Virtual Temperature Sensors in Power Transformers Using Neural Ordinary Differential Equations

あなたは、決して眠ることのない、巨大で光り輝く金属の箱の中の天気を予測しようとしているところだと想像してください。この箱は、電圧を上げたり下げたりして、私たちの明かりを灯し続ける電気グリッドの重厚な心臓部、電力用変圧器です。しかし、どんな働き者の機械も、熱を持つことがあります。もし熱くなりすぎると、内部の絶縁体が急速に劣化し、ブラックアウト（停電）を引き起こす故障につながるかもしれません。これを防ぐために、エンジニアは内部の最も熱い場所の温度を知る必要がありますが、それらの場所はオイルと銅の奥深くに埋もれており、そこに温度計を差し込むことは不可能です。そのため、彼らは電気の流量や外気温といった、外部で起きている現象に基づいて温度を推測しなければなりません。

長い間、科学者たちはこのパズルを解くために主に2つの方法を試してきました。1つ目は、コンピュータの中に変圧器の完璧なミニチュア3Dモデルを構築し、オイルの一滴一滴やすべてのワイヤーをシミュレートする方法です。これは非常に正確ですが、膨大な計算能力を必要とするため、リアルタイムの意思決定には役に立ちません。2つ目は、平均的なルールに基づいた単純な数学公式を使用する方法でしたが、これらは天気が急変したり、負荷が異常になったりすると、しばしば失敗しました。近年では、「人工知能（AI）」を使用して過去のデータからパターンを学習させる手法が使われ始めました。これは、何千もの例を聞いた後に正しい答えを叫ぶオウムを教え込むようなものです。しかし、これらの「AIオウム」は扱いが難しいことがあります。見たことがない状況について尋ねると、もっともらしく聞こえるものの、物理的には不可能なデタラメな答えを生成してしまうことがあるのです。

本論文では、仮想温度センサーとして機能する「Neural Ordinary Differential Equation（Neural ODE）」と呼ばれる新しい種類の「スマートな推測器」を紹介しています。単に過去のデータを暗記するだけのオウムではなく、この新しい手法は、データから学習すると同時に「物理法則」をも学習します。これは、学生に数学のテストの答えだけでなく、熱がどのように移動するかという実際の法則を教えるようなものです。研究者たちは、ノルウェー中の実在の変圧器を用いてこの手法をテストしました。そこには、異なる設計を持つ15台のユニットのデータが含まれています。彼らは、この新しい手法が、標準的なAIモデルよりも、特に将来を予測する際に、はるかに信頼性の高い予測者になることを発見しました。この手法は単に推測するのではなく、熱が伝わるには時間がかかるということを理解しているため、グリッドの安全を守るための堅牢なツールとなります。

問題点：目に見えない熱

電力用変圧器は、私たちの電気グリッドにおける、縁の下の力持ちです。これらは高電圧の電気を取り込み、私たちの家庭やビジネスに適したレベルに変換します。しかし、このプロセスは大量の熱を発生させます。最も熱い部分である「ホットスポット」は、通常、巻線のコイルの奥深く、オイルの層の下に隠れています。もしこのホットスポットが熱くなりすぎると、内部の紙絶縁体が急速に劣化し、変圧器の寿命を縮め、壊滅的な故障を招くリスクがあります。

理想的には、ホットスポットに直接センサーを取り付けたいところです。しかし、多くの変圧器ではそれは不可能です。そのため、エンジニアは「仮想センサー」を使用します。これは、外気温度や電線に流れる電力量など、私たちが「測定できるもの」に基づいて、隠れた温度を推定するソフトウェアです。

旧来の手法：重すぎる、単純すぎる、あるいは推測に頼りすぎる

この新しいアプローチが登場する前、これらの仮想センサーを構築するには主に3つの方法があり、それぞれに大きな欠陥がありました。

1. スーパーコンピュータによるシミュレーション： 科学者たちは、複雑な物理モデル（有限要素法など）を使用して、オイルの一滴一滴やワイヤーをシミュレートしました。これらは非常に正確でしたが、膨大な計算能力を必要としたため、リアルタイムで実行することができませんでした。それは、大気の分子一つ一つの動きをシミュレートすることで天気を予測しようとするようなもので、迅速な予測には向きませんでした。
2. 単純な数学モデル： これらは各変圧器に対して固定された数値（定数）を用いた簡略化された方程式を使用していました。これらは高速ですが、柔軟性に欠けます。変圧器が古くなったり、天気が異常だったり、冷却システムが通常と異なって動作したりすると、適応できないため、しばしば誤った結果を出しました。
3. 純粋なAIモデル： 最近では、標準的なAI（LSTMネットワークなど）を使用してデータから学習させる試みが行われています。これらはパターンの特定には優れていますが、「ブラックボックス」のようなものです。彼らは物理法則を知りません。もし見たことがない日の温度予測を求められた場合、負荷が増加しているのにオイルが冷えるといった、物理的に矛盾した予測をしてしまう可能性があります。また、うまく機能させるためには膨大な量のデータを必要とし、長期間の予測において不安定になることがあります。

新しい解決策：物理学を理解したAI

著者らは、ハイブリッドなアプローチである**Neural Ordinary Differential Equations (Neural ODEs)**を提案しました。

