🤖 machine learning

Virtual Temperature Sensors in Power Transformers Using Neural Ordinary Differential Equations

Este artículo propone un marco de Ecuaciones Diferenciales Ordinarias Neuronales (Neural ODE) consciente de la física que integra ecuaciones simplificadas de transferencia de calor para pronosticar de manera precisa y robusta el comportamiento térmico de diversos transformadores de potencia utilizando datos de series temporales del mundo real, superando las limitaciones computacionales de los métodos numéricos tradicionales y la inconsistencia física de los modelos puramente basados en datos.

Autores originales: Berk Hadzhamolla, Alexander Johannes Stasik, Signe Riemer-Sørensen

Publicado 2026-08-14

📖 9 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Berk Hadzhamolla, Alexander Johannes Stasik, Signe Riemer-Sørensen

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de predecir el clima dentro de una caja de metal gigante y brillante que nunca duerme. Esta caja es un transformador de potencia, el corazón de alta capacidad de la red eléctrica que eleva o reduce el voltaje para que tus luces sigan encendidas. Pero, como cualquier máquina trabajadora, se calienta. Si se calienta demasiado, el aislamiento en su interior envejece más rápido y todo el conjunto podría romperse, causando apagones. Para mantenerlo seguro, los ingenieros necesitan saber la temperatura de los puntos más calientes en su interior, pero esos puntos están enterrados profundamente en aceite y cobre, lo que hace imposible insertar un termómetro en ellos. Por lo tanto, tienen que adivinar la temperatura basándose en lo que está sucediendo en el exterior, como cuánta electricidad fluye y qué tan cálido es el aire.

Durante mucho tiempo, los científicos intentaron resolver este rompecabezas de dos maneras principales. La primera era como construir un modelo 3D perfecto y en miniatura del transformador en una computadora y simular cada gota de aceite y cada cable. Era increíblemente preciso, pero requería tanta potencia de cómputo que resultaba inútil para decisiones en tiempo real. La segunda forma era usar fórmulas matemáticas simples basadas en reglas promedio, pero estas a menudo fallaban cuando el clima cambiaba repentinamente o la carga se volvía extraña. Recientemente, la gente comenzó a usar "Inteligencia Artificial" (IA) para aprender los patrones de los datos pasados. Piensa en esto como enseñarle a un loro a graznar la respuesta correcta después de escuchar miles de ejemplos. Pero estos loros de IA pueden ser complicados; si les preguntas sobre una situación que nunca han visto, podrían simplemente inventar una suposición descabellada que suena plausible pero que es físicamente imposible.

Este artículo presenta un nuevo tipo de "adivinador inteligente" llamado Ecuación Diferencial Ordinaria Neuronal (Neural ODE) para actuar como un sensor de temperatura virtual. En lugar de solo memorizar datos pasados como un loro, o construir una pesada simulación 3D, este nuevo método aprende las reglas de la física mientras aprende de los datos. Imagina enseñar a un estudiante no solo las respuestas de un examen de matemáticas, sino también las leyes reales de cómo se mueve el calor. Los investigadores probaron esto en transformadores reales en toda Noruega, utilizando datos de quince unidades diferentes con distintos diseños. Descubrieron que, si bien este nuevo método necesita al menos tres meses de datos para tomar el ritmo, una vez que aprende, se convierte en un predictor mucho más confiable que los modelos de IA estándar, especialmente para mirar hacia el futuro lejano. No solo adivina; entiende que el calor tarda en viajar, lo que lo convierte en una herramienta robusta para mantener la red segura.

El Problema: El Calor Invisible

Los transformadores de potencia son los héroes anónimos de nuestra red eléctrica. Toman electricidad de alto voltaje y la convierten a un nivel seguro para nuestros hogares y negocios. Pero este proceso genera mucho calor. La parte más caliente, llamada "punto caliente" (hotspot), suele estar en lo profundo de las bobinas de bobinado, oculta bajo capas de aceite. Si este punto caliente se calienta demasiado, el aislamiento de papel en su interior envejece rápidamente, acortando la vida útil del transformador y con el riesgo de una falla catastrófica.

