AI驱动的主配变智能监测与预警技术及系统

任洲洋李文浣院士团队重庆大学电气学院 基本情况 重庆大学电气学院副教授，博导，省级人才计划入选者 任洲洋 研究领域：新型电医统达安全评估与智精快策电氢综合能源系统学术莱职EEE Trans.on Smart GridEEE Trans.on Sustainable EnergyIEEE1PowerEngineeringLetters等国际电力顶刊AssociateEditorlEEEPES可再生能源电力系统调度运行分技术卖员会副主屌lEEESeniorMember等 中国知网高影响力学者（前1%）IEEETrans.on SustainableEnergyOutstandingAssociateEditor等两项国际荣普获国家自然科学一等奖提名（排4）省级科技奖励2项（排1盛3）获省级教学成果奖1项（排） 发表IEEETnS械中国电机程学报高水平S期论文9O余人选ES高被I热点论文2管中国知网高影响力论文5篇在中国电机工程学报，AppliedEnergy策划专刊3次主持国家自然科学基金等项目30余项获国家发明专利30余项软件著作权6项 学术成果 提出低碳安全空间刻画跨时空调配全链条规划电氧综合能源系统运行与规划理论体系提出“概率预测-边界刻画智慧决策“新型电力系统概率安全评估与智慧决策技术体系研发新型电力系统供需平衡智慧分析与决策、配电网-氢能系统规划与运行分析等商业软件 科学研究 促进新能源高效消纳，提高新型电力系统安全运行水平 工程应用 研发新型电力系统供需平衡智慧分析与决策系统、配电网-氢能系统运行与规划仿真分析、主配变负载智能监控与预警系统、新能源智能预测系统等四款商业软件，应用于20余省市电网 学术专刊 中国电机工程学报Al专题、AppliedEnergy电氢专刊正在征中欢迎投稿！ 数据密集型科研范式下的新型电力系统供需平衡分析与调控技术”专题征稿启事 Applied Energy Aruclos&issueAboutAPublshSedrchnthisou? Towards Zero Carbon Emission Smart Cities Driven by Hydrogen Energy 以风光为系统电力电量供应的载至2023年，我国风光装机容靠占比为36%，发电量占比美破15%。部分省份的风光装机容量和发电请占比包分别突破60%和30%随着风光占比的持续提高，源，树，荷各环节的强不确定性多时间尺度运行边界强相依性，调度决策高变革并呈现电力电带供需失衡风险时变性复杂性等特征现有平衡分析 (ylogaenergy.vahsojuordegeofzerscothanehsinnseibatureoepasegtdveraonwifohaenereytormssuclvacelectrtitycndheat.oconsideredgsaredtteorasfpiomisingsecordaiyenaccleslathe2ltcenuyMamcouneshinutngchinaneoneletKibgdorisrfitenteuttihaeopapnatoddeyelopenentstroteglesfofhwdogerenarey Thelarge-scolepromotioitondirtilzanonoflydeogenenergolongtheayeshtecttyraennpbatohurgusndhapys.htsiesedrvenzercecarbasrarrcifieslsrelotivelxlimitedThsspecla sseigestublisheatoinyiteekpertsendscholdrsftomicecniasntifeustrtotenttyxpioreheimptenirnlationpnthskeytrehneogies.undcriftcalchallengesoferiticaenetgy Hefastruciueetorssnanglesbyenbyhvdsogenanersy 从电力系统百会实验与理论推导为核心的理论科研范式和电力系统的发展和进步，在高级做数据呈现密集化，多先化，实时化等特征型科研范式这一转交深化了对电力力系统供需中因果关系的理牌关系的探索边界为新型电力系统平衡分析与滴控技术开赔了新的研究思路。将电力数据研究对象化，以深度学习，强化学习等人工智能为技术载体，开展基于数据密集型科研范式下的电力供需平衡知识发现研究，探究新型电力系统调控机理，已成为国内外学者关注的焦点问题。 Gulst editors Prot.Zhouyong Ren,PhD Praf.Surg.Wotkaty Phb Prot.Dovd Flyen,PhD AnciesWoffSrlignlnFpgineeri 基手上述背象中国电机工程学报编辑部特邀配庆大学柱洲洋副敏接、华中科技大学爱腾学教授、北京大学孙铭阳研究员，清华大学康重庆数接作为特约主编，共同生持“教据腾集型料研范式下的新型电力系统供需衡分折与需控技术专题，中国电机工程学接》队以专题形式于2025年下半年出版（正刊） Prof.jtanzhiongWu.PhDSehoptofFrgineerng.CuroffuniyeoraiCetif.uk Prl.Jin Lin,phn Departmentofmlecrcaleering.Tinghuat 研发背景 2AI驱动的主配变智能预警技术 目录 3主配变智能监控与预警系统 应用案例与用户反馈 PART01 研发背景 1.1研发背景 主配变重过载问题已成为生产运维面临的关键痛点之一严重制约可靠供电 随着新能源，充电桩等新型源荷海量接入电力负荷波动特性发生深刻改变，主配变压器重过载事件频发并发设备损毁、停电等，社会影响较大 2022年春节期间，A省配变重过载达3800余台，因变压器重过载导致的停电投诉占同期投诉的50%以上B省每年因重过载导致的10kV线路和配变停运超过13000次，引发大量配变损毁 1.2关键挑战 主配变负载的强随机-弱规律-差异化波动特征导致精准预警极为困难 主配变重过载事件现偶然性突发性时空分散性危害性等特征，追切需要预警早，预警准的核心技术，驱需研发的主配变负载智能监控与预警技术及系统。 