⚡ electrical engineering

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

본 논문은 변화하는 현장 조건 하에서 유입식 전력 변압기의 단기 상부유 온도를 예측하는 정확도를 크게 향상시키기 위해, 1차 열수지 모델을 적응형 잔차 학습 및 다중 스케일 어텐션 메커니즘과 결합한 물리 가이드 기반 프레임워크인 TIR-MSTLA를 제안한다.

원저자: Chengjie Wang, Xiaozhou Fan, Bowen Liu, Yidi Liu, Bowen Xue

게시일 2026-09-15

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Chengjie Wang, Xiaozhou Fan, Bowen Liu, Yidi Liu, Bowen Xue

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

거대한 전력 변전소의 웅웅거리는 금고 내부에서, 유입식 전력 변압기들은 전력망의 침묵하는 수호자로서 서 있습니다. 이들은 단순한 금속 상자가 아닙니다. 전기를 변환하면서 동시에 엄청난 열을 발생시키는 복잡한 열기관입니다. 변압기가 과열되어 고장 나는 것을 방기하기 위해, 엔지니어들은 탱크 맨 윗부분에 있는 기름의 온도를 끊임없이 모니터링해야 합니다. 이 "상부 유온(top-oil temperature)"은 운영자에게 변압기가 얼마나 힘들게 작동하고 있는지, 그리고 내부 절연체가 성능 저하를 시작하기 전에 안전하게 더 많은 부하를 얼마나 더 감당할 수 있는지를 알려주는 일차적인 단서가 됩니다. 만약 기름이 너무 뜨거워지면, 변압기는 급격히 노화되며, 이는 지역 전체를 암흑 속에 빠뜨릴 수 있는 치명적인 고장의 위험을 초래합니다. 수십 년 동안, 이 온도를 예측하는 표준적인 방법은 제조사의 명판에서 유도된 고정된 수학적 규칙에 의존하는 것이었습니다. 이러한 규칙들은 변압기가 부하 변화에 따라 예측 가능하고 일정한 리듬으로 반응하는, 완벽하고 변하지 않는 기계처럼 작동한다고 가정합니다.

하지만 현실 세계의 변압기는 결코 완벽한 기계가 아닙니다. 그들은 노화되고, 냉각 시스템의 효율은 계절에 따라 변하며, 내부의 기름 흐름은 고정된 규칙으로는 포착할 수 없는 방식으로 변화합니다. 날씨가 추워지거나 부하가 예기치 않게 급증할 때, 이러한 표준 모델들은 종종 실제 상황보다 뒤처지게 되어, 온도를 너무 높게 혹은 너무 낮게 예측하곤 합니다. 이러한 지연은 위험합니다. 왜냐하면 불필요한 전력 제한을 초래하거나, 더 심하게는 운영자에게 임박한 열적 위기를 알리지 못하는 결과를 낳을 수 있기 때문입니다. 과학자들의 핵심 과제는 물리 법칙을 존중하여 신뢰성을 유지하면서도, 현장에 있는 각 개별 변압기의 구체적이고 무질서한 거동으로부터 학습할 수 있을 만큼 유연한 예측 방법을 만드는 것입니다.

북중국 전기공과대학교의 연구팀은 이 문제를 해결하기 위해 물리학의 안정성과 현대적 데이터 학습의 적응성을 결와한 새로운 접근 방식을 개발했습니다. 이들의 방법은 110kV 및 220kV에서 작동하는 실제 변압기를 대상으로 테스트되었으며, 먼저 견고한 물리적 기준선을 구축하는 것으로 시작됩니다. 이 기준선은 신뢰할 수 있는 참조점 역할을 하며, 부하, 외부 기온, 그리고 변압기의 원래 설계 사양을 바탕으로 온도가 '어떠해야 하는지'를 계산합니다. 이는 단순한 1차 열수지(heat balance) 개념을 사용합니다. 즉, 전기가 흐름에 따라 기름이 가열되고, 환경으로 열을 방출하며 식는 과정을 이용하는데, 이 과정에는 시간이 소요됩니다. 이 물리 모델은 예측값이 불가능한 영역으로 벗어나지 않도록 보장하여, 결과가 현실에 기반하도록 유지합니다.