Idealmente, simplemente colocaríamos un sensor directamente en el punto caliente. Pero en muchos transformadores, eso es imposible. Por lo tanto, los ingenieros utilizan "sensores virtuales": software que estima la temperatura oculta basándose en cosas que sí podemos medir, como la temperatura del aire exterior y cuánta potencia fluye a través de los cables.

Las Viejas Formas: Demasiado Pesadas, Demasiado Simples o Demasiado Imaginativas

Antes de este nuevo enfoque, había tres formas principales de construir estos sensores virtuales, y cada una tenía un gran defecto:

La Simulación de Supercomputadora: Los científicos usaban modelos de física complejos (como los Métodos de Elementos Finitos) para simular cada gota de aceite y cable. Eran muy precisos, pero requerían tanta potencia de cómputo que no podían ejecutarse en tiempo real. Eran como intentar predecir el clima simulando cada molécula de aire en la atmósfera: demasiado lento para un pronóstico rápido.
Los Modelos Matemáticos Simples: Estos utilizaban ecuaciones simplificadas con números fijos (constantes) para cada transformador. Eran rápidos pero rígidos. Si el transformador era viejo, o el clima era extraño, o el sistema de enfriamiento funcionaba de manera diferente, estos modelos a menudo se equivocaban porque no podían adaptarse.
Los Modelos de IA Pura: Recientemente, la gente intentó usar IA estándar (como las redes LSTM) para aprender de los datos. Son excelentes detectando patrones, pero actúan como una "caja negra". No conocen las leyes de la física. Si les pides que predigan la temperatura para un día que nunca han visto, podrían derivar hacia un territorio imposible, como predecir que el aceite se enfría mientras la carga aumenta. Necesitan cantidades masivas de datos para funcionar bien y pueden ser inestables durante períodos prolongados.

La Nueva Solución: La IA con Conciencia Física

Los autores de este artículo propusieron un enfoque híbrido: Ecuaciones Diferenciales Ordinarias Neuronales (Neural ODEs).

Piensa en una IA estándar como un estudiante que memoriza las respuestas de un examen de práctica. Si el examen cambia ligeramente, el estudiante entra en pánico. Una Neural ODE es como un estudiante que memoriza las fórmulas y la lógica detrás de las respuestas.

En este marco específico, los investigadores no solo dejaron que la IA adivinara la siguiente temperatura. En su lugar, obligaron a la IA a adivinar la tasa de cambio (qué tan rápido está subiendo o bajando la temperatura) basándose en el estado actual y la física de la transferencia de calor.

La Analogía: Imagina que vas conduciendo un coche. Una IA estándar intenta adivinar dónde estarás en 10 minutos mirando tu velocidad pasada. Una Neural ODE entiende que actualmente estás pisando el acelerador (carga) y que el coche tiene peso (masa térmica). Calcula tu aceleración y luego integra eso para encontrar tu posición futura. Esto asegura que la predicción siga las leyes de la física, incluso si los datos son desordenados o irregulares.

Construyeron este modelo para manejar datos del mundo real, que a menudo son desordenados. Los sensores pueden perder una lectura aquí o allá, o los datos pueden llegar en intervalos irregulares. Debido a que las Neural ODE funcionan en "tiempo continuo" (como una película fluida) en lugar de "tiempo discreto" (como un libro de imágenes), manejan estos vacíos mucho mejor que los modelos de IA más antiguos.

El Experimento: Pruebas en Transformadores Reales

El equipo no solo realizó esto en una simulación por computadora; lo probaron en 15 transformadores de potencia reales ubicados en diferentes partes de Noruega. Estos transformadores tenían diferentes diseños, sistemas de enfriamiento e historiales operativos.

