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

变压器是电力和能源系统可靠高效运行的重要资产。它们通过提高电网稳定性和运行效率，支持可再生能源的整合到电网中。监测变压器的健康状况对于确保电网的可靠性和效率至关重要。热绝缘老化是变压器故障的一种关键模式，通常通过监测热点温度（HST）来跟踪。然而，HST测量复杂且昂贵，通常是从间接测量中估算出来的。现有的计算效率高的HST模型侧重于空间不可知的热模型，提供最坏情况下的HST估计。本文介绍了一种高效的空间-时间变压器绕组温度和老化估计模型，它利用基于物理的偏微分方程（PDE）和数据驱动的神经网络（NN）在物理信息神经网络（PINNs）配置中来提高预测精度和获得空间-时间分辨率。通过实施基于残差的注意力机制来加速PINN模型收敛，提高了PINN模型的计算效率。基于PINN的油温预测用于估算空间-时间变压器绕组温度值，这些值分别通过PDE解析模型和光纤传感器测量进行验证。此外，推断出空间-时间变压器老化模型，帮助变压器健康管理决策，并提供有关变压器绝缘材料局部热老化现象的见解。结果通过在浮动光伏电站上运行的配电变压器进行验证。

论文旨在解决变压器热绝缘老化问题的监测和预测，提出了一种基于物理学和神经网络的模型来获得时空分辨率更高的热点温度和老化估计。

通过将基于物理学的偏微分方程和数据驱动的神经网络相结合，提出了一种高效的物理信息神经网络模型来提高预测精度和获得时空分辨率。

论文设计了实验来验证模型的准确性，使用了分布式变压器的数据集进行实验，并且使用了光纤传感器和PDE解析模型来验证预测结果。模型的计算效率得到了提高，使用了残差注意力机制来加速模型的收敛。模型可以用于变压器健康管理决策，并提供关于变压器绝缘局部热老化现象的见解。

最近的相关研究包括基于机器学习的变压器故障诊断和健康管理，以及基于物理学的变压器热模型预测。