا البحث نوعًا جديدًا من "المخمن الذكي" يسمى "المعادلة التفاضلية العادية العصبية" (Neural Ordinary Differential Equation - Neural ODE) ليعمل كـ مستشعر حرارة افتراضي. فبدلاً من مجرد حفظ البيانات السابقة مثل الببغاء، أو بناء محاكاة ثلاثية الأبعاد ثقيلة، يتعلم هذا الأسلوب الجديد قواعد الفيزياء أثناء تعلمه من البيانات. تخيل تعليم طالب ليس فقط الإجابات في اختبار رياضيات، بل أيضًا القوانين الفعلية لكيفية انتقال الحرارة. وجد الباحثون أن هذا الأسلوب، عند اختباره على محولات حقيقية عبر النرويج، يتطلب ثلاثة أشهر على الأقل من البيانات لضبط إيقاعه، ولكن بمجرد أن يتعلم، يصبح متنبئًا أكثر موثوقية من نماذج الذكاء الاصطناعي القياسية، خاصة عند النظر بعيدًا في المستقبل. فهو لا يخمن فحسب، بل يفهم أن الحرارة تستغرق وقتًا لتنتقل، مما يجعله أداة متينة للحفاظ على سلامة الشبكة.

المشكلة: الحرارة غير المرئية

محولات الطاقة هي الأبطال المجهولون لشبكتنا الكهربائية. فهي تأخذ الكهرباء ذات الجهد العالي وتحولها إلى مستوى آمن لمنازلنا وأعمالنا. ولكن هذه العملية تولد الكثير من الحرارة. الجزء الأكثر سخونة، والذي يسمى "النقطة الساخنة" (hotspot)، يكون عادةً في عمق الملفات اللولبية، مخفيًا تحت طبقات من الزيت. إذا أصبحت هذه النقطة الساخنة شديدة الحرارة، فإن عزل الورق بداخلها يتقادم بسرعة، مما يقصر عمر المحول ويخاطر بفشل كارثي.

من الناجي، نود فقط وضع مستشعر مباشرة على النقطة الساخنة. ولكن في العديد من المحولات، يكون ذلك مستحيلاً. لذلك، يستخدم المهندسون "مستشعرات افتراضية" — وهي برمجيات تقدر درجة الحرارة المخفية بناءً على أشياء يمكننا قياسها، مثل درجة حرارة الهواء الخارجي وكمية الطاقة المتدفقة عبر الأسلاك.

الطرق القديمة: ثقيلة جدًا، بسيطة جدًا، أو قائمة على التخمين فقط

قبل هذا النهج الجديد، كانت هناك ثلاث طرق رئيسية لبناء هذه المستشعرات الافتراضية، وكان لكل منها عيب كبير:

محاكاة الكمبيوتر العملاق: استخدم العلماء نماذج فيزيائية معقدة (مثل طرق العناصر المحدودة) لمحاكاة كل قطرة زيت وسلك. كانت هذه النماذج دقيقة جدًا ولكنها تطلبت قدرًا هائلًا من قوة الحوسبة بحيث لم يكن بإمكانها العمل في الوقت الفعلي. كانت تشبه محاولة التنبؤ بالطقس من خلال محاكاة كل جزيء هواء في الغلاف الجوي — الأمر بطيء جدًا للتنبؤ السريع.
النماذج الرياضية البسيطة: استخدمت هذه النماذج معادلات مبسطة مع أرق تط ثابتة (ثوابت) لكل محول. كانت سريعة ولكنها جامدة. إذا كان المحول قديمًا، أو كان الطเสีย غريبًا، أو عمل نظام التبريد بشكل مختلف، فغالبًا ما كانت هذه النماذج تخطئ لأنها لم تكن قادرة على التكيف.
نماذج الذكاء الاصطناعي الصرفة: مؤخرًا، حاول الناس استخدام الذكاء الاصطناعي القياسي (مثل شبكات LSTM) للتعلم من البيانات. هذه النماذج بارعة في رصد الأنماط ولكنها تعمل كـ "صندوق أسود". إنها لا تعرف قوانين الفيزياء. إذا طلبت منها التنبؤ بدرجة الحرارة ليوم لم تره من قبل، فقد تنحرف إلى منطقة مستحيلة، مثل التنبؤ بأن الزيت يبرد بينما يزداد الحمل. كما أنها تحتاج إلى كميات هائلة من البيانات لتعمل بشكل جيد وتكون غير مستقرة على فترات طويلة.

الحل الجديد: الذكاء الاصطناعي المدرك للفيزياء

اقترح مؤلفو هذا البحث نهجًا هجينًا: المعادلات التفاضلية العادية العصبية (Neural ODEs).

فكر في الذكاء الاصطناعي القياسي كطالب يحفظ إجابات اختبار تجريبي. إذا تغير الاختبار قليلاً، يصاب الطالب بالذعر. أما الـ Neural ODE فهو كطالب يحفظ الصيغ والمنطق وراء الإجابات.

في هذا الإطار المحدد، لم يترك الباحثون الذكاء الاصطناعي يخمن درجة الحرارة التالية فحسب، بل أجبروه على تخمين معدل التغيير (مدى سرعة ارتفاع أو انخفاض درجة الحرارة) بناءً على الحالة الراهنة وفيزياء انتقال الحرارة.

التشبيه: تخيل أنك تقود سيارة. يحاول الذكاء الاصطناعي القياسي تخمين مكان تواجدك بعد 10 دقائق من خلال النظر إلى سرعتك الماضية. أما الـ Neural ODE فيفهم أنك تضغط حاليًا على دواسة الوقود (الحمل) وأن السيارة لها وزن (الكتلة الحرارية). إنه يحسب تسارعك ثم يقوم بعملية التكامل لإيجاد موقعك المستقبلي. هذا يضمن أن التنبؤ يتبع قوانب الفيزياء، حتى لو كانت البيانات غير منتظمة أو مشوشة.

لقد بنوا هذا النموذج للتعامل مع بيانات العالم الحقيقي، والتي غالبًا ما تكون فوضوية. قد تفقد المستشعرات بعض القراءات هنا وهناك، أو قد تصل البيانات في فترات زمنية غير منتظمة. ولأن نماذج Neural ODE تعمل في "زمن مستمر" (مثل فيلم سينمائي سلس) بدلاً من "الزمن المنفصل" (مثل كتاب الصور المتتابعة)، فإنها تتعامل مع هذه الفجوات بشكل أفضل بكثير من نماذج الذكاء الاصطناعي القديمة.

التجربة: الاختبار على محولات حقيقية

لم يقم الفريق بتشغيل هذا على محاكاة كمبيوتر فحسب؛ بل اختبروه على 15 محول طاقة حقيقي موجودة في مناطق مختلفة من النرويج. كانت هذه المحولات ذات تصميمات وأنظمة تبريد وتواريخ تشغيل مختلفة.

قاموا بتغذية النموذج ببيانات مسجلة كل 900 ثانية (15 دقيقة). تضمنت البيانات:

حمل القدرة الفعالة (كمية الكهرباء المتدفقة).
درجة الحرارة المحيطة (مدى سخونة الهواء في الخارج).
درجات حرارة الزيت والملفات الفعلية (لتدريب النموذج).

وقارنوا نموذج Neural ODE الجديد بنموذج ذكاء اصطناعي قياسي (LSTM) لمعرفة من يمكنه التنبؤ بدرجة الحرارة المستقبلية بشكل أفضل. واختبروا كميات مختلفة من بيانات التدريب، من أسبوع واحد إلى سنتين، وفترات تنبؤ مختلفة، من يوم واحد إلى سنة كاملة.

النتائج: الصبر يؤتي ثماره

كانت النتائج واضحة، لكنها جاءت مع شرط.

1. قاعدة "الثلاثة أشهر":
يحتاج النموذج الجديد إلى وقت للتعلم. إذا أعطيته أسبوعًا واحدًا فقط من البيانات، فسيفشل فشلاً ذريعًا. ستصبح التنبؤات فوضوية وغير ممكنة فيزيائيًا. وجد المؤلفون أن النموذج يحتاج إلى ثلاثة أشهر على الأقل ليستقر. وهذا منطقي لأن ثلاثة أشهر تغطي ربعًا موسميًا كاملاً في النرويج، مما يسم يسمح للنموذج برؤية كيفية تفاعل المحول مع النطاق الكامل لتغيرات درجات الحرارة من الشتاء إلى الصيف.

