論文の概要: Virtual Temperature Sensors in Power Transformers Using Neural Ordinary Differential Equations

• arxiv url: http://arxiv.org/abs/2608.13260v1
• Date: Thu, 13 Aug 2026 13:59:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.550213
• Title: Virtual Temperature Sensors in Power Transformers Using Neural Ordinary Differential Equations
• Title（参考訳）: ニューラル常微分方程式を用いた変圧器の仮想温度センサ
• Abstract要約: 本稿では,変圧器の熱挙動を予測するための物理対応ニューラル正規微分方程式フレームワークを開発する。 重要な貢献は、単純化された熱伝達方程式をニューラルODEの定式化に直接統合することである。 このフレームワークは、異種変圧器ユニットに対して標準化され、物理学的、堅牢な予測手法を提供する。
• 参考スコア（独自算出の注目度）: 42.50242605797505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate modeling and forecasting of power transformer thermal behavior are critical for reliability, asset lifetime, and optimized power system operation. Numerical approaches such as finite element methods (FEM) and computational fluid dynamics (CFD) offer high fidelity but are computationally expensive, require complex mesh generation, and are often impractical for real-time or large-scale applications, particularly when transformer geometries are unknown. Lumped-parameter thermal models are more practical but depend on transformer-specific thermal constants and may fail to capture dynamic responses under varying operating and environmental conditions. Purely data-driven machine learning methods, including artificial neural networks, convolutional neural networks, and long short-term memory (LSTM) networks, have shown success in forecasting transformer temperatures but typically require large volumes of high-quality training data and may produce physically inconsistent or uninterpretable results. This paper develops a physics-aware Neural Ordinary Differential Equation (Neural ODE) framework for forecasting transformer thermal behavior from real-world time-series data. Neural ODEs model system dynamics in continuous time, providing smooth trajectory prediction and a natural representation of continuously evolving thermal dynamics. A key contribution is the integration of simplified heat-transfer equations directly into the Neural ODE formulation. The model is evaluated across datasets from fifteen transformers in different regions of Norway with varying designs and cooling mechanisms. The results demonstrate that the developed Neural ODE framework provides a standardized, physics-aware, and robust forecasting approach for heterogeneous transformer units.
• Abstract（参考訳）: 電力変圧器の熱挙動の正確なモデリングと予測は、信頼性、資産寿命、最適化された電力系統の運用に不可欠である。 有限要素法 (FEM) や計算流体力学 (CFD) のような数値的手法は高い忠実性を提供するが、計算コストが高く、複雑なメッシュ生成を必要とし、特に変圧器測地が不明な場合、しばしばリアルタイムや大規模アプリケーションでは実用的ではない。 ランプパラメータ熱モデルはより実用的であるが、変圧器固有の熱定数に依存しており、様々な動作および環境条件下での動的応答を捉えることができない可能性がある。 人工ニューラルネットワーク、畳み込みニューラルネットワーク、長期短期記憶(LSTM)ネットワークなど、純粋にデータ駆動の機械学習手法は、トランスフォーマー温度の予測に成功しているが、通常、大量の高品質なトレーニングデータを必要とし、物理的に一貫性のない、あるいは解釈不能な結果を生み出す可能性がある。 本稿では,実世界の時系列データから変圧器の熱挙動を予測するための物理対応ニューラル正規微分方程式(Neural ODE)フレームワークを開発する。 ニューラルODEは連続時間で力学をモデル化し、スムーズな軌道予測と継続的な熱力学の自然な表現を提供する。 重要な貢献は、単純化された熱伝達方程式をニューラルODEの定式化に直接統合することである。 このモデルは、ノルウェーの異なる地域の15の変圧器から、様々な設計と冷却機構を用いてデータセット間で評価される。 提案するNeural ODEフレームワークは,異種変圧器ユニットの標準化,物理認識,堅牢な予測手法を提供する。

関連論文リスト

• PINN-Cast: Exploring the Role of Continuous-Depth NODE in Transformers and Physics Informed Loss as Soft Physical Constraints in Short-term Weather Forecasting [0.6372261626436676]
  気象予測は物理学に基づく数値気象予測(NWP)に依存してきた。 最近の変圧器ベースの予測器は効率的なデータ駆動の代替手段を提供するが、変圧器は物理に依存しないモデルである。 本稿では,ニューラル正規微分方程式(Neural ODE)を組み込んだ天気予報用連続深度変圧器エンコーダを提案する。
  論文  参考訳（メタデータ） (2026-04-30T01:51:58Z)
• Physics-Informed Learning of Proprietary Inverter Models for Grid Dynamic Studies [0.5999777817331317]
  インバータの固有動力学をエミュレートする物理インフォームドニューラル常微分方程式に基づくフレームワークを開発した。 提案手法はグリッドフォーミングインバータ (GFM) のケーススタディを用いて検証した。
  論文  参考訳（メタデータ） (2025-07-21T05:48:31Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• A Physics-Informed Spatiotemporal Deep Learning Framework for Turbulent Systems [0.0]
  対流に対する物理インフォームRBCサロゲートモデルを提案する。 我々のアプローチは、空間還元のための標準次元ニューラルネットワークと、大きな言語モデルにインスパイアされた革新的な再帰的アーキテクチャを組み合わせる。 このモデルは、計算コストを削減しつつ、重要な物理的特徴を再現し、長期シミュレーションのためのDNSに代わるスケーラブルな代替手段を提供する。
  論文  参考訳（メタデータ） (2025-05-16T06:47:00Z)
• Inverse Modeling of Dielectric Response in Time Domain using Physics-Informed Neural Networks [1.680048515550978]
  絶縁材料の誘電応答(DR)は、電気絶縁システムを設計し、HVデバイスの安全な運転条件を定義するための重要な入力情報である。 本稿では、並列RC回路を用いた時間領域におけるDRの逆モデリングにおける物理インフォームドニューラルネットワーク(PINN)の利用について検討する。
  論文  参考訳（メタデータ） (2025-04-28T11:36:49Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Residual-based Attention Physics-informed Neural Networks for Spatio-Temporal Ageing Assessment of Transformers Operated in Renewable Power Plants [0.6223528900192875]
  本稿では,変圧器の巻線温度と経年変化に関する時間モデルを紹介する。 物理ベースの偏微分方程式とデータ駆動ニューラルネットワークを用いる。 フローティング太陽光発電プラントで動作する配電変圧器を用いて, 実験結果を検証した。
  論文  参考訳（メタデータ） (2024-05-10T12:48:57Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Thermal Neural Networks: Lumped-Parameter Thermal Modeling With State-Space Machine Learning [0.0]
  電力システムの熱モデルには、リアルタイム能力と高い推定精度の両方が必要である。 本研究では,熱伝達に基づくラムド型パラメータモデルとして,熱ニューラルネットワーク(TNN)を導入し,両者を統一した。 TNNは状態空間表現を通じて物理的に解釈可能な状態を持ち、エンドツーエンドのトレーニング可能であり、その設計に材料、幾何学、専門知識を必要としない。
  論文  参考訳（メタデータ） (2021-03-30T13:15:48Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。