하지만 연구진은 이 물리적 기준선만으로는 현장 운영의 특이한 현상들을 처리하기에 충분하지 않다는 것을 알고 있었습니다. 물리적 모델과 실제 기계 사이의 간극을 메우기 위해, 그들은 교정 메커니즘 역할을 하는 지능형 학습 계층을 추가했습니다. 이 시스템은 처음부터 온도를 추측하려고 시도하는 것이 아니라, 물리 모델이 예측하는 값과 센서가 실제로 측정하는 값 사이의 작고 일관된 차이인 '잔차(residual)' 오류를 학습합니다. 이 시스템은 부하 변화로 인한 즉각적인 충격부터 며칠간 서서히 축적되는 열까지, 다양한 시간 척도에 따라 변압기가 어떻게 반응하는지에 주의를 기울입니다. 이러한 패턴을 분석함으로써, 시스템은 설계 매뉴얼보다 효율이 약간 떨어지는 라디에이터나 노화로 인해 변화한 국부적인 기름 흐름 등을 보상하며 실시간으로 예측치를 조정할 수 있습니다.

이 하이브리드 접근 방식의 결과는 두 대의 서로 다른 변압기에서 1년간의 연속적인 현장 데이터를 통해 테스트했을 때 매우 놀라웠습니다. 새로운 방법은 업계 표준으로 사용되는 기존의 고정 파라미터 모델보다 훨씬 더 정확했으며, 역사적 패턴에만 의존하는 여러 고급 데이터 기반 알고리즘보다 더 신뢰할 수 있었습니다. 110kV 변압기의 경우, 새 시스템은 표준 모델에 비해 평균 예측 오차를 77% 줄여 단 0.145°C의 오차를 달anim했습니다. 더 큰 용량인 220kV 유닛에서는 오차를 53% 줄여 평균 0.178°C의 오차를 달성했습니다. 무엇보다 안전 측면에서 중요한 것은, 연구진이 예측 오차가 연속적인 운영 기간 동안 2°C를 초 exceed한 적이 없음을 발견했다는 점이며, 이는 계절 변화나 갑작스러운 부하 변화 시 기존 모델들이 유지하지 못했던 안정성 수준입니다.

이러한 정밀도는 전력망 관리 방식에 직접적이고 실질적인 결과를 가져옵니다. 예측이 매우 정확하기 때문에, 운영자들은 변압기가 안전하게 운반할 수 있는 전력량을 결정할 때 그 수치를 신뢰할 수 있습니다. 시스템은 예측된 온도 주변에 좁고 신뢰할 수 있는 불확실성 범위를 제공하여, 엔지니어들이 확신을 가지고 '부하 여유(load margin)'를 계산할 수 있게 합니다. 만약 예측 온도가 안전 한계치에 근접한다면, 작은 오차 범위 덕분에 그들은 넓고 불확별한 범위에 근거해 추측하는 대신, 자신들이 위험 지점에 얼마나 가까이 있는지 정확히 알 수 있습니다. 이 정밀도는 절연 노화 평가 또한 개선합니다. 변압기 절연체의 열화 속도는 온도에 극도로 민감하기 때문에, 예측에서의 작은 오차조차도 남은 수명에 대한 큰 오계산을 초래할 수 있습니다. 예측 오차를 도(degree) 단위에서 소수점 단위로 줄임으로써, 이 새로운 방법은 노화 계산의 불확실성을 좁혀 변압기가 조기에 퇴역하거나 안전 한계를 넘어서는 일이 없도록 보장합니다.

이 연구는 전력망 모니터링의 미래가 경직된 물리 법칙과 유연한 데이터 학습 중 하나를 선택하는 것이 아니라, 이 둘을 결합하는 데 있음을 보여줍니다. 예측의 근간을 열전달의 근본적인 물리학에 두고 데이터를 사용하여 각 기계의 고유한 불완전함을 보정함으로써, 연구진은 과학적으로 타당하면서도 실용적으로 견고한 도구를 만들어냈습니다. 이 접근 방식은 그리드가 더 효율적이고 안전하게 운영되도록 하는 방법을 제시하며, 전기 네트워크의 침묵하는 수호자들이 이전에는 도달할 수 없었던 명확성을 가지고 모니터링될 수 있도록 보장합니다. 이 작업은 물리학이 학습 과정을 안내할 때, 그 결과물이 단순히 데이터 포인트의 집합이 아니라, 주변 세계에 반응하는 살아있는 인프라로서의 기계를 이해하는 시스템이 된다는 것을 확인시켜 줍니다.

