⚡ electrical engineering

Physics-Guided Top-Oil Temperature Prediction for Operational Thermal-State Assessment of Oil-Immersed Power Transformers

Este artículo propone TIR-MSTLA, un marco de trabajo guiado por la física que combina un modelo de balance térmico de primer orden con aprendizaje residual adaptativo y mecanismos de atención multiescala para mejorar significativamente la precisión de las predicciones de la temperatura del aceite superior a corto plazo para transformadores de potencia inmersos en aceite bajo condiciones de campo variables.

Autores originales: Chengjie Wang, Xiaozhou Fan, Bowen Liu, Yidi Liu, Bowen Xue

Publicado 2026-09-15

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Chengjie Wang, Xiaozhou Fan, Bowen Liu, Yidi Liu, Bowen Xue

Artículo original bajo licencia CC BY 4.0 (https://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

Dentro de las enormes y zumbantes bóvedas de las subestaciones eléctricas, los transformadores de potencia sumergidos en aceite se erigen como los guardianes silenciosos de la red. Estos no son meramente cajas de metal; son complejos motores térmicos que convierten la electricidad mientras generan un calor inmenso. Para evitar que se sobrecalienten y fallen, los ingenieros deben monitorear constantemente la temperatura del aceite en la parte superior del tanque. Esta "temperatura del aceite superior" es la pista principal que indica a los operadores qué tan duro está trabajando el transformador y cuánto más de carga puede manejar de forma segura antes de que su aislamiento interno comience a degradarse. Si el aceite se calienta demasiado, el transformador envejece rápidamente, con el riesgo de una falla catastrófica que podría dejar regiones enteras a oscuras. Durante décadas, la forma estándar de predecir esta temperatura ha sido confiar en reglas matemáticas fijas derivadas de la placa de características del fabricante. Estas reglas asumen que el transformador se comporta como una máquina perfecta e inalterable, reaccionando a los cambios de carga con un ritmo predecible y constante.

Sin embargo, los transformadores del mundo real están lejos de ser máquinas perfectas. Envejecen, sus sistemas de enfriamiento cambian su eficiencia con las estaciones y el flujo de aceite dentro de ellos cambia de formas que las reglas fijas no pueden capturar. Cuando el clima se vuelve frío o la carga aumenta inesperadamente, estos modelos estándar suelen quedarse atrás, prediciendo una temperatura que es demasiado alta o demasiado baja en comparación con la realidad. Este desfase es peligroso porque puede conducir a restricciones de potencia innecesarias o, lo que es peor, a una falta de advertencia a los operadores sobre una crisis térmica inminente. El desafío central para los científicos es crear un método de predicción que respete las leyes fundamentales de la física —para que sea confiable— pero que sea lo suficientemente flexible como para aprender del comportamiento específico y desordenado de cada transformador individual en el campo.

Un equipo de investigadores de la Universidad de Energía Eléctrica de China del Norte ha desarrollado un nuevo enfoque para resolver este problema, creando un sistema que combina la estabilidad de la física con la adaptabilidad del aprendizaje de datos moderno. Su método, probado en transformadores reales que operan a 110 kilovoltios y 220 kilovoltios, comienza construyendo una base física sólida. Esta base actúa como un punto de referencia confiable, calculando cuál debería ser la temperatura basándose en la carga, la temperatura del aire exterior y las especificaciones de diseño originales del transformador. Utiliza un concepto simple de balance de calor de primer orden: el aceite se calienta a medida que la electricidad fluye a través de él y se enfría a medida que pierde calor hacia el entorno, un proceso que toma tiempo. Este modelo físico asegura que la predicción nunca se desvíe hacia un territorio imposible, manteniendo los resultados anclados en la realidad.

Pero los investigadores sabían que esta base física por sí sola no era suficiente para manejar las peculiaridades de la operación en campo. Para cerrar la brecha entre el modelo ideal y la máquina real, añadieron una capa de aprendizaje inteligente que actúa como un mecanismo de corrección. Este sistema no intenta adivinar la temperatura desde cero; en su lugar, aprende los errores "residuales" específicos —las pequeñas y consistentes diferencias entre lo que el modelo físico predice y lo que los sensores realmente miden. Presta mucha atención a cómo el transformador reacciona a través de diferentes escalas de tiempo, desde el sacudida inmediata de un cambio de carga hasta la acumulación de calor lenta y progresiva a lo largo de los días. Al analizar estos patrones, el sistema puede ajustar su predicción en tiempo real, compensando cosas como un radiador que es ligeramente menos eficiente de lo que sugiere el manual de diseño o un flujo de aceite local que ha cambiado debido al envejecimiento.

Los resultados de este enfoque híbrido fueron sorprendentes cuando se probaron contra un año de datos continuos de campo de dos transformadores diferentes. El nuevo método demostró ser significamente más preciso que los modelos tradicionales de parámetros fijos utilizados por los estándares de la industria, así como más confiable que varios algoritmos avanzados basados únicamente en datos que dependen solo de patrones históricos. En el transformador de 110 kilovoltios, el nuevo sistema redujo el error de predicción promedio en un 77 por ciento en comparación con el modelo estándar, bajando el error a tan solo 0.145 grados Celsius. En la unidad más grande de 220 kilovoltios, redujo el error en un 53 por ciento, logrando un error promedio de 0.178 grados Celsius. Quizás lo más importante para la seguridad, los investigadores encontraron que el error de predicción nunca excedió los dos grados Celsius durante cualquier período continuo de operación, un nivel de estabilidad que los modelos antiguos simplemente no podían mantener, especialmente durante los cambios estacionales o cambios repentinos de carga.

