Physics informed neural networks

Syfte och mål

Syftet med projektet är att vidareutveckla kunskapen om dynamisk drift i realtid av krafttransformatorer och andra nätkomponenter med hjälp av innovativa AI-metoder. Fysikinformerad maskininlärning kan möjliggöra förbättrad drift och ge mer kunskap om värmefördelning i kraftkomponenter, vilket i sin tur kan gynna kraftsystemhantering och framtida komponentdesign.

Projektets mål är att tillämpa fysikinformerade neurala nätverk på data från driftsutrustning genom att använda en tränad modell för att förutsäga den termiska prestandan hos kraftutrustning för realtidsdrift.

KTH är projektkoordinator och Hitachi Energy är projektpartner. Projektet kommer att genomföras i samarbete mellan forskare vid Hitachi Energy.

Förväntade resultat

De tekniska resultat som projektet planerar att uppnå är följande:

• 2D- och 3D-representation av krafttransformator med hjälp av PINN.
• Funktionell och robust prognosmodell som kan förutsäga temperaturfördelningen för krafttillgångar 24 timmarframåt.
• Testade och validerade versioner av 1D-, 2D- och eventuellt 3D-modeller samt prediktionsmodell.
• Tidigare utvecklingsstadier av den kombinerade digitala tvillingmodellen
• Den förväntade effekten är bättre hanterbara och kontrollerbara kraftkomponenter och övergång till bättre utnyttjande och komponentanvändning.