기술 요약: 운영 열 상태 평가를 위한 물리 기반 상부 유온 예측

문제 정의
상부 유온( $T_o$ )은 유입 변압기의 핵심적인 운영 변수로, 부하 가이드(IEEE Std C57.91, IEC 60076-7), 핫스팟 추정 및 절연 노화 평가를 위한 주요 입력값 역할을 한다. 그러나 현장 운영 시 단기 예측은 장비 고유의 열 관성, 변화하는 주변 경계 조건, 냉각 효율의 변화로 인해 정확한 예측이 어렵다. 기존 방식들은 다음과 같은 한계에 직면해 있다:

고정 파라미터 열 모델(예: 표준 IEEE/IEC 모델)은 정적인 열 저항과 커패시턴스를 가정하기 때문에, 국부적 오일 흐름 재분배, 라디에이터 효율 변화, 계절별 주변 경계 변화와 같은 현장 현상을 포착하는 데 실패하는 경우가 많다.
순수 데이터 기반 예측기(예: LSTM, Transformer)는 비선형 관계를 포착할 수 있으나, 물리적 제약이 약할 경우 특히 계절 변화나 부하 변동 시 위상 지연(phase lag), 피크 편차 또는 비물리적인 변동을 보일 수 있다.

본 연구의 목적은 표준 열 모델의 물리적 해석력을 유지하면서도, 상태 모니터링 및 부하 여유도 평가를 지원하기 위해 실제 현장의 편차에 적응할 수 있는 예측 프레임워크를 개발하는 것이다.

방법론: TIR-MSTLA 프레임워크
저자들은 물리 가이드 학습 프레임워크인 TIR-MSTLA(Thermal-Inertia-Residual Multi-Scale Time-delay Attention)를 제안한다. 이 모델은 예측된 상부 유온( $\hat{T}_{o,t}$ )을 네 가지 성분으로 분해한다:
$\hat{T}_{o,t} = T_{phy,t} + \Delta T_{res,t} + \Delta T_{data,t} + b_t$

물리적 기준 ( $T_{phy,t}$ ): 로딩 가이드와 일치하는 1차 열 평형 재귀(first-order heat-balance recursion)가 물리적 백본 역할을 한다. 이는 부하율, 주위 온도 및 명판 파라미터를 기반으로 궤적을 계산한다.
적응형 열 파라미터: 현장 편차를 해결하기 위해, 등가 열 저항( $R$ )과 커패시턴스( $C$ )를 보정 네트워크와 장비 임베딩(명판 데이터에서 유도됨)을 사용하여 운전 상태 의존적 함수로 모델링한다. 이를 통해 열 시상수( $\tau$ )가 동적으로 적응할 수 있게 한다.
다중 스케일 시간 지연 어텐션: 열 응답이 단기, 중기, 장기 열 축적을 포함한다는 점을 인식하여, 열 시상수에 의해 제약되는 세 가지 이력 윈도우를 사용한다. 서로 다른 시간 척도의 특징을 융합하기 위해 어텐션 가중치를 가진 인과적 시퀀스 추출 메커니즘을 사용한다.
잔차 학습 및 바이어스 보정:
- 잔차 분기(Residual Branch): 열 프로세스 특징을 사용하여 물리적으로 모델링되지 않은 편차(예: 국부적 흐름 재분배)를 학습한다.
- 동적 바이어스(Dynamic Bias): 운전 상태에 의존하는 체계적인 오프셋을 보정한다.
물리 가이드 학습: 모델은 예측 오차( $L_{pred}$ )와 열 평형 잔차 손실( $L_{phy}$ )을 포함하는 복합 손실 함수로 학습된다. 후자는 학습 과정에서 에너지 평형 방정식 위반에 페널티를 부여함으로써 물리적 일관성을 강제하고, 모델이 비물리적인 역학을 학습하지 않도록 보장한다.

주요 기여

프레임워크 개발: 로딩 가이드와 일치하는 열적 기준을 구축하고 이를 물리적 백본으로 사용하는 물리 가이드 예측 프레임워크를 개발하여, 고정 파라미터 표준 모델과 직접 비교 및 개선이 가능하도록 하였다.
적응형 보상: 고정 모델이 포착할 수 없는 현장 특유의 편차(냉각 경계 변화, 장비 상태 차이 등)를 보상하기 위해 적응형 열 파라미터 및 잔차 학습을 도입하였다.
시간적 구조: 변압기 열 역학에 내재된 다중 시간 척도 결합을 포착하기 위해 열 시상수에 의해 가이드되는 다중 스케일 시간 지연 어텐션 구조를 설계하였다.
현장 검증: 110 kV 및 220 kV ONAN 변압기의 1년 치 현장 데이터셋을 사용하여 종합적인 평가를 수행하였으며, 경험적 오차 범위를 실제 공학적 응용과 연결하였다.

실험 결과
본 방법은 약 12개월간의 두 데이터셋(110 kV 및 220 kV)에 대해 15분 예측 지평(prediction horizon)으로 검증되었다.

정확도: TIR-MSTLA는 110 kV에서 0.1450 °C, 220 kV에서 0.1776 °C의 평균 절대 오차(MAE)를 달성하였으며, 각각 0.3577 °C 및 0.4862 °C의 RMSE를 기록하였다.
개선 효과: 고정 파라미터 IEEE/IEC 표준 모델과 비교했을 때, 본 방법은 테스트 MAE를 110 kV에서 77.0%, 220 kV에서 53.1% 감소시켰다. 또한 데이터 기반 베이스라인(LSTM, Transformer, PINN)보다 우수한 성능을 보였다.
안정성: 모든 연속 구간 절대 오차는 2 °C 미만으로 유지되었다. 95 백분위수 오차는 두 유닛에 대해 각각 0.3525 °C와 0.4326 °C였다.
강건성: 월별 분석 결과, 고정 파라미터 모델은 계절 변화(예: 220 kV 유닛의 RMSE가 0.369에서 1.019 °C로 증가) 시 성능이 크게 저하된 반과 달리, TIR-MSTLA는 안정적인 1도 미만의 정확도를 유지하였다.

의의 및 주장
본 논문은 제안된 방법을 변압기 보호 또는 배전 규칙을 대체하는 것이 아니라, 현장에서 검증된 입력값으로서의 운영 열 상태 평가를 위한 도구로 규정한다.

불확실성 감소: 예측 오차를 1도 미만 수준으로 줄임으로써, 열적 한계 주변의 "불확실성 밴드"를 좁힌다. 이를 통해 경보 임계값 근처에서 열 상태(정상 vs 경고 vs 고위험)를 더욱 정밀하게 분류할 수 있다.
부하 여유도: 안정적인 오차 프로파일은 가용한 부하 여유량 계산 시 예측 불확실성을 명시적으로 고려하는 보수적인 부하 여유도 평가를 지원한다.
절연 노화: 저자들은 감소된 상부 유온 예측 오차가 다운스트림 계산의 불확실성을 크게 줄인다는 것을 입증하였다. ±0.5 °C 오차의 경우 유도된 상대적 가속 계수( $F_{AA}$ )의 변화는 약 **12–15%**로 제한되지만, 베이스라인의 일반적인 오차인 2 °C는 **50–60%**까지의 변화를 초래한다.
호환성: 본 프레임워크는 하부의 물리적 표준을 변경하지 않고도 더 정확한 중간 입력을 제공함으로써, 표준 핫스팟 및 손실 수명 계산 체인(IEEE Std C57.91/IEC 60076-7)과 직접 호환되도록 설계되었다.

저자들은 물리 가이드 상부 유온 예측이 이론적 열 모델과 복잡한 현장 실무 사이의 간극을 메우며, 상태 모니터링 및 리스크 스크리닝을 위한 견고한 장비 수준의 보조 입력 역할을 한다고 결론짓는다. 향후 과제로 다단계 예측(multi-step forecasting) 및 센서 검증을 통한 직접적인 핫스팟 추정으로의 확장을 제시하였다.

유사한 논문