Este nivel de precisión tiene consecuencias directas y prácticas para la gestión de las redes eléctricas. Debido a que la predicción es tan precisa, los operadores pueden confiar en los números al decidir cuánta electricidad puede transportar de forma segura un transformador. El sistema proporciona una banda estrecha y confiable de incertidumbre alrededor de la temperatura predicha, lo que permite a los ingenieros calcular un "margen de carga" con confianza. Si la temperatura predicha está cerca de un límite de seguridad, el pequeño margen de error significa que saben exactamente qué tan cerca están de la zona de peligro, en lugar de adivinar basándose en un rango amplio e incierto. Esta precisión también mejora la evaluación del envejecimiento del aislamiento. Dado que la tasa a la que el aislamiento del transformador se degrada es extremadamente sensible a la temperatura, incluso un pequeño error en la predicción puede conducir a un gran error de cálculo en su vida útil restante. Al reducir el error de predicción del nivel de grados al nivel de sub-grados, el nuevo método estrecha la incertidumbre en los cálculos de envejecimiento, asegurando que los transformadores no sean retirados prematuramente ni llevados más allá de sus límites seguros.

El estudio demuestra que el futuro del monitoreo de las redes eléctricas no reside en elegir entre las leyes físicas rígidas y el aprendizaje de datos flexible, sino en combinarlos. Al anclar la predicción en la física fundamental de la transferencia de calor y luego usar los datos para corregir las imperfecciones únicas de cada máquina, los investigadores han creado una herramienta que es tanto científicamente sólida como prácticamente robusta. Este enfoque ofrece una forma de mantener la red funcionando de manera más eficiente y segura, asegurando que los guardianes silenciosos de la red eléctrica sean monitoreados con una claridad que antes era inalcanzable. El trabajo confirma que cuando la física guía el proceso de aprendizaje, el resultado es un sistema que entiende la máquina no solo como una colección de puntos de datos, sino como una pieza de infraestructura viva y palpitante que responde al mundo que la rodea.

Resumen Técnico: Predicción de la Temperatura del Aceite Superior Guiada por la Física para la Evaluación del Estado Térmico Operativo

Planteamiento del Problema
La temperatura del aceite superior ( $T_o$ ) es una variable operativa crítica para los transformadores de potencia sumergidos en aceite, sirviendo como la entrada principal para las guías de carga (IEEE Std C57.91, IEC 60076-7), la estimación del punto caliente y las evaluaciones del envejecimiento del aislamiento. Sin embargo, la predicción precisa a corto plazo en operaciones de campo es un desafío debido a la inercia térmica específica del equipo, las fronteras ambientales variables y las cambiantes eficiencias de enfriamiento. Los enfoques existentes enfrentan limitaciones:

Los modelos térmicos de parámetros fijos (por ejemplo, los modelos estándar IEEE/IEC) a menudo no logran capturar fenómenos de campo como la redistribución local del flujo de aceite, las variaciones en la eficiencia del radiador o las fronteras ambientales dependientes de la estación, debido a que asumen una resistencia y capacitancia térmica estáticas.
Los predictores puramente basados en datos (por ejemplo, LSTM, Transformer) pueden capturar relaciones no lineales, pero pueden exhibir desfases, desviaciones de pico o fluctuaciones no físicas cuando las restricciones físicas son débiles, particularmente bajo cambios de carga o estacionales.

El objetivo es desarrollar un marco de predicción que mantenga la interpretabilidad física de los modelos térmicos estándar mientras se adapta a las desviaciones de la realidad de campo para apoyar el monitoreo de condición y la evaluación del margen de carga.

Metodología: El Marco TIR-MSTLA
Los autores proponen TIR-MSTLA (Thermal-Inertia-Residual Multi-Scale Time-delay Attention), un marco de aprendizaje guiado por la física. El modelo descompone la temperatura de aceite superior predicha ( $\hat{T}_{o,t}$ ) en cuatro componentes:
$\hat{T}_{o,t} = T_{phy,t} + \Delta T_{res,t} + \Delta T_{data,t} + b_t$