Alimentaron el modelo con datos registrados cada 900 segundos (15 minutos). Los datos incluían:

La carga de potencia activa (cuánta electricidad fluía).
La temperatura ambiente (qué tan caliente estaba el aire afuera).
Las temperaturas reales del aceite y del bobinado (para entrenar al modelo).

Compararon su nuevo modelo Neural ODE contra un modelo de IA estándar (LSTM) para ver quién podía predecir mejor la temperatura futura. Probaron diferentes cantidades de datos de entrenamiento, desde una semana hasta dos años, y diferentes longitudes de pronóstico, desde un día hasta un año completo.

Los Hallazgos: La Paciencia Paga

Los resultados fueron claros, pero venían con un inconveniente.

1. La "Regla de los Tres Meses":
El nuevo modelo necesita tiempo para aprender. Si solo le das una semana de datos, falla estrepitosamente. Las predicciones se vuelven caóticas y físicamente imposibles. Los autores encontraron que el modelo necesita al menos tres meses de datos para estabilizarse. Esto tiene sentido porque tres meses cubren un trimestre estacional completo en Noruega, permitiendo que el modelo vea cómo reacciona el transformador a todo el rango de cambios de temperatura de invierno a verano.

2. Mejor que la Competencia:
Una vez que el modelo tuvo al menos tres meses de datos, superó significamente al modelo de IA estándar (LSTM).

Precisión: En el régimen "estable" (3 meses de entrenamiento), la Neural ODE tuvo un error medio (MAE) de 2.04 °C, mientras que la LSTM tuvo 2.45 °C.
Confiabilidad: En períodos de pronóstico largos (como 30 a 365 días), la Neural ODE se mantuvo mucho más cerca de la temperatura real. La IA estándar tendía a alejarse, produciendo resultados "físicamente inconsistentes", mientras que las predicciones de la Neural ODE se mantenían suaves y fundamentadas en la realidad.
Consistencia: En los 15 transformadores, la Neural ODE fue más precisa en el 64.8% de los casos y tuvo un error menor en el 64.8% de los casos en comparación con la LSTM. Funcionó mejor en 14 de los 15 transformadores individuales.

3. La Visión a Largo Plazo:
El modelo es particularmente bueno para el pronóstico de "horizonte medio a largo" (30 días a un año). Mientras que la IA estándar lucha por predecir un año adelante sin desviarse, la Neural ODE mantuvo una precisión razonable, manteniendo un error medio de alrededor de 2 °C incluso para un pronóstico de 365 días. Esto es crucial para los gestores de activos que necesitan planificar los programas de mantenimiento con mucha antelación.

Por Qué Esto Importa

Esto no es solo una victoria teórica; es una herramienta práctica para mantener las luces encendidas.

Sensores Virtuales: Permite a los operadores de la red "ver" los puntos calientes ocultos sin instalar sensores físicos costosos y frágiles dentro de cada transformador.
Ahorro de Costos: Reduce la necesidad de redes de sensores densas, bajando los costos de mantenimiento.
Seguridad: Al proporcionar pronósticos a largo plazo más confiables, ayuda a prevenir el sobrecalentamiento y extiende la vida útil de los transformadores.

Los autores sugieren que, si bien el modelo necesita un período de "calentamiento" de aproximadamente tres meses, es una herramienta robusta con conciencia física que funciona bien en diferentes tipos de transformadores. Une la brecha entre las lentas y pesadas simulaciones de física y la IA pura, que es poco confiable y hambrienta de datos, ofreciendo un "punto ideal" que es tanto inteligente como científicamente fundamentado.

En resumen, este nuevo método le enseña a la computadora las reglas del calor, no solo las respuestas, convirtiéndola en un mucho mejor pronosticador del clima para el calor invisible dentro de nuestra red eléctrica.

