Residual-based Attention Physics-informed Neural Networks for Efficient Spatio-Temporal Lifetime Assessment of Transformers Operated in Renewable Power Plants

要約

変圧器は、電力およびエネルギー システムの信頼性と効率性を高めるための重要な資産です。
これらは、送電網の安定性と運用効率の向上を通じて、再生可能エネルギーの送電網への統合をサポートします。
変圧器の状態を監視することは、送電網の信頼性と効率を確保するために不可欠です。
断熱材の劣化は変圧器の主要な故障モードであり、一般にホットスポット温度 (HST) を監視することで追跡されます。
ただし、HST 測定は複雑で高価であり、多くの場合、間接的な測定から推定されます。
既存の計算効率の高い HST モデルは、空間に依存しない熱モデルに焦点を当てており、最悪の場合の HST 推定値を提供します。
この記事では、変圧器の巻線温度と経年劣化を推定するための効率的な時空間モデルを紹介します。このモデルは、物理情報に基づくニューラル ネットワーク (PINN) 構成のデータ駆動型ニューラル ネットワーク (NN) と物理ベースの偏微分方程式 (PDE) を活用して、予測を改善します。
精度を高め、時空間分解能を取得します。
PINN モデルの計算効率は、PINN モデルの収束を加速する Residual-Based Attendance スキームの実装によって改善されます。
PINN ベースの油温予測は、時空間変圧器巻線温度値を推定するために使用され、それぞれ PDE 分解能モデルと光ファイバー センサー測定を通じて検証されます。
さらに、変圧器の時空間劣化モデルが推論され、変圧器の健全性管理の意思決定を支援し、変圧器絶縁体の局所的な熱老化現象についての洞察を提供します。
結果は、水上太陽光発電所で動作する配電変圧器を使用して検証されます。

要約(オリジナル)

Transformers are vital assets for the reliable and efficient operation of power and energy systems. They support the integration of renewables to the grid through improved grid stability and operation efficiency. Monitoring the health of transformers is essential to ensure grid reliability and efficiency. Thermal insulation ageing is a key transformer failure mode, which is generally tracked by monitoring the hotspot temperature (HST). However, HST measurement is complex and expensive and often estimated from indirect measurements. Existing computationally-efficient HST models focus on space-agnostic thermal models, providing worst-case HST estimates. This article introduces an efficient spatio-temporal model for transformer winding temperature and ageing estimation, which leverages physics-based partial differential equations (PDEs) with data-driven Neural Networks (NN) in a Physics Informed Neural Networks (PINNs) configuration to improve prediction accuracy and acquire spatio-temporal resolution. The computational efficiency of the PINN model is improved through the implementation of the Residual-Based Attention scheme that accelerates the PINN model convergence. PINN based oil temperature predictions are used to estimate spatio-temporal transformer winding temperature values, which are validated through PDE resolution models and fiber optic sensor measurements, respectively. Furthermore, the spatio-temporal transformer ageing model is inferred, aiding transformer health management decision-making and providing insights into localized thermal ageing phenomena in the transformer insulation. Results are validated with a distribution transformer operated on a floating photovoltaic power plant.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google