Referencia Física ( $T_{phy,t}$ ): Una recursión de balance de calor de primer orden sirve como columna vertebral física, consistente con las guías de carga. Calcula la trayectoria basada en el factor de carga, la temperatura ambiente y los parámetros de placa de características.
Parámetros Térmicos Adaptativos: Para abordar las desviaciones de campo, la resistencia térmica equivalente ( $R$ ) y la capacitancia ( $C$ ) se modelan como funciones dependientes del estado operativo utilizando redes de corrección y embeddings de equipo (derivados de los datos de placa). Esto permite que la constante de tiempo térmica ( $\tau$ ) se adapte dinámicamente.
Atención de Retraso Temporal Multiescala: Reconociendo que la respuesta térmica involucra acumulación de calor a corto, mediano y largo plazo, el modelo utiliza tres ventanas de historial restringidas por la constante de tiempo térmica. Un mecanismo de extracción de secuencia causal con pesos de atención fusiona las características de estas diferentes escalas temporales.
Aprendizaje de Residuos y Corrección de Sesgo:
- Rama de Residuo: Aprende las desviaciones no modeladas físicamente (por ejemplo, la redistribución del flujo local) utilizando características del proceso térmico.
- Sesgo Dinámico: Corrige los desplazos sistemáticos dependientes del estado operativo.
Entrenamiento Guiado por la Física: El modelo se entrena con una función de pérdida compuesta que incluye el error de predicción ( $L_{pred}$ ) y una pérdida de residuo de balance de calor ( $L_{phy}$ ). Esta última impone la consistencia física al penalizar las violaciones de la ecuación de balance de energía durante el entrenamiento, asegurando que el modelo no aprenda dinámicas no físicas.

Contribuciones Clave

Desarrollo del Marco: Un marco de predicción guiado por la física que construye una referencia térmica consistente con las guías de carga y la utiliza como columna vertebral física, permitiendo la comparación directa y la mejora sobre los modelos estándar de parámetros fijos.
Compensación Adaptativa: Introducción de parámetros térmicos adaptativos y aprendizaje de residuos para compensar las desviaciones específicas de campo (variaciones de la frontera de enfriamiento, diferencias en la condición del equipo) que los modelos fijos no pueden capturar.
Estructura Temporal: Una estructura de atención de retardo temporal multiescala guiada por la constante de tiempo térmica, diseñada para capturar el acoplamiento de múltiples escalas de tiempo inherente a la dinámica térmica del transformador.
Validación de Campo: Evaluación exhaustiva utilizando conjuntos de datos de campo de un año de transformadores ONAN de 110 kV y 220 kV, vinculando las bandas de error empíricas con aplicaciones de ingeniería práctica.

Resultados Experimentales
El método fue validado en dos conjuntos de datos (110 kV y 220 kV) que abarcan aproximadamente 12 meses, con un horizonte de predicción de 15 minutos.

Precisión: TIR-MSTLA logró un Error Absoluto Medio (MAE) de 0.1450 °C (110 kV) y 0.1776 °C (220 kV), y un RMSE de 0.3577 °C y 0.4862 °C, respectivamente.
Mejora: En comparación con el modelo estándar IEEE/IEC de parámetros fijos, el método redujo el MAE de prueba en un 77.0% (110 kV) y un 53.1% (220 kV). También superó a las bases de comparación basadas en datos (LSTM, Transformer, PINN).
Estabilidad: Todos los errores absolutos de segmento continuo se mantuvieron por debajo de 2 °C. Los errores del percentil 95 fueron 0.3525 °C y 0.4326 °C para las dos unidades.
Robustez: El análisis a nivel mensual mostró que, mientras que el modelo de parámetros fijos se degradó significativamente durante los cambios estacionales (por ejemplo, el RMSE aumentó de 0.369 a 1.019 °C para la unidad de 220 kV), TIR-MSTLA mantuvo una precisión estable de sub-grado.

Significancia y Reivindicaciones
El artículo posiciona al método propuesto no como un reemplazo para la protección del transformador o las reglas de despacho, sino como una entrada validada en campo para la evaluación del estado térmico operativo.

Reducción de la Incertidumbre: Al reducir los errores de predicción al nivel de sub-grado, el método estrecha la "banda de incertidumbre" alrededor de los límites térmicos. Esto permite una clasificación más precisa de los estados térmicos (normal vs. advertencia vs. alto riesgo) cerca de los umbrales de alarma.
Margen de Carga: El perfil de error estable respalda las evaluaciones conservadoras del margen de carga, donde la incertidumbre de la predicción se contabiliza explícitamente en el cálculo del espacio disponible para la carga.
Envejecimiento del Aislamiento: Los autores demuestran que la reducción del error de predicción del aceite superior reduce significativamente la incertidumbre en los cálculos posteriores. Para un error de ±0.5 °C, el cambio relativo inducido en el factor de aceleración del envejecimiento ( $F_{AA}$ ) se limita aproximadamente al 12–15%, mientras que un error de 2 °C (típico de las bases de comparación) se propagaría al 50–60%.
Compatibilidad: El marco está diseñado para ser directamente compatible con las cadenas de cálculo de punto caliente y pérdida de vida estándar (IEEE Std C57.91/IEC 60076-7), proporcionando una entrada intermedia más precisa sin alterar los estándares físicos subyacentes.

Los autores concluyen que la predicción del aceite superior guiada por la física sirve como una entrada auxiliar robusta a nivel de equipo para el monitoreo de condición y el cribado de riesgos, cerrando la breancia entre los modelos térmicos teóricos y las complejas realidades de campo. Se identifica como trabajo futuro la extensión del marco hacia la previsión de múltiples pasos y la estimación directa del punto caliente con validación de sensores.

Más como este