主配变负载变化呈现强随机性、弱规律性、时空差异性，早预警、准预警极为困难 受环境温度运行声翰况和设备状态等因素影响双变压器载荷能力呈现动态变化特征 1.3研究现状 主配变负荷预测方法：为提高对春节等小概率事件的预警精度以及模型的适应性，提出基于改进informer和小样本驱动的主配变周前负荷顽测技术 主配变载荷能力评估方法：针对现有方法未考虑冷却模式和设备老化对主配变载荷能力影响的不足提出考虑热老化的变压器动态载我荷能力评活方法 1.4研究思路 AI驱动的主配变智能监测与预警技术及系统 1.5系统研发 与广西电网合作研发主配变负载智能监控与预警系统，支撑迎峰度夏/度冬 02PART AI驱动的主配变智能预警技术 2.1研究思路 关键问题 现有预警模型采用“离线训练，在线预测的方式，缺乏动态自适应的调整能力； 主配变重过载事件集中发生于度夏度冬期间，如何有效应对这一时期显著的时序分布漂移现象，适时更新模型参数，是吸需解决的关键问题。 技术思路 部析度夏度冬期间时序分布漂移现象的影响，基于泛化误差特征构建变压器负荷预测模型，提升主配变重过载预警模型的适应性：充分考虑气象环境等因素，提出考虑动态载荷能力的主配变重过载预警模型 2.1.1考虑时序分布漂移现象的主配变预警模型 变压器负荷数据容易受用户行为的影响，规律性差异较大，惯性较弱预测难度远高于系统级负荷：变压器负荷时序数据中存在复杂的长距离依赖关系，大大提高了负荷预测的难度。 多头概率稀疏自注意力机制 Informer模型由编码器和解码器构成。在编码器中原始序列每当经过一次注意力层、卷积层和最大池化层，原始序列的长度减半在解码器中，采用生成式解码的方式，避免动态解码方式耗时长，误差累积的缺点 2.1.1考虑时序分布漂移现象的主配变顽警模型 在度夏度冬期间变压器负荷存在明显的时厚分布漂移现象频即当前时负荷数据居的统计特性与历史负荷数据的统计特性存在明显差异， 良好的预测模型应当同时具备低偏差、低方差的预测效果。为此，基于泛化误差特征，建立基于迁移学习的负荷预测修正模型，充分考虑“近大远小”的预测原则，建立修正模型的在线更新策略，持续提升预测模型对当前负荷数据的适应性 Informer模型泛化误差特征 E( D) -E,IC(X D)-)-(()-v) +E,(xD)-/(x)+ E.[,-]- bias (x) + var() + s 偏差 方差 2.1.1考虑时序分布漂移现象的主配变预警模型 利用高斯过程捕捉残差在各时刻的波动特征你补informer模型预测结果与真实结果之间的偏离程度，利用残差的概率分布表征informer模型预测结果在真实结果附近的波动情况。将Informer模型的顽测结果与修正模型结果累加，通过建立边界权重矩阵，对不同预测区间的上下边界加权求和，大幅提升未来不同时间尺度变压器负荷预测精度 口基于高斯过程模型的修正模型 口在线更新策略 基于边界权重矩阵的加权求和函数y= w0()+0d.()+.+ 0.d.(x) 均值数与核函数 复合核函数 K-h+k+koun +kahw+k() F-x(x+ovar()- k (u(u)-k(k+cA 模型更新的一般形式w.n=argmind(w.w.)+n.s(y.w.f) 上边界与下边界 径向基核函数 样本权重矩阵与更新函数 K-0exlL() -( +P)-2aVvar()U (a) =( +7)+z/ 2 Vvar() 2.1.2算例分析 将训练数据分为两部分，第一部分数据集训练lnformer模型，使用Informer模型在第一部分数据集上的预测结果与真实结果之间的残差构建修正模型，以度夏期间的样本作为测试数据。选择基于LSTM构建的方法一、基于Reformer模型构建的方法二作为对比。 仿真结果 2.1.2算例分析 所提预测模型输出的预测曲线能够紧密跟随真实负荷曲线的波动行为 由于发生了时序分布漂移现象，当前负荷数据的统计特征与历史数据之间存在一定差异因此，方法一和一的预测结果与真实结果之间存在较大的偏差 评估指标 为直观显示不同方法的预测精度，采用平均绝对百分误差（MeanAbsolutePercentageError，MAPE）和均方根误差（RootMeanSquareError，RMSE）作为主要的评价指标。 2.1.2算例分析 方法三：将变压器静态额定容量作为重载、过载的判断标准 迎峰度冬期间，所提方法对4号变压器的重载预警结果比方法三的重载预警结果少2次，在迎峰度夏期间，所提方法对6号变压器上的重载预警结果比方法三的重载预警结果多1次。 警模型可有效降低虚警次数 在度夏期间，变压器内部热量长期积累难以释放，负载率未达到方法三的预警标准，也即出现漏警情况。实际上此时变压器为部运行状态已开始遂步恶化而听提预骼模型可有效降低据警次数 2.2研究思路 关键问题 在春节等节假日期间由于大量外出务工人员返乡，部分区域主配变重过载事件频发 春节等事件的发生日期不固定，样本稀缺，该时期负荷曲线与相邻负荷曲线呈现出异的变化特征：如何充分利用小样本数据量化春节等事件对负荷波动特性的影响，提高预警模型的适应性，是实现精准预警的关键。 技术思路 部析小样本数据的经典波动特征，构建数据增强方法：利用MAML算法捕捉共性规律，提升预警模型泛化能力：充分考虑设备状态，提出考虑热老化的变压器动态载荷能力评估方法，提高预警精度 2.2.1小样本数据驱动的主配