🤖 machine learning

Virtual Temperature Sensors in Power Transformers Using Neural Ordinary Differential Equations

Cet article propose un cadre d'équations différentielles ordinaires neuronales (Neural ODE) respectant la physique qui intègre des équations de transfert thermique simplifiées pour prévoir de manière précise et robuste le comportement thermique de divers transformateurs de puissance à l'aide de données de séries temporelles réelles, surmontant ainsi les limitations computationnelles des méthodes numériques traditionnelles et l'incohérence physique des modèles purement fondés sur les données.

Auteurs originaux : Berk Hadzhamolla, Alexander Johannes Stasik, Signe Riemer-Sørensen

Publié 2026-08-14

📖 10 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Berk Hadzhamolla, Alexander Johannes Stasik, Signe Riemer-Sørensen

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de prédire la météo à l'intérieur d'une boîte métallique géante et lumineuse qui ne dort jamais. Cette boîte est un transformateur de puissance, le cœur robuste du réseau électrique qui augmente ou diminue la tension pour que vos lumières restent allumées. Mais comme toute machine travailleuse, elle chauffe. Si elle devient trop chaude, l'isolation à l'intérieur vieillit plus vite, et tout l'ensemble pourrait tomber en panne, provoquant des coupures de courant. Pour la garder en sécurité, les ingénieurs doivent connaître la température des points les plus chauds à l'intérieur, mais ces points sont enfouis profondément dans l'huile et le cuivre, ce qui les rend impossibles à atteindre avec un thermomètre. Ils doivent donc deviner la température en fonction de ce qui se passe à l'extérieur, comme la quantité d'électricité qui circule et la température de l'air.

Pendant longtemps, les scientifiques ont essayé de résoudre ce puzzle de deux manières principales. La première consistait à construire un modèle 3D parfait et miniature du transformateur dans un ordinateur et à simuler chaque goutte d'huile et chaque fil. C'était incroyablement précis, mais cela demandait tellement de puissance de calcul que c'était inutile pour des décisions en temps réel. La seconde méthode consistait à utiliser des formules mathématiques simples basées sur des règles moyennes, mais elles échouaient souvent lorsque la météo changeait soudainement ou que la charge devenait inhabituelle. Récemment, les gens ont commencé à utiliser l'« Intelligence Artificielle » (IA) pour apprendre les schémas à partir de données passées. Considérez cela comme l'apprentissage d'un perroquet à répéter la bonne réponse après avoir entendu des milliers d'exemples. Mais ces perroquets d'IA peuvent être capricieux ; si vous leur posez une question sur une situation qu'ils n'ont jamais vue auparavant, ils peuvent simplement inventer une réponse farfelue qui semble plausible mais qui est physiquement impossible.

Ce document présente un nouveau type de « devineur intelligent » appelé Équation Différentielle Ordinaire Neuronale (Neural ODE) pour agir comme un capteur de température virtuel. Au lieu de simplement mémoriser les données passées comme un perroquet, ou de construire une simulation 3D lourde, cette nouvelle méthode apprend les règles de la physique tout en apprenant des données. Imaginez enseigner à un étudiant non pas seulement les réponses d'un test de mathématiques, mais aussi les lois réelles de la circulation de la chaleur. Les chercheurs ont testé cela sur de vrais transformateurs à travers la Norvège, en utilisant des données de quinze unités différentes avec des conceptions différentes. Ils ont constaté que, bien que cette nouvelle méthode ait besoin d'au moins trois mois de données pour prendre ses marques, une fois qu'elle a appris, elle devient un prédicteur bien plus fiable que les modèles d'IA standards, surtout pour regarder loin dans le futur. Elle ne se contente pas de deviner ; elle comprend que la chaleur prend du temps pour voyager, ce qui en fait un outil robuste pour maintenir le réseau en sécurité.

