🤖 machine learning

Virtual Temperature Sensors in Power Transformers Using Neural Ordinary Differential Equations

Dit artikel stelt een natuurkundig bewuste Neural Ordinary Differential Equation (Neural ODE) framework voor dat vereenvoudigde warmteoverdrachtvergelijkingen integreert om het thermische gedrag van diverse transformatoren accuraat en robuust te voorspellen met behulp van real-world tijdreeksgegevens, waarbij de computationele beperkingen van traditionele numerieke methoden en de fysieke inconsistentie van puur datagestuurde modellen worden overwonnen.

Oorspronkelijke auteurs: Berk Hadzhamolla, Alexander Johannes Stasik, Signe Riemer-Sørensen

Gepubliceerd 2026-08-14

📖 9 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Berk Hadzhamolla, Alexander Johannes Stasik, Signe Riemer-Sørensen

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je het weer probeert te voorspellen in een gigantische, gloeiende metalen doos die nooit slaapt. Deze doos is een transformator, het zware hart van het elektriciteitsnet dat het voltage omhoog of omlaag stuwt zodat jouw lampen blijven branden. Maar zoals elke hardwerkende machine, wordt hij ook warm. Als hij te heet wordt, veroudert de isolatie binnenin sneller en kan het hele ding kapotgaan, wat voor stroomuitval zorgt. Om dit veilig te houden, moeten ingenieurs de temperatuur van de heetste plekken binnenin weten, maar die plekken liggen diep begraven onder olie en koper, waardoor het onmogelijk is om er een thermometer in te steken. Daarom moeten ze de temperatuur raden op basis van wat er aan de buitenkant gebeurt, zoals hoeveel elektriciteit er doorheen stroomt en hoe warm de lucht is.

Lange tijd probeerden wetenschappers dit puzzelstukje op twee manieren op te lossen. De eerste manier was als het bouwen van een perfect, miniatuur 3D-model van de transformator in een computer en het simuleren van elke druppel olie en elke draad. Het was ongelooflijk nauwkeurig, maar kostte zoveel rekenkracht dat het nutteloos was voor realtime beslissingen. De tweede manier was het gebruik van eenvoudige wiskundige formules gebaseerd op gemiddelde regels, maar die faalden vaak wanneer het weer plotseling veranderde of de belasting vreemd werd. Onlangs zijn mensen "Artificiële Intelligentie" (AI) gaan gebruiken om patronen uit het verleden te leren. Denk eraan een papegaai te leren om het juiste antwoord te roepen nadat hij duizenden voorbeelden heeft gehoord. Maar deze AI-papegaaien kunnen verraderlijk zijn; als je ze iets vraagt over een situatie die ze nog nooit hebben gezien, kunnen ze zomaar een wilde gok doen die weliswaar aannemelijk klinkt, maar fysiek onmogelijk is.

Dit artikel introduceert een nieuw soort "slimme gokker" genaamd een Neural Ordinary Differential Equation (Neural ODE) om te fungeren als een virtuele temperatuursensor. In plaats van alleen maar het verleden te onthouden zoals een papegaai, of een zware 3D-simulatie te bouwen, leert deze nieuwe methode de regels van de natuurkunde terwijl hij leert van de data. Stel je voor dat je een student niet alleen de antwoorden op een wiskundetoets leert, maar ook de werkelijke wetten van hoe warmte zich verplaatst. De onderzoekers testten dit op echte transformatoren verspreid over Noorwegen, met behulp van data van vijftien verschillende eenheden met verschillende ontwerpen. Ze ontdekten dat hoewel deze nieuwe methode ten minste drie maanden aan data nodig heeft om zijn draai te vinden, het eenmaal geleerd heeft, een veel betrouwbaardere voorspeller is dan de standaard AI-modellen, vooral bij het kijken naar de verre toekomst. Het raadt niet alleen; het begrijpt dat warmte tijd nodig heeft om te reizen, wat het een stevig instrument maakt om het net veilig te houden.