標準的なAIを「練習テストの答えを暗記している学生」だと考えてください。テストの内容が少し変わるだけで、その学生はパニックに陥ります。一方、Neural ODEは「答えの背後にある公式や論理を暗記している学生」です。

この特定のフレームワークにおいて、研究者たちは単にAIに次の温度を推測させたのではありません。代わりに、現在の状態と熱伝達の物理学に基づいて、変化率（温度が上昇または下降する速さ）を推測するようにAIに強制しました。

• 比喩： あなたが車を運転していると想像してください。標準的なAIは、過去の速度を見て10分後のあなたの位置を予測しようとします。しかし、Neural ODEは、あなたが現在アクセルを踏んでいること（負荷）、そして車には重さがあること（熱容量）を理解しています。それはあなたの「加速度」を計算し、それを積分することで、将来の位置を導き出します。これにより、データが乱れていても、予測が物理法則に従うことが保証されます。

彼らは、データが乱れやすい現実世界のデータを扱えるようにこのモデルを構築しました。センサーが時々読み取りを逃したり、データが不規則な間隔で送られてきたりすることもあります。Neural ODEは、離散的な時間（パラパラ漫画のようなもの）ではなく、「連続的な時間」（滑らかな映画のようなもの）で動作するため、これらのデータの欠落を古いAIモデルよりもはるかにうまく処理できます。

実験：実在の変圧器によるテスト

チームは単にコンピュータシミュレーション上で走らせたのではなく、ノルウェーのさまざまな場所に設置された15台の実在の電力用変圧器を用いてテストを行いました。これらの変圧器は、それぞれ異なる設計、冷却システム、および運用履歴を持っていました。

モデルには、900秒（15分）ごとに記録されたデータを入力しました。データには以下が含まれます。

• 有効電力負荷（どれだけの電力が流れているか）。
• 周囲温度（外気がどれほど暑いか）。
• 実際の油温および巻線温度（モデルの学習用）。

彼らは、自分たちの新しいNeural ODEモデルが、標準的なAIモデル（LSTM）と比較して、どちらが将来の温度をより良く予測できるかを検証しました。学習データの量（1週間から2年間まで）や、予測期間（1日から1年間まで）を変えてテストを行いました。

結果：忍耐が実を結ぶ

結果は明白でしたが、一つ条件がありました。

1. 「3ヶ月のルール」：
新しいモデルには学習のための時間が必要です。もし1週間分のデータしか与えなければ、モデルは無残に失敗します。予測は混沌とし、物理的に不可能なものになります。著者らは、モデルが安定するためには少なくとも3ヶ月のデータが必要であることを発見しました。これは理にかなっています。なぜなら、3ヶ月間あればノルウェーの季節の四半期をカバーでき、冬から夏への温度変化の全範囲に対して、変圧器がどのように反応するかをモデルが学習できるからです。

2. 競合相手よりも優れた性能：
モデルが少なくとも3ヶ月のデータを保有すると、標準的なAI（LSTM）を大幅に上回る性能を示しました。

• 精度： 「安定期」（3ヶ月の学習）において、Neural ODEの平均絶対誤差（MAE）は2.04 °Cでしたが、LSTMは2.45 °Cでした。
• 信頼性： 長期予測（30日から365日間）において、Neural ODEは実温度にずっと近い値を維持しました。標準的なAIは、予測が外れていく傾向があり、物理的に矛盾した結果を生み出しましたが、Neural ODEの予測は滑らかで、現実に即したものでした。
• 一貫性： 15台の変圧器全体を通して、Neural ODEは**64.8%**のケースでLSTMよりも正確であり、誤差も小さくなりました。個別の15台の変圧器のうち、14台においてLSTMよりも優れたパフォーマンスを発揮しました。

3. 長期的な視点：
このモデルは、「中長期的な予測」（30日から1年間）において特に優れています。標準的なAIは、1年先を予測しようとすると現実から逸脱しがちですが、Neural ODEは、365日間の予測であっても平均誤差を約2 °C前後に保ち、妥当な精度を維持しました。これは、メンテナンス計画を事前に立てる必要がある資産管理者にとって極めて重要です。

なぜこれが重要なのか

これは単なる理論的な勝利ではなく、明かりを灯し続けるための実用的なツールです。

• 仮想センシング： すべての変圧器に高価で壊れやすい物理センサーを設置することなく、隠れたホットスポットを「見る」ことを可能にします。
• コスト削減： 高密度なセンサーネットワークの必要性を減らし、メンテナンスコストを抑えます。
• 安全性： より信頼性の高い長期予測を提供することで、過熱を防ぎ、変圧器の寿命を延ばすことができます。

著者らは、モデルには約3ヶ月の「ウォームアップ」期間が必要であるものの、これは異なるタイプの変圧器に対してもうまく機能する、物理学に基づいた堅牢なツールであると示唆しています。これは、低速で重い物理シミュレーションと、信頼性に欠けるデータ依存の純粋なAIとの間の「スイートスポット」を埋める、科学的根拠に基づいたスマートな手法です。

要するに、この新しい手法は、コンピュータに単なる「答え」ではなく「熱のルール」を教えているのです。それが、私たちの電力グリッド内の目に見えない熱に対する、より優れた天気予報を実現しているのです。