一种配电变压器重过载风险识别方法、系统、设备、介质及产品与流程

本申请涉及电力系统运行与维护，特别是涉及一种配电变压器重过载风险识别方法、系统、设备、介质及产品。

背景技术：

1、配电变压器作为连接输电网与最终用户的关键节点，其运行状态直接决定了配电网的供电可靠性与安全性。随着能源转型的深入，分布式光伏大规模接入、电动汽车充电负荷渗透以及电气化设备的普及，配电变压器的负荷特性已从传统的周期性波动转变为具有强随机性和高波动性的形态，导致重过载事件频发。重过载本质上是一种持续的热应力过程，长时间过载将加速油纸绝缘老化，甚至引发严重的安全事故。

2、当前配电变压器重过载的评估指标单一且僵化：现有运维模式普遍依赖电流阈值（如负载率>1.2倍）进行判定，忽视了变压器的巨大热惯性及环境温度、日照辐射等外部条件的影响。在冬季低温下，设备即使超载运行也可能处于安全温度区间，而仅凭电流判据会造成“误报警”；反之，在夏季高温或通风不良场景下，即使未达额定电流，设备内部热点也可能超温，传统方法容易导致“漏报警”。

技术实现思路

1、本申请的目的是提供一种配电变压器重过载风险识别方法、系统、设备、介质及产品，能够避免误判，提高重过载风险识别准确率。

2、为实现上述目的，本申请提供了如下方案：

3、第一方面，本申请提供了一种配电变压器重过载风险识别方法，包括：

4、获取配电变压器的多源异构数据；所述多源异构数据包括静态台账数据、动态运行监测数据、环境数据。

5、构建基于物理信息残差学习的热点温度预测模型，所述热点温度预测模型包含白盒物理模型和黑盒深度学习模型；所述白盒物理模型用于基于iec标准热路模型计算物理基准温度，所述黑盒深度学习模型用于基于深度神经网络得到物理基准温度的残差修正项。

6、将多源异构数据基于热点温度预测模型进行预测，得到配电变压器的热点温度预测值。

7、根据热点温度预测值并结合多源异构数据中的静态台账数据、动态运行监测数据，计算多维重过载风险指标，所述多维重过载风险指标包括：热风险指标、电气应力指标和设备健康指标。

8、将多维重过载风险指标与预设阈值比较，得到配电变压器重过载的风险状态识别结果。

9、第二方面，本申请提供了一种配电变压器重过载风险识别系统，包括：数据获取单元、模型构建单元、预测单元、指标计算单元、风险状态识别单元。

10、数据获取单元用于获取配电变压器的多源异构数据；所述多源异构数据包括静态台账数据、动态运行监测数据、环境数据。

11、模型构建单元用于构建基于物理信息残差学习的热点温度预测模型，所述热点温度预测模型包含白盒物理模型和黑盒深度学习模型；所述白盒物理模型用于基于iec标准热路模型计算物理基准温度，所述黑盒深度学习模型用于基于深度神经网络得到物理基准温度的残差修正项。

12、预测单元用于将多源异构数据基于热点温度预测模型进行预测，得到配电变压器的热点温度预测值。

13、指标计算单元用于根据热点温度预测值并结合多源异构数据中的静态台账数据、动态运行监测数据，计算多维重过载风险指标，所述多维重过载风险指标包括：热风险指标、电气应力指标和设备健康指标。

14、风险状态识别单元用于将多维重过载风险指标与预设阈值比较，得到配电变压器重过载的风险状态识别结果。

15、第三方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述中任一项所述的配电变压器重过载风险识别方法的步骤。

16、第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的配电变压器重过载风险识别方法的步骤。

17、第五方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的配电变压器重过载风险识别方法的步骤。

18、根据本申请提供的具体实施例，本申请公开了以下技术效果：

19、本申请提供了一种配电变压器重过载风险识别方法、系统、设备、介质及产品，通过获取配电变压器的多源异构数据，突破单一数据源的局限性，构建基于物理信息残差学习的热点温度预测模型，既能提供符合热力学定律的物理基准温度，又能通过残差修正项补偿白盒物理模型的偏差，实现物理一致性与数据驱动精度的统一；将多源异构数据基于热点温度预测模型进行预测，即时输出当前时刻的热点温度预测值，有利于自动化精准评估；根据热点温度预测值计算多维重过载风险指标，将多维重过载风险指标与预设阈值比较，得到风险状态识别结果，打破了传统仅依赖电流阈值的单维判断模式，从多个维度评估重过载风险，避免误判，提高重过载风险识别准确率，大幅提升配电变压器在复杂工况下对重过载风险的感知精度与主动运维能力。

1.一种配电变压器重过载风险识别方法，其特征在于，包括：

2.根据权利要求1所述的配电变压器重过载风险识别方法，其特征在于，所述黑盒深度学习模型采用基于注意力机制的长短期记忆网络，包括输入层、lstm时序编码层、注意力权重计算层和残差输出层；

3.根据权利要求1所述的配电变压器重过载风险识别方法，其特征在于，所述热风险指标包括：热点温度预测值、相对老化率、剩余安全运行时间、气泡产生温度安全裕度中的至少一种；

4.根据权利要求1所述的配电变压器重过载风险识别方法，其特征在于，所述电气应力指标包括：负载率、三相不平衡度、零序电流、电压谐波畸变率中的至少一种；

5.根据权利要求1所述的配电变压器重过载风险识别方法，其特征在于，所述设备健康指标的计算公式为：

6.根据权利要求1所述的配电变压器重过载风险识别方法，其特征在于，所述热点温度预测模型的损失函数为：

7.一种配电变压器重过载风险识别系统，其特征在于，包括：

8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-6中任一项所述的配电变压器重过载风险识别方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的配电变压器重过载风险识别方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的配电变压器重过载风险识别方法。