Het Problek: De Onzichtbare Hitte

Transformatoren zijn de onbezongen helden van ons elektriciteitsnet. Ze nemen hoogspanningsstroom en zetten dit om naar een niveau dat veilig is voor onze huizen en bedrijven. Maar dit proces genereert veel hitte. Het heetste deel, de "hotspot" genoemd, bevindt zich meestal diep in de wikkelingen, verborgen onder lagen olie. Als deze hotspot te heet wordt, veroudert de papierisolatie binnenin razendsnel, wat de levensduur van de transformator verkort en het risico op een catastrofale storing vergroot.

Ideaal gezien zouden we gewoon een sensor direct op de hotspot plaatsen. Maar bij veel transformatoren is dat onmogelijk. Daarom gebruiken ingenieurs "virtuele sensoren"—software die de verborgen temperatuur schat op basis van zaken die we wel kunnen meten, zoals de buitentemperatuur en de hoeveelheid vermogen die door de draden stroomt.

De Oude Manieren: Te Zwaar, Te Simpel of Te Gokkerig

Voordat deze nieuwe aanpak bestond, waren er drie manieren om deze virtuele sensoren te bouwen, en elk had een groot gebrek:

De Supercomputer-simulatie: Wetenschappers gebruikten complexe natuurkundige modellen (zoals de Finite Element Method) om elke druppel olie en draad te simuleren. Deze waren zeer nauwkeurig, maar vereisten zoveel rekenkracht dat ze niet in realtime konden draaien. Het was alsof je het weer probeert te voorspellen door elke molecuul lucht in de atmosfeer te simuleren—te traag voor een snelle voorspelling.
De Eenvoudige Wiskundige Modellen: Deze gebruikten vereenvoudigde vergelijkingen met vaste getallen (constanten) voor elke transformator. Ze waren snel maar star. Als de transformator oud was, of het weer vreemd was, of het koelsysteem anders werkte, gingen deze modellen er vaak naast omdat ze niet konden aanpassen.
De Pure AI-modellen: Recentelijk probeerden mensen standaard AI (zoals LSTM-netwerken) te gebruiken om van data te leren. Deze zijn goed in het herkennen van patronen, maar werken als een "black box". Ze kennen de wetten van de natuurkunde niet. Als je hen vraagt de temperatuur te voorspellen voor een dag die ze nog nooit hebben gezien, kunnen ze afdwalen naar onmogelijke gebieden, zoals voorspellen dat de olie kouder wordt terwijl de belasting toeneemt. Ze hebben enorme hoeveelheden data nodig om goed te werken en kunnen instabiel zijn over langere perioden.

De Nieuwe Oplossing: De Physics-Aware AI

De auteurs van dit artikel stelden een hybride aanpak voor: Neural Ordinary Differential Equations (Neural ODEs).

Beschouw een standaard AI als een student die de antwoorden op een oefentoets uit het hoofd leert. Als de toets iets verandert, raakt de student in paniek. Een Neural ODE is als een student die de formules en de logica achter de antwoorden uit het hoofd leert.

In dit specifieke kader lieten de onderzoekers de AI niet alleen de volgende temperatuur raden. In plaats daarvan dwongen ze de AI om de veranderingssnelheid (hoe snel de temperatuur stijgt of daalt) te raden op basis van de huidige staat en de natuurkunde van warmteoverdracht.

De Analogie: Stel je voor dat je in een auto rijdt. Een standaard AI probeert te raden waar je over 10 minuten bent door naar je eerdere snelheid te kijken. Een Neural ODE begrijpt dat je op dit moment het gaspedaal indrukt (belasting) en dat de auto een gewicht heeft (thermische massa). Het berekent je versnelling en integreert die vervolgens om je toekomstige positie te vinden. Dit zorgt ervoor dat de voorspelling de wetten van de natuurkunde volgt, zelfs als de data rommelig of onregelmatig is.

Ze bouwden dit model om om te gaan met real-world data, die vaak rommelig is. Sensoren kunnen hier en daar een meting missen, of de data komt op onregelmatige intervallen binnen. Omdat Neural ODEs werken in "continue tijd" (als een vloeiende film) in plaats van "discrete tijd" (als een flipboekje), gaan ze veel beter om met deze hiaten dan oudere AI-modellen.

Het Experiment: Testen op Echte Transformatoren

Het team heeft dit niet alleen op een computersimulatie gedraaan; ze testten het op 15 echte transformatoren verspreid over verschillende delen van Noorwegen. Deze transformatoren hadden verschillende ontwerpen, koelsystemen en operationele geschiedenissen.

Ze voedden het model met data die elke 900 seconden (15 minuten) werd geregistreerd. De data bevatte:

De actieve vermogensbelasting (hoeveel elektriciteit er doorheen stroomde).
De omgevingstemperatuur (hoe warm de lucht buiten was).
De werkelijke olie- en wikkelingstemperaturen (om het model te trainen).

Ze vergeleken hun nieuwe Neural ODE-model met een standaard AI-model (LSTM) om te zien wie de toekomstige temperatuur beter kon voorspellen. Ze testten verschillende hoeveelheden trainingsdata, van één week tot twee jaar, en verschillende voorspellingslengtes, van één dag tot een volledig jaar.

De Bevindingen: Geduld Wordt Beloond

De resultaten waren duidelijk, maar ze kwamen met een addertje onder het gras.

1. De "Drie Maanden"-regel:
Het nieuwe model heeft tijd nodig om te leren. Als je het slechts één week aan data geeft, faalt het jammerlijk. De voorspellingen worden chaotisch en fysiek onmogelijk. De auteurs ontdekten dat het model ten minste drie maanden aan data nodig heeft om te stabiliseren. Dit is logisch, aangezien drie maanden een volledig seizoen in Noorwegen beslaat, waardoor het model kan zien hoe de transformator reageert op het volledige bereik van temperatuurveranderingen van winter tot zomer.

2. Beter dan de Concurrentie:
Zodra het model ten minste drie maanden aan data had, presteerde het de standaard AI (LSTM) aanzienlijk beter.

Nauwkeurigheid: In het "stabiele" regime (3 maanden training) had de Neural ODE een mediane fout (MAE) van 2,04 °C, terwijl de LSTM 2,45 °C had.
Betrouwbaarheid: Over lange voorspellingsperioden (zoals 30 tot 365 dagen), bleef de Neural ODE veel dichter bij de werkelijke temperatuur. De standaard AI had de neiging om af te dwalen en produceerde "fysisch inconsistente" resultaten, terwijl de voorspellingen van de Neural ODE vloeiend en geworteld in de realiteit bleven.
Consistentie: Over alle 15 transformatoren was de Neural ODE in 64,8% van de gevallen nauwkeuriger en had het een lagere fout in 64,8% van de gevallen vergeleken met de LSTM. Het presteerde beter in 14 van de 15 individuele transformatoren.

3. Het Lange-Termijn Perspectief:
Het model is bijzonder goed in het voorspellen op de "middel- tot lange termijn" (30 dagen tot een jaar). Terwijl standaard AI moeite heeft om een jaar vooruit te voorspellen zonder af te dwalen, behield de Neural ODE een redelijke nauwkeurigheid, met een mediane fout van rond de 2 °C, zelfs voor een voorspelling van 365 dagen. Dit is cruciaal voor asset managers die hun onderhoudsplannen ver van tevoren moeten plannen.

Waarom Dit Er Toe Doet

Dit is niet alleen een theoretische overwinning; het is een praktisch hulpmiddel om het licht aan te houden.

Virtuele Sensing: Het stelt netbeheerders in staat om de verborgen hotspots te "zien" zonder dure, kwetsbare fysieke sensoren in elke transformator te installeren.
Kostenbesparing: Het vermindert de noodzaak voor dichte sensornetwerken, wat de onderhoudskosten verlaagt.
Veiligheid: Door meer betrouwbare langetermijnvoorspellingen te bieden, helpt het oververhitting te voorkomen en de levensduur van de transformatoren te verlengen.

De auteurs suggereren dat hoewel het model een "opwarmperiode" van ongeveer drie maanden nodig heeft, het een robuust, physics-aware instrument is dat goed werkt voor verschillende soorten transformatoren. Het overbrugt de kloof tussen de trage, zware natuurkundige simulaties en de onbetrouwbare, data-hongerige pure AI, en biedt een "sweet spot" die zowel slim als wetenschappelijk onderbouwd is.

