⚡ electrical engineering

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

本文提出了 TIR-MSTLA，这是一个结合了一阶热平衡模型、自适应残差学习和多尺度注意力机制的物理引导框架，旨在显著提高不同场条件下油浸式变压器短期顶层油温预测的准确性。

原作者： Chengjie Wang, Xiaozhou Fan, Bowen Liu, Yidi Liu, Bowen Xue

发布于 2026-09-15

📖 1 分钟阅读☕ 轻松阅读

原作者： Chengjie Wang, Xiaozhou Fan, Bowen Liu, Yidi Liu, Bowen Xue

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

在电力变电站那巨大且嗡嗡作响的库房内，浸油式功率变压器宛如电网的沉默守护者屹立其中。它们不仅仅是金属箱；它们是复杂的热能引擎，在转换电能的同时产生巨大的热量。为了防止它们过热并发生故障，工程师必须不断监测变压器油箱顶部的油温。这种“顶层油温”是告诉操作员变压器工作强度以及在内部绝缘开始退化前还能安全承受多少负荷的主要线索。如果油温过高，变压器的老化速度会加快，从而面临灾难性故障的风险，导致整个地区陷入黑暗。几十年来，预测这种温度的标准方法一直是依赖于源自制造商铭牌的固定数学规则。这些规则假设变压器是一个完美、不变的机器，对负荷变化做出可预测、稳定的节奏反应。

然而，现实中的变压器远非完美的机器。它们会老化，其冷却系统的效率会随季节变化，且内部油流的变化是固定规则无法捕捉的。当天气转冷或负荷意外激增时，这些标准模型往往会滞后，预测出的温度要么过高，要么过低，与实际情况不符。这种滞后是危险的，因为它可能导致不必要的电力限制，或者更糟糕的是，无法向操作员发出即将发生热危机预警。科学家们面临的核心挑战是创造一种既尊重基本物理定律（以保持可靠性），又具备足够的灵活性（以学习每个现场变压器特定且复杂行为）的预测方法。

来自华北电力大学的研究团队开发了一种新方法来解决这一问题，创建了一个融合了物理稳定性与现代数据学习适应性的系统。他们的这种方法在运行于110千伏和220千伏的真实变压器上进行了测试，首先通过建立一个坚实的物理基准开始。该基准作为一个可靠的参考点，根据负荷、环境温度和变压器的原始设计规范来计算“理论上应有的”温度。它使用了一个简单的、一阶热平衡概念：随着电流流过，油温升高；同时，由于散热过程需要时间，油温也会随着向环境散热而降低。这种物理模型确保了预测结果不会漂移到不可能的领域，使结果始终立足于现实。

但研究人员深知，仅靠这个物理基准不足以应对现场运行中的各种特性。为了弥合理想模型与真实机器之间的差距，他们增加了一层智能学习层，作为一种修正机制。该系统并不试图从零开始猜测温度，而是学习特定的“残差”误差——即物理模型预测值与传感器实际测量值之间微小且一致的差异。它密切关注变压器在不同时间尺度上的反应，从负荷变化的即时冲击到数天内缓慢积累的热量。通过分析这些模式，系统可以实时调整其预测，补偿诸如散热器效率略低于设计手册要求，或因老化导致局部油流发生偏移等情况。

当使用来自两个不同变压器的一年连续现场数据进行测试时，这种混合方法的表现令人瞩目。新方法比工业标准中使用的传统固定参数模型更精确，也比依赖纯历史模式的几种先进数据驱动算法更可靠。在110千伏变压器上，新系统相比标准模型将平均预测误差降低了77%，将误差降至仅0.145摄氏度。在较大的220千伏机组上，它将误差降低了53%，实现了0.178摄氏度的平均误差。或许对于安全性而言最重要的一点是，研究人员发现，在任何连续运行期间，预测误差从未超过两摄氏度，这种稳定性是旧模型无法维持的，尤其是在季节更替或负荷突变期间。

这种精度的提升对电网管理具有直接且实际的意义。由于预测非常准确，操作员可以在决定变压器能安全承载多少电量时信任这些数据。该系统提供了一个围绕预测温度的窄且可靠的不确定性区间，使工程师能够充满信心地计算“负荷裕度”。如果预测温度接近安全极限，较小的误差范围意味着他们确切知道自己距离危险区有多近，而不是基于一个宽泛且不确定的范围进行猜测。这种精度同时也提高了对绝缘老化的评估。由于变压器绝缘的退化速率对温度极其敏感，即使是微小的预测误差也可能导致对剩余寿命的巨大误判。通过将预测误差从度级降低到亚度级，新方法收紧了老化计算中的不确定性，确保变压器既不会被过早退役，也不会被推向超出其安全限度的状态。

这项研究表明，电网监测的未来不在于在僵化的物理定律与灵活的数据学习之间做选择，而在于将二者结合。通过将预测锚定在热传递的基本物理学之上，并利用数据来修正每台机器的独特缺陷，研究人员创造了一个既具有科学严谨性又具有实际鲁棒性的工具。这种方法提供了一种让电网运行得更高效、更安全的方式，确保着电网中这些沉默的守护者能得到以往无法实现的清晰监测。这项工作证实了，当物理学引导学习过程时，所产生的系统不仅是将机器视为数据的集合，而是将其理解为一个会对周围世界做出反应的、有生命力的基础设施。