2. أفضل من المنافسين:
بمجرد حصول النموذج على ثلاثة أشهر من البيانات، تفوق على الذكاء الاصطناعي القياسي (LSTM) بشكل ملحوظ.

الدقة: في مرحلة "الاستقرار" (3 أشهر من التدريب)، سجل Neural ODE متوسط خطأ (MAE) قدره 2.04 درجة مئوية، بينما سجل LSTM 2.45 درجة مئوية.
الموثوقية: عبر فترات التنبؤ الطويلة (مثل 30 إلى 365 يومًا)، ظل Neural ODE أقرب بكثير إلى درجة الحرارة الحقيقية. مال الذكاء الاصطناعي القياسي إلى الانحراف، مقدمًا نتائج "غير متسقة فيزيائيًا"، بينما ظلت تنبؤات Neural ODE سلسة وواقعية.
الاتساق: عبر جميع المحولات الـ 15، كان Neural ODE أكثر دقة في 64.8% من الحالات، وكان لديه خطأ أقل في 64.8% من الحالات مقارنة بـ LSTM. لقد كان أفضل في 14 من أصل 15 محولاً فردياً.

3. الرؤية طويلة المدى:
النموذج جيد بشكل خاص في التنبؤ "متوسط إلى طويل المدى" (من 30 يومًا إلى سنة). وبينما يعاني الذكاء الاصطناعي القياسي في التنبؤ لمدة عام دون الانحراف، حافظ Neural ODE على دقة معقولة، حيث ظل متوسط الخطأ حول درجتين مئويتين حتى بالنسبة لتنبؤ لمدة 365 يومًا. وهذا أمر بالغ الأهمية لمديري الأصول الذين يحتاجون إلى التخطيط لجداول الصيانة مسبقًا بوقت كافٍ.

لماذا يهم هذا؟

هذا ليس مجرد فوز نظري؛ بل هو أداة عملية للحفاظ على استمرار التيار الكهربائي.

الاستشعار الافتراضي: يسمح لمشغلي الشبكة بـ "رؤية" النقاط الساخنة المخفية دون الحاجة لتركيب مستشعرات فيزيائية مكلفة وهشة داخل كل محول.
توفير التكاليات: يقلل من الحاجة إلى شبكات استشعار كثيفة، مما يخفض تكال costs الصيانة.
السلامة: من خلال توفير تنبؤات أكثر موثوقية طويلة المدى، فإنه يساعد في منع ارتفاع الحرارة ويطيل عمر المحولات.

يشير المؤلفون إلى أنه بينما يحتاج النموذج إلى فترة "إحماء" تبلغ حوالي ثلاثة أشهر، فإنه يعد أداة قوية مدركة للفيزياء تعمل بشكل جيد عبر أنواع مختلفة من المحولات. إنه يسد الفجوة بين محاكاة الفيزياء الثقيلة والبطيئة وبين الذكاء الاصطناعي الصرف الذي يعتمد على البيانات فقط، مما يقدم "نقطة التوازن المثالية" التي تجمع بين الذكاء والأساس العلمي.

باختًا، هذه الطريقة الجديدة تعلم الكمبيوتر قواعد الحرارة، وليس فقط الإجابات، مما يجعلها متنبئًا أفضل بكثير للحرارة غير المرئية داخل شبكتنا الكهربائية.

ملخص تقني: مستشعرات درجة الحرارة الافتراضية في محولات الطاقة باستخدام المعادلات التفاضلية العادية العصبية

بيان المشكلة
يعد التقدير والتنبؤ الدقيق لدرجات الحرارة الداخلية لمحولات الطاقة (تحديداً درجة حرارة الزيت العلوي، والملفات، والنقطة الساخنة) أمراً بالغ الأهمية لمراقبة الحالة، والتحكم في الحمل الزائد، والصيانة التنبؤية. تعاني النهج الحالية من قيود متميزة:

الطرق العددية عالية الدقة (مثل طريقة العناصر المحدودة FEM، أو ديناميكا الموائع الحسابية CFD) توفر تمثيلات فيزيائية مفصلة ولكنها مكلفة حاسوبياً للتطبيقات في الوقت الفعلي وتتطلب معرفة كاملة بالهندسة الداخلية والمعايير.
النماذج الحرارية ذات المعاملات المجمعة فعالة حاسوبياً ولكنها تعتمد على ثوابت حرارية خاصة بكل محول غالباً ما تكون غير معروفة، وتواجه صعوبة في التقاط الاستجابات الديناميكية تحت ظروف التشغيل والبيئة المتغيرة.
نماذج التعلم الآلي القائمة على البيانات فقط (مثل الشبكات العصبية الاصطناعية ANN، أو الذاكرة الطويلة قصيرة المدى LSTM، أو الشبكات العصبية التلافيفية CNN) يمكنها تعلم الخرائط غير الخطية دون صياغة فيزيائية صريحة، لكنها تتطلب عادةً كميات كبيرة من بيانات التدريب عالية الجودة. كما أنها تفتقر غالباً إلى التفسير الفيزيائي وتخاطر بإنتاج نتائج غير متسقة فيزيائياً أو التباعد أثناء التنبؤ طويل المدى.

المنهجية
يقترح البحث إطار عمل المعادلات التفاضلية العادية العصبية (Neural ODE) المدركة للفيزياء للتنبؤ بالسلوك الحراري للمحول باستخدام بيانات السلاسل الزمنية من العالم الحقيقي.

صياغة الديناميكا الحرارية: يقوم المؤلفون بنمذجة النظام الحراري للمحول باستخدام معادلات انتقال الحرارة المقترنة بين الملفات، وزيت التبريد، والبيئة المحيطة. تحدد هذه المعادلات بنية فضاء الحالة من الدرجة الأولى التي تعتمد على زمن ماركوف (Markovian state-space structure)، حيث يعتمد معدل تغير الحالات الحرارية على الحالات الداخلية الحالية والمحركات الخارجية (الحمل الكهربائي النشط ودرجة الحرارة المحيطة).
بنية المعادلات التفاضلية العادية العصبية (Neural ODE): بدلاً من التنبؤ بالخطوة الزمنية التالية لدرجة الحرارة مباشرة (كما في النماذج ذات الزمن المنفصل مثل LSTM)، يقوم إطار العمل بمعلمة المشتق الزمني المستمر لمتجه الحالة، $dy/dt $، باستخدام شبكة عصبية ($ NN_\theta$). يتم الحصول على مسار درجة الحرارة عن طريق التكامل العددي لهذا المجال المتجه المتعلم:
$y(t) = y(t_0) + \int_{t_0}^{t} NN_\theta(y(t'), x(t')) dt'$
يحافظ إطار العمل صراحةً على التفكك الفيزيائي بين الحالات الحرارية الداخلية ( $y$ ) والمدخلات الخارجية ( $x$ ).
التكامل المدرك للفيزياء: يدمج النموذج معادلات انتقال الحرارة المبسطة مباشرة في عملية التعلم. تقوم الشبكة بإخراج معدل التغيير ($dy/dt$) بدلاً من درجات الحرارة المطلقة، مما يفرض بنية انتقال حراري مستمرة في الزمن. يتم التعامل مع المدخلات الخارجية عبر الاستكمال الخطي الجزئي لتوفير وصول مستمر في الزمن أثناء عملية التكامل.
استراتيجية التدريب: يتم تدريب النموذج باستخدام دالة خسارة مركبة تتكون من متوسط مربع الخطأ (MSE) وعقوبة النعومة ( $L_{smooth}$ ) لتجنب التذبذبات عالية التردد غير المتوافقة مع الديناميكا الحرارية. تم استخدام استراتيجية التعلم المنهجي (Curriculum learning)، حيث يتم زيادة أفق التنبؤ تدريجياً من 1.25 ساعة إلى يومين لتسريع التقارب.
مجموعة البيانات: تم تقييم إطار العمل على بيانات تشغيلية لـ 15 محولاً مختلفاً في النرويج، تتميز بتصاميم وآليات تبريد متنوعة (ONAN, ONAF, OFAF, ODAF). تم تسجيل البيانات بفواصل زمنية مدتها 15 دقيقة.