Le Problème : La Chaleur Invisible

Les transformateurs de puissance sont les héros méconnus de notre réseau électrique. Ils prennent l'électricité à haute tension et la convertissent en un niveau sûr pour nos maisons et nos entreprises. Mais ce processus génère beaucoup de chaleur. La partie la plus chaude, appelée le « point chaud » (hotspot), se trouve généralement profondément à l'intérieur des bobines de cuivre, cachée sous des couches d'huile. Si ce point chaud devient trop chaud, l'isolation en papier à l'intérieur vieillit rapidement, raccourcissant la durée de vie du transformateur et risquant une défaillance catastrophique.

Idéalement, nous placerions simplement un capteur directement sur le point chaud. Mais dans de nombreux transformateurs, c'est impossible. C'est pourquoi les ingénieurs utilisent des « capteurs virtuels » — des logiciels qui estiment la température cachée en fonction de choses que nous pouvons mesurer, comme la température de l'air extérieur et la quantité de puissance qui circule dans les câbles.

Les Vieilles Méthodes : Trop Lourdes, Trop Simples ou Trop Imaginaires

Avant cette nouvelle approche, il existait trois façons de construire ces capteurs virtuels, et chacune présentait un défaut majeur :

La Simulation par Super-Ordinateur : Les scientifiques utilisaient des modèles physiques complexes (comme les méthodes d'éléments finis) pour simuler chaque goutte d'huile et chaque fil. Ces modèles étaient très précis mais nécessitaient tellement de puissance de calcul qu'ils ne pouvaient pas fonctionner en temps réel. C'était comme essayer de prédire la météo en simulant chaque molécule d'air dans l'atmosphère — trop lent pour une prévision rapide.
Les Modèles Mathématiques Simples : Ceux-ci utilisaient des équations simplifiées avec des nombres fixes (constantes) pour chaque transformateur. Ils étaient rapides mais rigides. Si le transformateur était vieux, ou si la météo était étrange, ou si le système de refroidissement fonctionnait différemment, ces modèles se trompaient souvent car ils ne pouvaient pas s'adapter.
Les Modèles d'IA Pure : Récemment, des gens ont essayé d'utiliser l'IA standard (comme les réseaux LSTM) pour apprendre à partir des données. Elles sont excellentes pour repérer des schémas, mais fonctionnent comme une « boîte noire ». Elles ne connaissent pas les lois de la physique. Si vous leur demandez de prédire la température pour un jour qu'elles n'ont jamais vu, elles peuvent dériver vers des résultats impossibles, comme prédire que l'huile refroidit alors que la charge augmente. Elles ont besoin de quantités massives de données pour bien fonctionner et peuvent être instables sur de longues périodes.

La Nouvelle Solution : L'IA Sensible à la Physique

Les auteurs de ce document ont proposé une approche hybride : les Équations Différentielles Ordinaires Neuronales (Neural ODEs).

Considérez une IA standard comme un étudiant qui mémorise les réponses d'un examen blanc. Si l'examen change légèrement, l'étudiant panique. Une Neural ODE est comme un étudiant qui mémorise les formules et la logique derrière les réponses.

Dans ce cadre spécifique, les chercheurs n'ont pas simplement laissé l'IA deviner la température suivante. Au lieu de cela, ils ont forcé l'IA à deviner le taux de variation (la vitesse à laquelle la température monte ou descend) en fonction de l'état actuel et de la physique du transfert de chaleur.

L'Analogie : Imaginez que vous conduisez une voiture. Une IA standard essaie de deviner où vous serez dans 10 minutes en regardant votre vitesse passée. Une Neural ODE comprend que vous appuyez actuellement sur la pédale d'accélérateur (la charge) et que la voiture a un poids (la masse thermique). Elle calcule votre accélération puis intègre cela pour trouver votre position future. Cela garantit que la prédiction suit les lois de la physique, même si les données sont désordonnées ou irrégulières.

Ils ont construit ce modèle pour gérer des données du monde réel, qui sont souvent désordonnées. Les capteurs peuvent manquer une lecture ici ou là, ou les données peuvent arriver à des intervalles irréguliers. Comme les Neural ODEs fonctionnent en « temps continu » (comme un film fluide) plutôt qu'en « temps discret » (comme un flipbook), elles gèrent ces lacunes bien mieux que les anciens modèles d'IA.