Resumen Técnico: Sensores de Temperatura Virtuales en Transformadores de Potencia mediante Ecuaciones Diferenciales Ordinarias Neuronales

Planteamiento del Problema
La estimación y el pronóstico precisos de las temperaturas internas de los transformadores de potencia (específicamente la temperatura del aceite superior, de los devanados y del punto caliente) son críticos para el monitoreo de condición, el control de sobrecarga y el mantenimiento predictivo. Los enfoques existentes sufren limitaciones distintivas:

Métodos numéricos de alta fidelidad (por ejemplo, Métodos de Elementos Finitos, Dinámica de Fluidos Computacional) ofrecen representaciones físicas detalladas pero son computacionalmente prohibitivos para aplicaciones en tiempo real y requieren un conocimiento completo de las geometrías y parámetros internos.
Los modelos de parámetros concentrados son computacionalmente eficientes pero dependen de constantes térmicas específicas del transformador que a menudo se desconocen y tienen dificultades para capturar respuestas dinámicas bajo condiciones operativas y ambientales variables.
Los modelos de aprendizaje automático puramente basados en datos (por ejemplo, ANN, LSTM, CNN) pueden aprender mapeos no lineales sin una formulación física explícita, pero típicamente requieren grandes volúmenes de datos de alta calidad. Carecen de interpretabilidad física y corren el riesgo de producir resultados físicamente inconsistentes o de divergir durante el pronóstico de largo horizonte.

Metodología
El artículo propone un marco de Ecuaciones Diferenciales Ordinarias Neuronales (Neural ODE) con Conciencia Física para pronosticar el comportamiento térmico de transformadores utilizando datos de series temporales del mundo real.

Formulación de la Dinámica Térmica: Los autores modelan el sistema térmico del transformador utilizando ecuaciones de transferencia de calor acopladas entre los devanados, el aceite de refrigeración y el entorno ambiente. Estas ecuaciones definen una estructura de espacio de estados de Markov de primer orden donde la tasa de cambio de los estados térmicos depende de los estados internos actuales y de los impulsores externos (carga de potencia activa y temperatura ambiente).
Arquitectura de la Neural ODE: En lugar de predecir directamente el siguiente paso de temperatura (como en los modelos de tiempo discreto como las LSTM), el marco parametriza la derivada en tiempo continuo del vector de estado, $dy/dt$, utilizando una red neuronal ( $NN_\theta$ ). La trayectoria de temperatura se obtiene integrando numéricamente este campo vectorial aprendido:
$y(t) = y(t_0) + \int_{t_0}^{t} NN_\theta(y(t'), x(t')) dt'$
La arquitectura preserva explícitamente la descomposición física entre los estados térmicos internos ( $y$ ) y los datos de entrada exógenos ( $x$ ).
Integración con Conciencia Física: El modelo incorpora ecuaciones simplificadas de transferencia de calor directamente en el proceso de aprendizaje. La red genera la tasa de cambio ($dy/dt$) en lugar de las temperaturas absolutas, imponiendo una estructura de transferencia de calor en tiempo continuo. Los datos de entrada exógenos se gestionan mediante interpolación lineal por tramos para proporcionar acceso en tiempo continuo durante la integración.
Estrategia de Entrenamiento: El modelo se entrena utilizando una función de pérdida compuesta que comprende el Error Cuadrático Medio (MSE) y una penalización de suavidad ( $L_{smooth}$ ) para evitar oscilaciones de alta frecuencia inconsistentes con la dinámica térmica. Se emplea una estrategia de aprendizaje por currículo, aumentando gradualmente el horizonte de predicción desde 1.25 horas hasta 2 días para acelerar la convergencia.
Conjunto de Datos: El marco fue evaluado con datos operativos de 15 transformadores distintos en Noruega, caracterizados por diversos diseños y mecanismos de enfriamiento (ONAN, ONAF, OFAF, ODAF). Los datos se registraron en intervalos de 15 minutos.

