Virtual Temperature Sensors in Power Transformers Using Neural Ordinary Differential Equations

Stellen Sie sich vor, Sie versuchen, das Wetter in einem riesigen, leuchtenden Metallkasten vorherzusagen, der niemals schläft. Dieser Kasten ist ein Leistungstransformator, das schwere Herzstück des Stromnetzes, das die Spannung hoch- oder runterstuft, damit Ihr Licht brennt. Aber wie jede hart arbeitende Maschine wird auch er heiß. Wenn er zu heiß wird, altert die Isolierung im Inneren schneller, und das ganze Gerät könnte kaputtgehen, was zu Stromausfällen führt. Um ihn sicher zu halten, müssen Ingenieure die Temperatur der heißesten Stellen im Inneren kennen, aber diese Stellen liegen tief in Öl und Kupfer verborgen, was es unmöglich macht, dort ein Thermometer hineinzustecken. Daher müssen sie die Temperatur basierend auf dem schätzen, was im Außenbereich passiert, wie zum Beispiel wie viel Strom fließt und wie warm die Luft ist.

Lange Zeit versuchten Wissenschaftler, dieses Rätsel auf zwei Hauptwegen zu lösen. Der erste war, wie ein perfektes, dreidimensionales Miniaturmodell des Transformators in einem Computer zu bauen und jeden Tropfen Öl und jeden Draht zu simulieren. Es war unglaublich genau, verbrauchte aber so viel Rechenleistung, dass es für Echtzeitentscheidungen unbrauchbar war. Der zweite Weg bestand darin, einfache mathematische Formeln basierend auf Durchschnittswerten zu verwenden, aber diese versagten oft, wenn sich das Wetter plötzlich änderte oder die Last ungewöhnlich wurde. Vor kurzem begannen Menschen, „Künstliche Intelligenz“ (KI) zu nutzen, um Muster aus vergangenen Daten zu lernen. Denken Sie daran, wie man einen Papagei lehrt, die richtige Antwort zu krächzen, nachdem er tausende von Beispielen gehört hat. Aber diese KI-Papageien können tückisch sein; wenn man sie nach einer Situation fragt, die sie noch nie gesehen haben, könnten sie einfach eine wilde Vermutung anstellen, die zwar plausibel klingt, aber physikalisch unmöglich ist.

Dieses Paper stellt eine neue Art von „intelligentem Schätzer“ vor, eine „Neural Ordinary Differential Equation“ (Neural ODE), die als virtueller Temperatursensor fungieren soll. Anstatt nur vergangene Daten wie ein Papagei auswendig zu lernen, oder eine schwere 3D-Simulation zu erstellen, lernt diese neue Methode die Regeln der Physik, während sie aus den Daten lernt. Stellen Sie sich vor, Sie bringen einem Schüler nicht nur die Antworten für einen Mathetest bei, sondern auch die eigentlichen Gesetze der Wärmeverteilung. Die Forscher haben dies an echten Transformatoren in ganz Norwegen getestet, unter Verwendung von Daten von fünfzehn verschiedenen Einheiten mit unterschiedlichen Designs. Sie fanden heraus, dass diese neue Methode zwar mindestens drei Monate an Daten benötigt, um ihre Orientierung zu finden, sobald sie jedoch gelernt hat, wird sie zu einem viel zuverlässigeren Vorhersagemodell als die Standard-KI-Modelle, insbesondere wenn es darum geht, weit in die Zukunft zu blicken. Sie rät nicht nur; sie versteht, dass Wärme Zeit braucht, um zu wandern, was sie zu einem robusten Werkzeug macht, um das Netz sicher zu halten.

Das Problem: Die unsichtbare Hitze

Leistungstransformatoren sind die unbesungenen Helden unseres Stromnetzes. Sie nehmen Hochspannungsstrom auf und wandeln ihn in ein Niveau um, das für unsere Häuser und Unternehmen sicher ist. Aber dieser Prozess erzeugt viel Hitze. Der heißeste Teil, die sogenannte „Hotspot“, befindett sich meist tief in den Wicklungsschleifen, verborgen unter Schichten von Öl. Wenn dieser Hotspot zu heiß wird, altert die Papierisolierung im Inneren rapide, was die Lebensdauer des Transformators verkürzt und das Risiko eines katastrophalen Ausfalls erhöht.

Idealerweise würden wir einfach einen Sensor direkt am Hotspot platzieren. Aber in vielen Transformatoren ist das unmöglich. Daher verwenden Ingenieure „virtuelle Sensoren“ – Software, die die verborgene Temperatur basierend auf Dingen schätzt, die wir messbar erfassen können, wie die Außentemperatur und wie viel Leistung durch die Leitungen fließt.

Die alten Wege: Zu schwer, zu einfach oder zu ratlos

Vor diesem neuen Ansatz gab es drei Hauptwege, um diese virtuellen Sensoren zu bauen, und jeder hatte einen großen Makel:

1. Die Supercomputer-Simulation: Wissenschaftler nutzten komplexe Physikmodelle (wie die Finite-Elemente-Methode), um jeden Tropfen Öl und jeden Draht zu simulieren. Diese waren sehr genau, erforderten aber so viel Rechenleistung, dass sie nicht in Echtzeit laufen konnten. Es war, als würde man versuchen, das Wetter vorherzusagen, indem man jedes einzelne Luftmolekül in der Atmosphäre simuliert – zu langsam für eine schnelle Vorhersage.
2. Die einfachen mathematischen Modelle: Diese nutzten vereinfachte Gleichungen mit festen Zahlen (Konstanten) für jeden Transformator. Sie waren schnell, aber starr. Wenn der Transformator alt war, das Wetter seltsam war oder das Kühlsystem anders funktionierte, lagen diese Modelle oft daneben, weil sie sich nicht anpassen konnten.
3. Die reinen KI-Modelle: Vor kurzem versuchten Menschen, Standard-KI (wie LSTM-Netzwerke) einzusetzen, um aus Daten zu lernen. Diese sind großartig darin, Muster zu erkennen, agieren aber als „Black Box“. Sie kennen die Gesetze der Physik nicht. Wenn man sie bittet, die Temperatur für einen Tag vorherzusagen, den sie noch nie gesehen haben, könnten sie in unmögliche Bereiche abdriften, etwa vorhersagen, dass das Öl kälter wird, während die Last steigt. Sie benötigen enorme Mengen an Daten, um gut zu funktionieren, und können über lange Zeiträume instabil sein.

Die neue Lösung: Die physikbewusste KI

Die Autoren dieses Papers schlugen einen hybriden Ansatz vor: Neural Ordinary Differential Equations (Neural ODEs).

Betrachten Sie eine Standard-KI als einen Schüler, der die Antworten eines Übungstests auswendig lernt. Wenn sich der Test leicht ändert, gerät der Schüler in Panik. Eine Neural ODE ist wie ein Schüler, der die Formeln und die Logik hinter den Antworten auswendig lernt.

In diesem spezifischen Framework ließen die Forscher die KI nicht einfach nur die nächste Temperatur erraten. Stattdessen zwangen sie die KI dazu, die Änderungsrate (wie schnell die Temperatur steigt oder fällt) basierend auf dem aktuellen Zustand und der Physik des Wärmetransfers zu berechnen.

• Die Analogie: Stellen Sie sich vor, Sie fahren ein Auto. Eine Standard-KI versucht zu erraten, wo Sie in 10 Minuten sein werden, indem sie auf Ihre bisherige Geschwindigkeit schaut. Eine Neural ODE versteht, dass Sie gerade das Gaspedal (Last) drücken und dass das Auto ein Gewicht (thermische Masse) hat. Sie berechnet Ihre Beschleunigung und integriert diese dann, um Ihre zukünftige Position zu finden. Dies stellt sicher, dass die Vorhersage den Gesetzen der Physik folgt, selbst wenn die Daten unordentlich oder unregelmäßig sind.

Sie bauten dieses Modell so, dass es mit realen Daten umgehen kann, die oft unordentlich sind. Sensoren könnten hier und da eine Messung verpassen, oder die Daten kommen in unregelmäßigen Intervallen an. Da Neural ODEs in „kontinuierlicher Zeit“ arbeiten (wie ein flüssiger Film) statt in „diskreter Zeit“ (wie ein Daumenkino), können sie diese Lücken viel besser handhaben als ältere KI-Modelle.

Das Experiment: Test an echten Transformatoren

Das Team hat dies nicht nur an einer Computersimulation getestet, sondern an 15 echten Leistungstransformatoren, die an verschiedenen Orten in Norwegen verteilt sind. Diese Transformatoren hatten unterschiedliche Designs, Kühlsysteme und Betriebshistorien.

