A Comprehensive Review on Artificial Intelligence-Based Applications for Transformer Thermal Modeling: Background and Perspectives
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The power transformer is a critical component in any transmission and distribution grid. This vital machine faces new thermal stresses arising from challenges related to energy transition along with the ever-increasing load. Understanding and predicting transformer thermal behavior is fundamental to optimizing operation and maintenance, and consequently ensuring the system’s reliability. Transformer thermal modeling (TTM) has garnered significant attention among engineers and researchers. Various approaches to TTM exist, including physical, semi-physical, physical-based numerical, and artificial intelligence (AI)-based models, with the latter being relatively unexplored in the literature. This contribution presents a comprehensive review of AI-based applications for transformer thermal modeling, examining commonly used techniques, inputs, and outputs. Perspectives in the field are discussed, with a focus on gray-box and adaptive models. The impacts of AI-based models in developing digital transformer twins are also explored. Prominent models in TTM include artificial neural networks and fuzzy systems, with support vector regression also featuring among the techniques utilized. Load and ambient temperature are primary inputs in top-oil temperature predictions, while top-oil temperature is crucial for hot-spot temperature predictions. Incorporating historical data is increasingly common in both cases. This review serves as a guide for researchers interested in TTM and highlights perspectives for future developments. AI-based applications offer powerful tools for TTM and, despite present challenges, hold significant potential for transformation in the field.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle