← 返回
基于物理信息的LSTM电力变压器时间序列预测模型
Physics-Informed LSTM-Based Time-Series Forecasting Model for Power Transformers
| 作者 | Leixiao Lei · Yigang He · Zhikai Xing · Zihao Li · Yazhong Zhou |
| 期刊 | IEEE Transactions on Industrial Informatics |
| 出版日期 | 2025年4月 |
| 技术分类 | 功率器件技术 |
| 技术标签 | SiC器件 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 物理信息长短期记忆模型 自适应权重分配 油中溶解气体预测 特征提取 预测精度 |
语言:
中文摘要
数据的复杂性和有限的模型泛化能力极大地阻碍了预测精度。本文提出了一种具有自适应权重分配的物理信息融合长短期记忆模型（PILSTM - AWA）。首先，PILSTM - AWA采用分段特征提取方法，以增强局部信息捕获能力，提高对非线性数据的特征提取能力。然后，将油中溶解气体的物理分布和动态变化规律嵌入到长短期记忆（LSTM）框架中。设计了PILSTM模型来约束数据波动并预测油中溶解气体。最后，引入自适应动态加权策略来平衡物理信息和数据信息，提高预测精度。本研究利用了一台1000 kV变压器的在线监测数据。实验结果表明，该模型在各项评估指标上均优于对比算法。值得注意的是，在正常和异常工况下，该模型的决定系数均超过91%，超越了传统模型的预测性能。
English Abstract
The complexity of data and limited model generalization significantly hinder prediction accuracy. A physics-informed long short-term memory model with adaptive weight assignment (PILSTM-AWA) is proposed. First, PILSTM-AWA employs segmented feature extraction to enhance local information capture and improve feature extraction capabilities for nonlinear data. Then, the physical distribution and dynamic changes law of dissolved gas in oil are embedded into the LSTM framework. PILSTM is designed to constrain data fluctuations and predict dissolved gas in oil. Finally, an adaptive dynamic weighting strategy is introduced to balance physical and data information, enhancing forecast accuracy. The study utilizes online monitoring data from a 1000 kV transformer. Experimental results demonstrate that the model outperforms comparative algorithms in evaluation metrics. Notably, it achieves a coefficient of determination exceeding 91% under both normal and abnormal conditions, surpassing the predictive performance of conventional models.
S
SunView 深度解读
从阳光电源的业务视角来看，这项基于物理信息的LSTM时序预测技术虽然聚焦于电力变压器油中溶解气体预测，但其核心方法论对我司储能系统和光伏逆变器的预测性维护具有重要借鉴价值。
该技术的核心创新在于将物理约束嵌入深度学习框架，通过自适应权重平衡物理规律与数据驱动信息，这与我司大型储能电站中电池热管理、SOC/SOH预测的技术需求高度契合。特别是在1500V光伏系统和大容量储能变流器中，功率器件的温度场分布、电解液特性变化等同样遵循明确的物理规律，该模型的分段特征提取和物理约束机制可有效提升非线性退化过程的预测精度。实验中91%以上的决定系数表明技术已具备工程应用成熟度。
对阳光电源而言，该技术的应用机遇主要体现在三个层面：一是增强储能系统全生命周期管理能力，通过精准预测电池衰减和热失控风险，降低运维成本；二是提升逆变器关键部件如IGBT模块、直流支撑电容的故障预警准确性；三是为我司"源网荷储"一体化解决方案提供更可靠的资产健康管理工具。
技术挑战在于物理模型的迁移适配性——变压器油气分析的物理机制与电化学储能系统存在本质差异，需要重构针对锂电池、电力电子器件的物理约束方程。此外，该模型对高质量在线监测数据的依赖性较强，这要求我司进一步完善智能传感网络和边缘计算能力。建议优先在MW级储能项目中开展试点验证，逐步构建适用于新能源装备的物理信息融合预测平台。