Contribuciones Clave

Formulación con Conciencia Física: La integración de ecuaciones de transferencia de calor simplificadas directamente en la arquitectura de la Neural ODE, lo que permite soluciones físicamente consistentes al tiempo que reduce los requisitos de datos en comparación con los métodos puramente basados en datos.
Modelado en Tiempo Continuo: El uso de Neural ODEs para modelar la dinámica del sistema en tiempo continuo, proporcionando robustez ante el muestreo irregular y mejores capacidades de extrapolación en comparación con los modelos de tiempo discreto como las LSTM.
Marco Estandarizado: Desarrollo de una herramienta de pronóstico estandarizada capaz de generalizarse a través de unidades de transformadores heterogéneas sin requerir constantes térmicas específicas de cada unidad.

Resultados
El rendimiento de la Neural ODE se comparó con una línea base de LSTM apilada a través de 823 combinaciones de unidades de transformadores, horizontes de entrenamiento y horizontes de pronóstico.

Requisitos de Datos: La Neural ODE requiere un mínimo de aproximadamente tres meses de datos de entrenamiento para entrar en un régimen estable y útil. Con menos de un mes de datos, el modelo muestra trayectorias inestables y divergencia catastrófica.
Métricas de Rendimiento: En el régimen estable (entrenamiento $\ge$ $\geq$ 3 meses, pronóstico $\ge$ $\geq$ 30 días):
- La Neural ODE logró un $R^2$ mediano de 0.591 y un Error Absoluto Medio (MAE) mediano de 2.04 °C.
- La línea base LSTM logró un $R^2$ mediano de 0.493 y un MAE mediano de 2.45 °C.
- La Neural ODE superó a la LSTM en el 65.2% de los casos respecto al $R^2$ y en el 70.1% de los casos respecto al MAE en este régimen operativo.
Estabilidad de Largo Horizonte: La Neural ODE demostró una estabilidad superior en el pronóstico de largo horizonte (hasta 365 días). Aunque ambos modelos mostraron degradación de rendimiento con el tiempo debido a la acumulación de errores en la integración de lazo abierto, las trayectorias físicamente acotadas de la Neural ODE resultaron en una degradación más lenta en comparación con la LSTM.
Consistencia por Unidad: La Neural ODE logró un $R^2$ mediano más alto en 14 de las 15 unidades y un MAE mediano más bajo en todas las 15 unidades, lo que indica un rendimiento consistente a través de diversos diseños de transformadores.

Significancia y Reivindicaciones
El artículo sostiene que el marco propuesto de Neural ODE con Conciencia Física logra cerrar la brecha entre los métodos numéricos computacionalmente costosos y los modelos puramente basados en datos que son frágiles. Su principal significancia radica en su capacidad para servir como un sensor virtual robusto y con conciencia física para flotas de transformadores heterogéneas.

Las principales ventajas prácticas destacadas incluyen:

Eficiencia de Datos: El modelo produce pronósticos útiles con tan solo tres meses de datos de entrenamiento, lo que lo hace adecuado para unidades nuevas o recientemente instrumentadas donde no se dispone de registros históricos prolongados.
Fiabilidad Operativa: Al proporcionar estimaciones de temperatura virtuales fiables (con un error promedio de ~2 °C durante un año), el marco puede reducir la necesidad de un despliegue denso de sensores físicos, disminuyendo los costos de monitoreo y apoyando la detección temprana de comportamientos térmicos anormales.
Generalización: El marco se generaliza eficazmente a través de diferentes diseños de transformadores y mecanismos de enfriamiento sin requerir el ajuste de parámetros específicos de la unidad.

Los autores señalan que la principal limitación sigue siendo el requisito mínimo de datos (aprox. 3 meses) para la estabilidad, y el trabajo futuro investigará estrategias de calentamiento (warmup) y aprendizaje por transferencia para reducir este umbral.