المساهمات الرئيسية

الصياغة المدركة للفيزياء: دمج معادلات انتقال الحرارة المبسطة مباشرة في بنية Neural ODE، مما يسمح بحلول متسقة فيزيائياً ويقلل من متطلبات البيانات مقارنة بالطرق القائمة على البيانات فقط.
النمذجة في الزمن المستمر: استخدام Neural ODE لنمذجة الديناميكيات في زمن مستمر، مما يوفر متانة تجاه أخذ العينات غير المنتظم وقدرات استقراء أفضل مقارنة بالنماذج ذات الزمن المنفصل مثل LSTM.
إطار عمل موحد: تطوير أداة تنبؤ معيارية قادرة على التعميم عبر وحدات المحولات غير المتجانسة دون الحاجة إلى ثوابت حرارية خاصة بكل محول.

النتائج
تمت مقارنة أداء Neural ODE مع نموذج LSTM مكدس عبر 823 مجموعة من المحولات، وآفاق التدريب، وآفاق التنبؤ.

متطلبات البيانات: يتطلب Neural ODE ما لا يقل عن ثلاثة أشهر من بيانات التدريب للدخول في نظام مستقر ومفيد. مع أقل من شهر واحد من البيانات، يظهر النموذج مسارات غير مستقرة وتباعداً كارثياً.
مقاييس الأداء: في النظام المستقر (التدريب $\ge$ $\geq$ 3 أشهر، التنبؤ $\ge$ $\geq$ 30 يوماً):
- حقق Neural ODE وسيط معامل التحديد $R^2$ قدره 0.591 ووسيط متوسط الخطأ المطلق (MAE) قدره 2.04 درجة مئوية.
- حقق نموذج LSTM المرجعي وسيط $R^2$ قدره 0.493 ووسيط متوسط الخطأ المطلق (MAE) قدره 2.45 درجة مئوية.
- تفوق Neural ODE على LSTM في 65.2% من الحالات فيما يخص $R^2$ وفي 70.1% من الحالات فيما يخص MAE في هذا النظام التشغيلي.
الاستقرار في الأفق الطويل: أظهر Neural ODE استقراراً فائقاً في التنبؤ طويل المدى (حتى 365 يوماً). وبينما أظهر كلا النموذجين تدهوراً في الأداء بمرور الوقت بسبب تراكم الخطأ في التكامل مفتوح الحلقة، إلا أن المسارات المحدودة فيزيائياً لـ Neural ODE أدت إلى تدهور أبطأ مقارنة بـ LSTM.
الاتساق لكل وحدة: حقق Neural ODE وسيط $R^2$ أعلى في 14 من أصل 15 وحدة، ووسيط MAE أقل في جميع الوحدات الـ 15، مما يشير إلى أداء متسق عبر مختلف تصاميم المحولات.

الأهمية والادعاءات
يدعي البحث أن إطار عمل Neural ODE المدرك للفيزياء نجح في سد الفجوة بين الطرق العددية المكلفة حاسبياً والنماذج القائمة على البيانات فقط والتي تفتقر للمتانة. تكمن أهميته الأساسية في قدرته على العمل كـ مستشعر افتراضي قوي ومدرك للفيزياء لمجموعات المحولات غير المتجانسة.

تتمثل المزايا العملية الرئيسية الموضحة في:

كفاءة البيانات: ينتج النموذج تنبؤات مفيدة في غضون ثلاثة أشهر فقط من التدريب، مما يجعله مناسباً للوحدات الجديدة أو التي تم تجهيزها حديثاً بالأجهزة والتي تفتقر إلى سجلات تاريخية طويلة.
الموثوقية التشغيلية: من خلال توفير تقديرات درجة حرارة افتراضية موثوقة (بمتوسط خطأ يبلغ حوالي 2 درجة مئوية على مدار عام)، يمكن لهذا الإطار تقليل الحاجة إلى نشر مستشعرات فيزيائية كثيفة، مما يخفض تكاليف المراقبة مع دعم الكشف المبكر عن السلوك الحراري غير الطبيعي.
التعميم: يتعمم إطار العمل بفعالية عبر مختلف تصميمات المحولات وآليات التبريد دون الحاجة إلى ضبط المعلمات الخاصة بكل وحدة.

أشار المؤلفون إلى أن العائق الرئيسي يظل في الحد الأدنى لمتطلبات البيانات (حوالي 3 أشهر) من أجل الاستقرار، وسيبحث العمل المستقبلي في استراتيجيات الإحماء والتعلم بنقل المعرفة لخفض هذا الحد.