技术摘要：用于运行热状态评估的物理引导顶层油温预测

问题陈述
顶层油温（ $T_o$ ）是油浸式电力变压器的关键运行变量，作为负荷指南（IEEE Std C57.91, IEC 60076-7）、热点估计及绝缘老化评估的主要输入。然而，由于设备特定的热惯性、变化的环境边界以及变化的冷却效率，在现场运行中实现准确的短期预测具有挑战性。现有方法面临以下局限性：

固定参数热模型（例如标准的 IEEE/IEC 模型）往往无法捕捉现场现象，如局部油流重新分布、散热器效率变化以及季节性依赖的环境边界，因为这些模型假设热阻和热容是静态的。
纯数据驱动预测器（例如 LSTM、Transformer）可以捕捉非线性关系，但在物理约束较弱的情况下，特别是在季节或负荷变化期间，可能会出现相位滞后、峰值偏差或非物理波动。

目标是开发一种既能保持标准热模型物理可解释性，又能适应现实现场偏差的预测框架，以支持状态监测和负荷裕度评估。

方法论：TIR-MSTLA 框架
作者提出了 TIR-MSTLA（热惯性-残差多尺度时延注意力机制）框架，这是一种物理引导的学习框架。该模型将预测的顶层油温（ $\hat{T}_{o,t}$ ）分解为四个部分：
$\hat{T}_{o,t} = T_{phy,t} + \Delta T_{res,t} + \Delta T_{data,t} + b_t$

物理参考 ( $T_{phy,t}$ )：采用一阶热平衡递归作为物理骨干，与负荷指南保持一致。它根据负荷系数、环境温度和铭牌参数计算轨迹。
自适应热参数：为了应对现场偏差，等效热阻（ $R$ ）和热容（ $C$ ）被建模为使用修正网络和设备嵌入（源自铭牌数据）的运行状态相关函数。这使得热时间常数（ $\tau$ ）能够动态调整。
多尺度时延注意力机制：考虑到热响应涉及短期、中期和长期的热量积累，模型使用了受热时间常数约束的三个历史窗口。通过带有注意力权重的因果序列提取机制，融合来自不同时间尺度的特征。
残差学习与偏差修正：
- 残差分支：利用热过程特征学习物理未建模的偏差（例如局部流向重新分布）。
- 动态偏差：修正依赖于运行状态的系统性偏移。
物理引导训练：模型使用包含预测误差（ $L_{pred}$ ）和热平衡残差损失（ $L_{phy}$ ）的复合损失函数进行训练。后者通过惩罚训练过程中违反能量平衡方程的行为来强制执行物理一致性，确保模型不会学习到非物理的动力学特性。

核心贡献

框架开发：一种物理引导的预测框架，构建了一个与负荷指南一致的热参考，并将其作为物理骨干，从而实现与固定参数标准模型的直接对比与改进。
自适应补偿：引入自适应热参数和残差学习，以补偿固定模型无法捕捉的现场特定偏差（冷却边界变化、设备状况差异）。
时间结构：设计了热时间常数引导的多尺度时延注意力结构，旨在捕捉变压器热动力学中固有的多时间尺度耦合。
现场验证：使用 110 kV 和 220 kV ONAN 变压器的全年现场数据集进行全面评估，将经验误差带与实际工程应用联系起来。

实验结果
该方法在涵盖约 12 个月的两个数据集（110 kV 和 220 kV）上进行了验证，预测步长为 15 分钟。

准确度：TIR-MSTLA 在 110 kV 下实现了 0.1450 °C 的平均绝对误差（MAE），在 220 kV 下实现了 0.1776 °C 的 MAE；其 RMSE 分别为 0.3577 °C 和 0.4862 °C。
提升效果：与固定参数的 IEEE/IEC 标准模型相比，该方法使测试 MAE 分别降低了 77.0% (110 kV) 和 53.1% (220 kV)。它也优于数据驱动基准模型（LSTM、Transformer、PINN）。
稳定性：所有连续段绝对误差均保持在 2 °C 以下。两台设备的 95 分位误差分别为 0.3525 °C 和 0.4326 °C。
鲁棒性：月度分析显示，虽然固定参数模型在季节转换期间性能显著下降（例如，220 kV 单元的 RMSE 从 0.369 增加到 1.019 °C），但 TIR-MSTLA 保持了稳定的亚度级精度。

意义与主张
论文将所提出的方法定位为并非替代变压器保护或调度规则，而是作为运行热状态评估的经现场验证的输入。

不确定性降低：通过将预测误差降低到亚度级，该方法缩小了热极限周围的“不确定性带”。这使得在接近报警阈值时，能够更精确地进行热状态分类（正常、警告、高风险）。
负荷裕度：稳定的误差剖面支持保守的负荷裕度评估，其中预测不确定性被明确考虑在可用负荷余量的计算中。
绝缘老化：作者证明，降低的顶层油温预测误差显著收紧了下游计算中的不确定性。对于 ±0.5 °C 的误差，诱发的加速老化因子（ $F_{AA}$ ）相对变化限制在约 12–15%；而 2 °C 的误差（基准模型的典型误差）会导致 50–60% 的变化。
兼容性：该框架旨在与标准的局部热点和寿命损失计算链（IEEE Std C57.91/IEC 60076-7）直接兼容，在不改变底层物理标准的前提下，提供更准确的中间输入。

作者总结道，物理引导的顶层油温预测可作为一种稳健的、设备级的辅助输入，用于状态监测和风险筛查，弥合了理论热模型与复杂的现场现实之间的差距。未来的工作确定为将该框架扩展到多步预测以及带有传感器验证的直接热点估计。

技术摘要：用于运行热状态评估的物理引导顶层油温预测

类似论文