AI驱动的主配变智能监测与预警技术及系统

任洲洋李文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：新型电力系统概率安全评估与智慧决策、电氢综合能源系统学术兼职:IEEE Trans.on Smart Grid.IEEETrans,on Sustainable Energy、IEEEPowerEngineeringLetters等国际电力顶刊AssociateEditor，IEEEPES可再生能源电力系统调度运行分技术委员会副主席，IEEESeniorMember等 中国知网高影响力学者（前1%）；IEEE Trans.on Sustainable Energy Outstanding Associate Editor 等两项国际荣誉;获国家自然科学二等奖提名（排4）、省级科技奖励2项（排1、3），获省级教学成果奖1项（排7） 荣誉奖项 发表IEEETranS.中国电机工程学报等高水平SCI/EI期刊论文90余篇。入选ESI高被引I/热点论文2篇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”电氢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 学术贡献 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AI专题、欢迎投稿！AppliedEnergy电氢专刊正在征稿中， “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 Articles & Issues VAbout yPublish vOrderjournalQSearch in this joumal 10 December-2024 Towards Zero Carbon Emission Smart Cities Driven by Hydrogen Energy 以风光为代表的新能源已成为我国电力系统电力电量供应的关键主体之底，我国风光装机容量占比为36%，发电量占比突破15%。部分省份的风光装机容量和发电量占比已分别突破60%和30%，随着风光占比的持续提高，源、网、荷各环节的强不确定性耦合交织，电力安全运行边界由确定性演变为概率性，电力电量平衡与调控机理发生根本性变革，并呈现电力电量供需失衡风险时变性、多时间尺度运行边界强相依性、调度决策高维复杂性等特征，现有平衡分析与调控技术面临极大挑战。 SubmisSion deodine:31 Mey 2025 Efficient,clean,ndpollution-freeenergysupplyrepresentscriticalchallengeintheconstructionofsmartcitieHydrogenenergy ith its odvontages of zero.carbon emissions fexiblenature, and eseof canwersionwithotherenergy forms such as electricity and heot, is consldered os one of.the most promlsing secondary energles In the 2lstcentury Many countries, including China, the United Kingdom andthe United States,have proposed nationoldevelopment strategles for hydrogen energy. The large-scole promotion and utilization of hydrogen energy.along withthecontinuous improvementofhydrogenfacilities,havestrengthened thecouplingrelationshipbetweenmultipleenergy systems such as electriclty, hydrogen, transportaotlon,notural gas,ond heat supply systems.Thls provides a newsolution pathto build zero-carbon energysupply systemsfor srnartcities. Howaver, iheexistingesearchon hydrogendriven zero-carbonsmairt citiessrelativelylimited.Thisspeciai issue isestablishedto invite experts and scholdrsfromacodemiaandndustrytojointlyexploretheimplementationpaths,keytechnoiogies,andcriticalchallengesofcriticaenergy infrastructure for smart cities driven by hydrogen energy. 科研范式是指某一特定时期、某一学科的科研人员群体所认可且遵循的科研行为方式。从电力系统百余年的发展历程来看，先后经历了以实验与理论推导为核心的理论科研范式和以计算机模拟仿真为标志的计算科研范式，有力地促进了电力系统的发展和进步。在高级量测、大规模数据存储等技术的持续驱动下，电力数据呈现密集化、多元化、实时化等特征，电力系统研究正迈向以数据驱动为关键特征的数据密集型科研范式。这一转变深化了对电力供需中因果关系的理解、拓宽了电力供需相关关系的探索边界，为新型电力系统平衡分析与调控技术开辟了新的研究思路。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。 Guest editors: Prof. Zhouyang Ren, PhD School of Electrical Engineerlng, Chongqing University, Chongqing, Chin Prof. Sara Walkeir, PhD School of Chemical Engineering, University of Birmingham, Birmingham, Uk Prof. Dovid Flynn, PhD Jomes Wott Schoolof Engineering, University of Glasgow, Glosgow, UK 基于上述背景，《中国电机工程学报》编辑部特邀重庆大学任洲洋副教授、华中科技大学晏鸣宇教授、北京大学孙铭阳研究员、清华大学康重庆教授作为特约主编，共同主持“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，中国电机工程学报》拟以专题形式于2025年下半年出版（正刊）：。 Prof. jianzhong Wu, PhD Schoal of Engingering, Cardff Universtty, Cordff, k Prof. Jin Lin, PhD DepartmentofElectrical Engineering,Tsinghuc University,Beijing,Chin 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 01PART 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 随看新能源、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引发设备损毁、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 主配变重过载事件呈现偶然性、突发性、时空分散性、危害性等特征，迫切需要预警早、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、运行工况和设备状态等因素影响，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预测技术 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荷能力评估方法。 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，是驱需解决的关键问题。 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预警模型 在度夏度冬期间，变压器负荷存在明显的时序分布漂移现象，即当前时段负荷数据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(f;D) =E,[(f(x; D) -yp)")=(F(x)- y)? + E,[(f(x; D)- f(x)"]+ E,[(y-y)"= bias?(x)+ var(x)+ ? 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，弥补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lnformer模型预测结果在真实结果附近的波动情况。将Informer模型的预测结果与修正模型结果累