Sie speisten das Modell mit Daten, die alle 900 Sekunden (15 Minuten) aufgezeichnet wurden. Die Daten enthielten:

• Die aktive Leistungsaufnahme (wie viel Elektrizität floss).
• Die Umgebungstemperatur (wie warm die Luft draußen war).
• Die tatsächlichen Öl- und Wicklungstemperaturen (um das Modell zu trainieren).

Sie verglichen ihr neues Neural-ODE-Modell mit einem Standard-KI-Modell (LSTM), um zu sehen, wer die zukünftige Temperatur besser vorhersagen kann. Sie testeten verschiedene Mengen an Trainingsdaten, von einer Woche bis zu zwei Jahren, und verschiedene Vorhersagezeiträume, von einem Tag bis zu einem vollen Jahr.

Die Ergebnisse: Geduld zahlt sich aus

Die Ergebnisse waren eindeutig, kamen aber mit einer Einschränkung daher.

1. Die „Drei-Monats-Regel“:
Das neue Modell braucht Zeit zum Lernen. Wenn man ihm nur eine Woche an Daten gibt, scheitert es kläglich. Die Vorhersagen werden chaotisch und physikalisch unmöglich. Die Autoren fanden heraus, dass das Modell mindestens drei Monate an Daten benötigt, um stabil zu werden. Das ergibt Sinn, da drei Monate ein ganzes Quartal abdecken und es dem Modell ermöglichen, die Reaktion des Transformators auf die vollen Temperaturschwankungen von Winter bis Sommer zu erfassen.

2. Besser als die Konkurrenz:
Sob sobald das Modell über mindestens drei Monate an Daten verfügte, übertraf es die Standard-KI (LSTM) deutlich.

• Genauigkeit: Im „stabilen“ Bereich (3 Monate Training) hatte das Neural ODE einen mittleren absoluten Fehler (MAE) von 2,04 °C, während das LSTM bei 2,45 °C lag.
• Zuverlässigkeit: Über lange Vorhersagezeiträume (wie 30 bis 365 Tage) blieb das Neural ODE viel näher an der realen Temperatur. Die Standard-KI neigte dazu, abzuweichen und produzierte „physikalisch inkonsistente“ Ergebnisse, während die Vorhersagen des Neural ODE glatt blieben und in der Realität verankert waren.
• Konsistenz: Über alle 15 Transformatoren hinweg war das Neural ODE in 64,8 % der Fälle genauer und hatte in 64,8 % der Fälle einen geringeren Fehler als das LSTM. Es schnitt bei 14 von 15 einzelnen Transformatoren besser ab.

3. Die langfristige Perspektive:
Das Modell ist besonders gut für die mittelfristige bis langfristige Prognose (30 Tage bis ein Jahr) geeignet. Während die Standard-KI Schwierigkeiten hat, ein Jahr im Voraus vorherzusagen, ohne abzuweichen, behielt das Neural ODE eine angemessene Genauigkeit bei und hielt selbst bei einer 365-Tage-Prognose einen mittleren Fehler von etwa 2 °C. Dies ist entscheidend für Anlagenmanager, die Wartungspläne weit im Voraus planen müssen.

Warum das wichtig ist

Dies ist nicht nur ein theoretischer Sieg; es ist ein praktisches Werkzeug, um das Licht an der Wand zu halten.

• Virtuelle Sensorik: Es ermöglicht Netzbetreibern, die verborgenen Hotspots zu „sehen“, ohne teure, empfindliche physische Sensoren in jeden Transformator einbauen zu müssen.
• Kosteneinsparungen: Es reduziert den Bedarf an dichten Sensornetzwerken und senkt so die Wartungskosten.
• Sicherheit: Durch die Bereitstellung zuverlässigerer Langfristprognagen hilft es, Überhitzung zu vermeiden und die Lebensdauer der Transformatoren zu verlängern.

Die Autoren legen nahe, dass das Modell zwar eine „Aufwärmphase“ von etwa drei Monaten benötigt, aber ein robustes, physikbewusstes Werkzeug ist, das bei verschiedenen Arten von Transformatoren gut funktioniert. Es schließt die Lücke zwischen den langsamen, schweren Physiksimulationen und der unzuverlässigen, datenhungrigen reinen KI und bietet einen „Sweet Spot“, der sowohl intelligent als als auch wissenschaftlich fundiert ist.

Kurz gesagt: Diese neue Methode lehrt den Computer die Regeln der Wärme, nicht nur die Antworten, was ihn zu einem viel besseren Wetterpropheten für die unsichtbare Hitze in unserem Stromnetz macht.