Online Power-Transformer Hot-Spot Estimation via Spectrum-Aware Physics-Data Hybrid Learning
本研究提出了一种可解释的物理-数据混合框架，该框架通过将频谱感知热建模与条件C-vine Copula残差学习相结合，旨在实现复杂谐波及动态负载条件下，对电力变压器热点温度及过温风险进行高精度、概率性的在线评估。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
电网是现代生活的无形动脉，将电力从风电场和太阳能场输送到依赖它们的家庭和企业。在这张网络的核心，坐落着巨大的变压器——这些重型机器负责升压以进行长距离传输，并降压以供局部使用。在这些钢铁巨兽内部，铜质绕组承载着电流，但随着电流的流动，热量也会随之产生。如果热量过高，会损坏包裹线圈的绝缘纸，缩短机器寿命并导致突然故障。几十年来，工程师们一直依赖标准公式来预测这些变压器的温度，这些公式仅利用电流强度的简单测量值。然而，当电力来源变得不可预测（例如可再生能源的波动输出），或者电力本身变得“杂乱”（充满了被称为谐波的高频涟漪）时，这些旧公式就会显得力不从心。在一个日益由风能和太阳能驱动的世界里，了解变压器的真实温度不再仅仅是常规维护的问题，而是一个关键的安全问题。
由河北职业技术学院曹世超领导的研究人员致力于解决这一问题，他们通过创建一种更智能的方法来估算变压器内部最热点的温度。他们没有依赖单一、僵化的公式或纯粹基于计算机的猜测，而是构建了一个结合了已知物理定律与实时数据学习的混合系统。研究人员专注于中国某大型变站中的两台特定变压器，该变站收集来自一个96兆瓦风电场和一个80兆瓦太阳能电站的电力。这些机器面临着独特的挑战：由于云层遮挡太阳能电池板或风速变化，它们处理的电力变化剧烈，且用于将这些电源连接到电网的电力电子设备引入了复杂的谐波失真。研究人员意识到，仅仅测量总电流量是不够的；他们需要理解电流的具体“形状”，包括其高频成分，因为不同的频率产生热量的方式各不相同。
为了解决这个问题，研究人员首先建立了一个物理模型，该模型充当了变压器冷却系统的“数字孪生”。该模型追踪热量如何从铜绕组传导至周围的油中，然后再传导至空气中，并考虑了油升温和降温需要时间这一事实。至关重要的是，他们修改了该模型，使其能够对不同电频谱部分产生的热量进行加权。他们发现，两个具有相同总失真水平的电流，由于所含特定频率的不同，可能会产生截然不同的热量。例如，一个以低频涟漪为主的电流产生的热量可能比一个充满高频涟漪的电流产生的热量少，即使两者的总失真数值看起来是一样的。通过将电流的实际详细频谱输入其物理模型，他们可以计算出比标准方法更准确的基准温度。
然而，即使是完美的物理模型也无法解释现实世界机器中的每一个微小变化，例如油流的细微差异或传感器的位置偏差。为了修正剩余的误差，研究人员利用一种称为 C-vine copula 的统计工具增加了第二层智能。可以将这个工具想象成一个高度灵敏的调音师，它倾听物理模型预测值与实际传感器测量值之间的差异。它学习这种差异如何根据当前条件发生变化：负载变化的速率、室外空气温度、电力的特定谐波含量，甚至包括前几分钟内误差的行为。通过分析这些模式，该系统可以实时调整其预测，不仅提供一个单一的温度数值，还能提供一个可能的取值范围以及机器过热的概率。
研究人员通过两种方式测试了他们的新方法。首先，他们运行了一次为期一个月的计算机模拟，在模拟中他们可以控制每一个变量，包括创造总失真量相同但频率组合不同的场景。在这些测试中，新方法证明了其价值，将平均误差降低到了仅 0.636 摄氏度，相比之下，标准模型由于无法精准捕捉变化而误差超过 1.3 摄氏度。更重要的是，它能以更高的精度识别出最热的时段，避免了旧模型在快速变化期间容易低估温度的危险倾向。
随后，他们将该系统应用于实际变电站进行了为期十五天的现场试验。在此期间，系统持续监测变压器，并将估算值与嵌入绕组内部的实际光纤传感器进行对比。结果令人瞩目。对于连接太阳能电站的变压器，新方法的预测热点温度平均误差仅为 1.87 摄氏度，而标准工业模型的误差则超过 8 度。当温度接近 98 摄氏度的临界警告限值时，新系统正确识别了 92.3% 的实际过热事件，而传统模型要么产生许多误报，要么完全错过了危险。该系统还成功追踪了绝缘层的老化情况，显示出高温时期造成的损耗远比孤立的噪声脉冲更为严重。
这项工作表明，电网安全的未来在于将物理理解与自适应数据学习相结合。通过尊重可再生能源的复杂性质以及不同电频率产生热量的特定方式，工程师现在可以以以前无法实现的清晰度来监控其设备。该方法不需要昂贵的新硬件；它只是更智能地利用现有数据，将标准的变压器转变为能够向操作员发出预警、在问题演变成危机前及时提醒的自感知资产。随着世界向清洁能源转型，这种精确、实时的洞察力对于保持灯火通明和电网安全至关重要。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。