物理结构化POD-神经网络用于跨工况的高压直流电缆三维温度场降阶建模

《Electronics》：Physics-Structured POD–Neural Networks for Reduced-Order Modeling of the Three-Dimensional Temperature Field in HVDC Cables Across Operating Conditions

　　

高压直流（HVDC）电缆的温度场决定了其载流量和绝缘寿命，因此必须在不同运行条件下准确预测。有限元（FE）模拟准确，但重复评估成本过高，而数据驱动的降阶模型（ROM）在训练电流范围外往往外推能力差。本文提出了一种物理结构化的本征正交分解（POD）-神经网络降阶模型来解决这一局限。具体而言，POD将三维温升场压缩为少数模态系数，这些系数由神经网络根据运行条件预测。关键创新在于将焦耳热定律直接嵌入架构中：主系数表示为电流平方因子乘以学习到的与电流无关的形状。这一构造保证了主导模态的正确电流标度，包括其零电流极限和训练范围外的外推。在八层交联聚乙烯（XLPE）电缆的有限元数据上，该模型在电流外推下实现了2.4%的平均相对误差，并在最大训练电流的两倍时仍低于5%，优于高斯过程（GP）、动态模态分解（DMD）、自回归和黑箱基线。全场的评估每个条件约需一毫秒，且成本与训练集大小无关。受控消融实验表明，改进源于结构性地强制执行标度律，而非仅仅将作为输入特征。因此，将已知的物理标度嵌入代理架构为实现可靠外推提供了原则性途径。

**论文解读：物理结构化POD-神经网络用于HVDC电缆三维温度场的可靠外推**

**研究背景与问题**

高压直流（HVDC）电缆的温度场直接决定其载流量和绝缘寿命，是安全经济运行的关键。有限元（FE）分析能准确解析温度梯度，但重复评估成本过高，难以满足载流量研究、动态负荷和数字孪生等需多次查询的场景。数据驱动的降阶模型（ROM）虽能加速，但典型方法（如高斯过程回归、动态模态分解、自回归模型、黑箱回归）在训练电流范围外外推能力差，尤其在高负荷工况下不可靠。现有方法缺乏结构约束，无法保证学习到的映射在数据缺失区域遵循物理规律。因此，需一种能在电流外推时保持精度的代理模型。

**研究内容与结论**

本研究提出一种物理结构化的POD-神经网络降阶模型（POD-NN(phys)），通过将焦耳热标度律（Joule-heating scaling law）直接嵌入网络架构，实现电流外推的可靠预测。在八层交联聚乙烯（XLPE）HVDC电缆的有限元参考数据上，模型在电流外推条件下平均相对误差为2.4%，在最大训练电流两倍时仍低于5%，优于所有基线。全场评估每个条件约需1毫秒（GPU），离线成本在约21次查询后摊销。消融实验证实，提升源于架构约束而非输入特征提供。该工作发表在《Electronics》。

**主要关键技术方法**

1. **本征正交分解（POD）**：将三维温升场压缩为少量模态系数，保留前r阶模态（本文取r=11），能量捕获超过99.99%，投影误差低于0.01%。
2. **物理结构化系数模型**：主系数化为电流平方因子乘以学习到的充电形状（charging shape），即a₁ = (I/I_ref)²·s₁(T_amb, t; θ₁)·c₀，确保零电流极限和精确外推。其余系数由标准多层感知机（MLP）预测，输入包含I²特征。
3. **训练与评估协议**：基于COMSOL Multiphysics生成有限元数据集，采样9个环境温度（-30°C到50°C）和5个负荷电流（0-400A），共45个工况，600个时间帧。训练集包含5个温度与4个低电流，外推集为所有温度下最高电流400A。模型用Adam优化，标准化损失函数，早停与权重衰减。

**研究结果**

**4.3 POD分析**
通过奇异值分解（SVD）分析温升场，发现谱衰减极快：第一奇异值超过第二阶一个数量级，前两个模态捕获超过99.99%能量。图3显示单模态能量约99.7%，图4-5表明模态集中在径向结构，轴向上几乎不变。图6验证稳态主系数与I²呈精确线性关系（最大相对残差10^-13），确认焦耳标度律成立。

**4.4 跨工况精度**
表3显示POD-NN(phys)总体误差1.88%，外推误差2.4%，与内插误差（1.8%）持平。基线中，POD-GPR外推误差7.43%，DMDc、POD-LSTM、Direct-MLP均约30%。图7条件误差图显示模型误差均匀且低，外推列仅略升至2.2%。图8在最苛刻外推条件下（400A, 50°C）点误差小于0.69%峰值。

**4.5 消融与外推深度**
表4对比三种变体：通用MLP外推误差13.4%，添加I²特征后仅降至11.6%，而结构化模型降至2.4%。图9和表5显示随外推深度增加（1.5倍、2倍最大训练电流），通用网络误差升至51.7%，结构化模型仅升至4.3%。完全结构化变体（所有系数带I²因子）误差平坦，约1.1-1.2%。消融表明结构约束是外推可靠性的关键。

**4.6 鲁棒性与超参数敏感性**
图10a显示POD秩r从1到20，总误差保持在1.8-2.5%，由回归主导。图10b显示权重衰减系数在10^-6到10^-4间稳定，强正则化（10^-2）才退化。环境温度外推测试（-30°C/50°C）验证，模型误差约2.5%，通用网络升至14.7%。

**4.7 灵敏度与时间跟踪**
图11显示稳态主系数随电流二次增长，其余系数微小。图12在外推条件下追踪前三模态系数的时间演化，POD-NN(phys)紧密跟随有限元参考，而基线偏离明显。

**4.8 计算成本与可扩展性**
表6显示POD-NN(phys)推理耗时约1ms/条件（GPU），5.3ms（CPU），比有限元快数个数量级，且成本与训练集大小无关。POD-GPR推理慢约30倍，且训练成本O(N³)。模型离线训练约20个有限元求解（~50分钟）加1分钟训练，21次查询后摊销。

**讨论与结论**

**讨论部分**指出，本研究的小温升线性机制下焦耳标度律精确成立，模型结构性嵌入无额外误差。非线性（如电阻温度依赖性）可通过定点修正扩展。边界条件与环境参数（如土壤热阻）可加入输入向量，POD基在几何固定时可复用。模型非替代有限元，而是多查询场景的补充，适用于数字孪生。实验室平台初步验证了工作流程，表面温度预测偏差0.03K。

**结论**：本文提出物理结构化降阶模型，将焦耳热标度律嵌入架构，实现电流外推的可靠预测。在八层XLPE HVDC电缆上，外推误差2.4%，在最大训练电流两倍时仍低于5%，且毫秒级评估。消融证实结构约束是增益来源，而非输入特征。该设计为数据驱动ROM缺乏可靠外推的问题提供了原则性解决方案。未来工作将实现电阻率校正、扩展到循环负荷和环境参数，并开展仪器化验证实验。