Kortom, deze nieuwe methode leert de computer de regels van de warmte, niet alleen de antwoorden, waardoor het een veel betere weervoorspeller is voor de onzichtbare hitte in ons elektriciteitsnet.

Technische Samenvatting: Virtuele Temperatuursensoren in Transformatorstations met behulp van Neural Ordinary Differential Equations

Probleemstelling
Nauwkeurige schatting en voorspelling van de interne temperaturen (specifiek de top-olie-, wikkelings- en hotspot-temperaturen) van transformatorstations zijn cruciaal voor conditiebewaking, overbelastingscontrole en preventief onderhoud. Bestaande benaderingen kampen met duidelijke beperkingen:

Hoge-getrouwheids numerieke methoden (bijv. Eindige Elementen Methoden, Computational Fluid Dynamics) bieden gedetailleerde fysieke representaties, maar zijn computationeel te kostbaar voor real-time toepassingen en vereisen volledige kennis van interne geometrieën en parameters.
Gelimiteerde parameter thermische modellen (lumped-parameter models) zijn computationeel efficiënt, maar vertrouwen op transformatorspecifieke thermische constanten die vaak onbekend zijn en hebben moeite om dynamische reacties onder variërende operationele en omgevingscondities te vatten.
Zuiver datagestuurde machine learning-modellen (bijv. ANN's, LSTM's, CNN's) kunnen niet-lineaire mapping leren zonder expliciete fysieke formuleringen, maar vereisen doorgaans grote hoeveelheden hoogwaardige trainingsdata. Ze missen vaak fysieke interpreteerbaarheid en lopen het risico op fysiek inconsistente resultaten of divergentie tijdens langetermijnvoorspellingen.

Methodologie
Het artikel stelt een Physics-Aware Neural Ordinary Differential Equation (Neural ODE) framework voor om het thermische gedrag van transformatoren te voorspellen met behulp van real-world tijdreeksgegevens.

Thermische Dynamica Formulering: De auteurs modelleren het thermische systeem van de transformator met behulp van gekoppelde warmteoverdrachtvergelijkingen tussen de wikkelingen, de koelolie en de omgeving. Deze vergelijkingen definiëren een eerste-orde Markoviaanse state-space structuur waarbij de veranderingssnelheid van de thermische toestanden afhangt van de huidige interne toestanden en externe drijfveren (actief vermogen en omgevingstemperatuur).
Neural ODE Architectuur: In plaats van de volgende temperatuurstap direct te voorspellen (zoals bij discrete-tijd modellen zoals LSTM's), parametriseert dit framework de continue-tijd afgeleide van de toestandsvector, $dy/dt$, met behulp van een neuraal netwerk ( $NN_\theta$ ). Het temperatuurverloop wordt verkregen door de geleerde vectorveld numeriek te integreren:
$y(t) = y(t_0) + \int_{t_0}^{t} NN_\theta(y(t'), x(t')) dt'$
De architectuur waarborgt expliciet de fysieke decompositie tussen interne thermische toestanden ( $y$ ) en externe exogene inputs ( $x$ ).
Physics-Aware Integratie: Het model incorporeert vereenvoudigde warmteoverdrachtvergelijkingen direct in het leerproces. Het netwerk geeft de veranderingssnelheid ($dy/dt$) uit in plaats van absolute temperaturen, wat een continue-tijd warmteoverdrachtsstructuur afdwingt. Exogene inputs worden afgehandeld via piecewise-lineaire interpolatie om continue-tijd toegang te bieden tijdens de integratie.
Trainingsstrategie: Het model wordt getraind met een samengestelde verliesfunctie bestaande uit de Mean Squared Error (MSE) en een gladheidstraf ( $L_{smooth}$ ) om hoogfrequente oscillaties die inconsistent zijn met de thermische dynamica te ontmoedigen. Een curriculum learning strategie wordt toegepast, waarbij de voorspellingshorizon geleidelijk wordt verhoogd van 1,25 uur naar 2 dagen om convergentie te versnellen.
Dataset: Het framework werd geëvalueerd op operationele gegevens van 15 verschillende transformatoren in Noorwegen, gekenmerkt door variërende ontwerpen en koelmechanismen (ONAN, ONAF, OFAF, ODAF). De gegevens werden opgenomen met intervallen van 15 minuten.