L'Expérience : Test sur de Vrais Transformateurs

L'équipe n'a pas seulement fait tourner cela sur une simulation informatique ; ils l'ont testé sur 15 vrais transformateurs de puissance situés dans différentes parties de la Norvège. Ces transformateurs avaient des conceptions, des systèmes de refroidissement et des historiques de fonctionnement différents.

Ils ont injecté dans le modèle des données enregistrées toutes les 900 secondes (15 minutes). Les données comprenaient :

La charge de puissance active (la quantité d'électricité qui circulait).
La température ambiante (la chaleur de l'air extérieur).
Les températures réelles de l'huile et de l'enroulement (pour entraîner le modèle).

Ils ont comparé leur nouveau modèle Neural ODE à un modèle d'IA standard (LSTM) pour voir qui prédirait mieux la température future. Ils ont testé différentes quantités de données d'entraînement, d'une semaine à deux ans, et différentes longueurs de prévision, d'un jour à une année complète.

Les Résultats : La Patience Paie

Les résultats étaient clairs, mais ils comportaient une condition.

1. La règle des « Trois Mois » :
Le nouveau modèle a besoin de temps pour apprendre. Si vous ne lui donnez qu'une semaine de données, il échoue lamentablement. Les prédictions deviennent chaotiques et physiquement impossibles. Les auteurs ont constaté que le modèle a besoin d'au moins trois mois de données pour se stabiliser. Cela fait sens car trois mois couvrent un trimestre saisonnier complet en Norvège, permettant au modèle de voir comment le transformateur réagit à toute la gamme de changements de température de l'hiver à l'été.

2. Meilleur que la Concurrence :
Une fois que le modèle avait au moins trois mois de données, il surpassait nettement l'IA standard (LSTM).

Précision : Dans le régime « stable » (3 mois d'entraînement), la Neural ODE avait une erreur médiane (MAE) de 2,04 °C, tandis que la LSTM avait 2,45 °C.
Fiabilité : Sur des périodes de prévision longues (comme 30 à 365 jours), la Neural ODE restait beaucoup plus proche de la température réelle. La LSTM standard avait tendance à s'éloigner, produisant des résultats « physiquement incohérents », tandis que les prédictions de la Neural ODE restaient fluides et ancrées dans la réalité.
Cohérence : À travers les 15 transformateurs, la Neural ODE était plus précise dans 64,8 % des cas et avait une erreur plus faible dans 64,8 % des cas par rapport à la LSTM. Elle a été plus performante sur 14 des 15 transformateurs individuels.

3. La Vision à Long Terme :
Le modèle est particulièrement efficace pour la prévision à « horizon moyen à long » (30 jours à un an). Alors que l'IA standard a du mal à prédire un an à l'avance sans dériver, la Neural ODE maintient une précision raisonnable, avec une erreur médiane tournant autour de 2 °C même pour une prévision de 365 jours. C'est crucial pour les gestionnaires d'actifs qui doivent planifier les calendriers de maintenance longtemps à l'avance.

Pourquoi Cela Importe

Ce n'est pas seulement une victoire théorique ; c'est un outil pratique pour maintenir les lumières allumées.

Capteur Virtuel : Cela permet aux opérateurs de réseau de « voir » les points chauds cachés sans installer de capteurs physiques coûteux et fragiles à l'intérieur de chaque transformateur.
Économies de Coûts : Cela réduit le besoin de réseaux de capteurs denses, abaissant les coûts de maintenance.
Sécurité : En fournissant des prévisions à long terme plus fiables, cela aide à prévenir la surchauffe et prolonge la vie des transformateurs.

Les auteurs suggèrent que, bien que le modèle ait besoin d'une période de « chauffe » d'environ trois mois, c'est un outil robuste et sensible à la physique qui fonctionne bien sur différents types de transformateurs. Il comble le fossé entre les simulations physiques lourdes et lentes et l'IA pure, gourmande en données et peu fiable, offrant un « point idéal » qui est à la fois intelligent et scientifiquement fondé.

