面向变压器状态监控的物理信息机器学习 -- 第II部分：物理信息神经网络与不确定性量化
机器学习
2025-12-30 v1
摘要
将基于物理的知识与机器学习模型集成正逐渐改变电力变压器的监测、诊断和预估。本两部分系列的第二篇聚焦于将物理知识与不确定性集成于学习过程。我们首先介绍物理信息神经网络（PINN）的基本原理，并将其应用于时空热力学建模和固体绝缘老化。基于此，我们提出贝叶斯PINN作为系统性框架，用于量化表观不确定性并在稀疏数据下提供稳健预测。最后，我们概述了展望，凸显物理感知和可信机器学习在关键电力资产中的潜在价值。
引用
@article{arxiv.2512.22189,
title = {Physics-Informed Machine Learning for Transformer Condition Monitoring -- Part II: Physics-Informed Neural Networks and Uncertainty Quantification},
author = {Jose I. Aizpurua},
journal= {arXiv preprint arXiv:2512.22189},
year = {2025}
}
备注
7 pages, 8 figures, published as conference paper in IEEE Advanced Research Workshop on Transformers 2025 as part of the Tutorial delivered with the title "Physics-informed Machine Learning for Transformer Condition Monitoring"