Belangrijkste Bijdragen

Physics-Aware Formulering: De integratie van vereenvoudigde warmteoverdrachtvergelijkingen direct in de Neural ODE-architectuur, wat zorgt voor fysiek consistente oplossingen en de databehoefte vermindert in vergelijking met zuiver datagestuurde methoden.
Continue-Tijd Modellering: Het gebruik van Neural ODE's om systeemdynamica in continue tijd te modelleren, wat robuustheid biedt tegen onregelmatige bemonstering en verbeterde extrapolatiecapaciteiten biedt vergeleken met discrete-tijd modellen zoals LSTM's.
Gestandaardiseerd Framework: De ontwikkeling van een gestandaardiseerde forecasting tool die in staat is om te generaliseren over heterogene transformatorunits zonder dat er transformatorspecifieke thermische constanten nodig zijn.

Resultaten
De prestaties van de Neural ODE werden vergeleken met een stacked LSTM baseline over 823 combinaties van transformatorunits, trainingshorizonten en voorspellingshorizonten.

Datavereisten: De Neural ODE heeft een minimum van ongeveer drie maanden aan trainingsdata nodig om een stabiel en bruikbaar regime te bereiken. Met minder dan één maand aan data vertoont het model onstabiele trajecten en catastrofale divergentie.
Prestatie-metrieken: In het stabiele regime (training $\ge$ $\geq$ 3 maanden, voorspelling $\ge$ $\geq$ 30 dagen):
- De Neural ODE bereikte een mediane $R^2$ van 0,591 en een mediane Mean Absolute Error (MAE) van 2,04 °C.
- De LSTM baseline bereikte een mediane $R^2$ van 0,493 en een mediane MAE van 2,45 °C.
- De Neural ODE presteerde beter dan de LSTM in 65,2% van de gevallen met betrekking tot $R^2$ en in 70,1% van de gevallen met betrekking tot MAE in dit operationele regime.
Stabiliteit op Lange Termijn: De Neural ODE demonstreerde superieure stabiliteit in langetermijnvoorspellingen (tot 365 dagen). Hoewel beide modellen prestatievermindering vertoonden over de tijd door foutaccumulatie in open-loop integratie, resulteerden de fysiek begrensde trajecten van de Neural ODE in een tragere degradatie vergeleken met de LSTM.
Consistentie per Eenheid: De Neural ODE behaalde een hogere mediane $R^2$ op 14 van de 15 units en een lagere mediane MAE op alle 15 units, wat wijst op een consistente prestatie over diverse transformatordesigns heen.

Betekenis en Claims
Het artikel claimt dat het voorgestelde Physics-Aware Neural ODE framework erin slaagt de kloof te overbruggen tussen computationeel dure numerieke methoden en de broze, zuiver datagestuurde modellen. De primaire betekenis ligt in het vermogen om te dienen als een robuuste, physics-aware virtuele sensor voor heterogene transformatorvloten.

De belangrijkste praktische voordelen zijn:

Data-efficiëntie: Het model levert bruikbare voorspellingen met slechts drie maanden trainingsdata, wat het geschikt maakt voor nieuwe of recent geïnstrumenteerde units waar lange historische records ontbreken.
Operationele Betrouwbaarheid: Door betrouwbare virtuele temperatuurschattingen te bieden (met een gemiddelde fout van ~2 °C over een jaar), kan het framework de noodzaak voor een dichte fysieke sensorplaatsing verminderen, wat de monitoringskosten verlaagt terwijl het vroege detectie van abnormaal thermisch gedrag ondersteunt.
Generalisatie: Het framework generaliseert effectief over verschillende transformatordesigns en koelmechanismen zonder dat er unit-specifieke parametertuning nodig is.

De auteurs merken op dat de belangrijkste beperking de minimale datavereiste (ca. 3 maanden) blijft voor stabiliteit, en dat toekomstig werk zich zal richten op warmup-strategieën en transfer learning om deze drempel te verlagen.