En résumé, cette nouvelle méthode apprend à l'ordinateur les règles de la chaleur, et non pas seulement les réponses, ce qui en fait un bien meilleur prévoyeur de météo pour la chaleur invisible à l'intérieur de notre réseau électrique.

Résumé Technique : Capteurs de Température Virtuels dans les Transformateurs de Puissance à l'aide des Équations Différentielles Ordinaires Neurales

Énoncé du Problème
L'estimation et la prévision précises des températures internes des transformateurs de puissance (spécifiquement les températures de l'huile supérieure, des enroulements et des points chauds) sont cruciales pour la surveillance de l'état, le contrôle de la surcharge et la maintenance prédictive. Les approches existantes souffrent de limitations distinctes :

Les méthodes numériques à haute fidélité (par exemple, les méthodes des éléments finis, la mécanique des fluides numérique) offrent des représentations physiques détaillées mais sont trop coûteuses en termes de calcul pour les applications en temps réel et nécessitent une connaissance complète des géométries et des paramètres internes.
Les modèles thermiques à paramètres localisés sont efficaces sur le plan computationnel mais dépendent de constantes thermiques spécifiques au transformateur qui sont souvent inconnues et peinent à capturer les réponses dynamiques sous des conditions de fonctionnement et environnementales variables.
Les modèles d'apprentissage automatique purement axés sur les données (par exemple, les ANN, les LSTM, les CNN) peuvent apprendre des mappages non linéaires sans formulation physique explicite mais nécessitent généralement de grands volumes de données d'entraînement de haute qualité. Ils manquent souvent d'interprétabilité physique et risquent de produire des résultats physiquement incohérents ou de diverger lors de prévisions à long horizon.

Méthodologie
Le document propose un cadre d'Équations Différentielles Ordinaires Neurales (Neural ODE) respectant la physique pour prévoir le comportement thermique des transformateurs à l'aide de données de séries temporelles réelles.

Formulation de la Dynamique Thermique : Les auteurs modélisent le système thermique du transformateur en utilisant des équations de transfert de chaleur couplées entre les enroulements, l'huile de refroidissement et l'environnement ambiant. Ces équations définissent une structure d'espace d'état de Markov du premier ordre où le taux de variation des états thermiques dépend des états internes actuels et des facteurs externes (charge de puissance active et température ambiante).
Architecture Neural ODE : Au lieu de prédire directement la prochaine étape de température (comme dans les modèles à temps discret comme les LSTM), le cadre paramètre la dérivée continue du vecteur d'état, $dy/dt$, à l'aide d'un réseau de neurones ( $NN_\theta$ ). La trajectoire de température est obtenue par intégration numérique de ce champ de vecteurs appris :
$y(t) = y(t_0) + \int_{t_0}^{t} NN_\theta(y(t'), x(t')) dt'$
L'architecture préserve explicitement la décomposition physique entre les états thermiques internes ( $y$ ) et les entrées exogènes externes ( $x$ ).
Intégration Respectueuse de la Physique (Physics-Aware) : Le modèle incorpore directement dans le processus d'apprentissage des équations simplifiées de transfert de chaleur. Le réseau produit le taux de variation ($dy/dt$) plutôt que les températures absolues, imposant une structure de transfert de chaleur en temps continu. Les entrées exogènes sont gérées via une interpolation linéaire par morceaux pour fournir un accès en temps continu pendant l'intégration.
Stratégie d'Entraînement : Le modèle est entraîné à l'aide d'une fonction de perte composite comprenant l'erreur quadratique moyenne (MSE) et une pénalité de lissage ( $L_{smooth}$ ) pour décourager les oscillations à haute fréquence incompatibles avec la dynamique thermique. Une stratégie d'apprentissage par curriculum est employée, augmentant progressivement l'horizon de prédiction de 1,25 heure à 2 jours pour accélérer la convergence.
Jeu de Données : Le cadre a été évalué sur des données opérationnelles de 15 transformateurs distincts en Norvège, caractérisés par des conceptions et des mécanismes de refroidissement variés (ONAN, ONAF, OFAF, ODAF). Les données ont été enregistrées à des intervalles de 15 minutes.

Principales Contributions

Formulation Respectueuse de la Physique : L'intégration d'équations de transfert de chaleur simplifiées directement dans l'architecture Neural ODE, permettant des solutions physiquement cohérentes tout en réduisant les besoins en données par rapport aux méthodes purement axées sur les données.
Modélisation en Temps Continu : Utilisation des Neural ODE pour modéliser la dynamique du système en temps continu, offrant une robustesse aux échantillonnages irréguliers et de meilleures capacités d'extrapolation par rapport aux modèles à temps discret comme les LSTM.
Cadre Standardisé : Développement d'un outil de prévision standardisé capable de se généraliser à des unités de transformateurs hétérogènes sans nécessiter de constantes thermiques spécifiques au transformateur.

Résultats
Les performances de la Neural ODE ont été comparées à une base de référence LSTM empilé sur 823 combinaisons d'unités de transformateurs, d'horizons d'entraînement et d'horizons de prévision.

Besoins en Données : La Neural ODE nécessite environ trois mois de données d'entraînement pour entrer dans un régime stable et utile. Avec moins d'un mois de données, le modèle présente des trajectoires instables et une divergence catastrophique.
Métriques de Performance : Dans le régime stable (entraînement $\ge$ $\geq$ 3 mois, prévision $\ge$ $\geq$ 30 jours) :
- La Neural ODE a atteint un $R^2$ médian de 0,591 et une erreur absolue moyenne (MAE) médiane de 2,04 °C.
- La base de référence LSTM a atteint un $R^2$ médian de 0,493 et une MAE médiane de 2,45 °C.
- La Neural ODE a surpassé le LSTM dans 65,2 % des cas concernant le $R^2$ et dans 70,1 % des cas concernant la MAE dans ce régime opérationnel.
Stabilité à Long Horizon : La Neural ODE a démontré une stabilité supérieure dans les prévisions à long horizon (jusqu'à 365 jours). Bien que les deux modèles montrent une dégradation des performances au fil du temps en raison de l'accumulation d'erreurs dans l'intégration en boucle ouverte, les trajectoires physiquement bornées de la Neural ODE entraînent une dégradation plus lente par rapport au LSTM.
Cohérence par Unité : La Neural ODE a obtenu un $R^2$ médian plus élevé sur 14 des 15 unités et une MAE médiane plus faible sur l'ensemble des 15 unités, indiquant une performance cohérente à travers diverses conceptions de transformateurs.

Signification et Revendications
L'article affirme que le cadre Neural ODE proposé, respectueux de la physique, parvient à combler le fossé entre les méthodes numériques coûteuses en calcul et les modèles purement axés sur les données qui sont fragiles. Sa principale importance réside dans sa capacité à servir de capteur virtuel robuste et respectueux de la physique pour des flottes de transformateurs hétérogènes.

Les principaux avantages pratiques mis en évidence incluent :

Efficacité des Données : Le modèle produit des prévisions utiles avec seulement trois mois de données d'entraînement, ce qui le rend adapté aux unités nouvelles ou récemment instrumentées où les archives historiques longues sont indisponibles.
Fiabilité Opérationnelle : En fournissant des estimations de température virtuelles fiables (avec une erreur moyenne de ~2 °C sur un an), le cadre peut réduire le besoin de déploiement de capteurs physiques denses, abaissant ainsi les coûts de surveillance tout en soutenant la détection précoce de comportements thermiques anormaux.
Généralisation : Le cadre se généralise efficacement à travers différents designs de transformateurs et mécanismes de refroidissement sans nécessiter de réglage de paramètres spécifique à l'unité.

Les auteurs notent que la principale limitation reste l'exigence minimale de données (environ 3 mois) pour la stabilité, et que les travaux futurs étudieront les stratégies de préchauffage (warmup) et le transfert d'apprentissage pour abaisser ce seuil.