本发明涉及变压器监测，具体为基于物理约束嵌入神经网络变压器电磁热场实时预测方法。
背景技术：
1、当前，变压器作为电力系统的核心设备，其运行状态直接影响电网的安全性和稳定性。然而，传统基于有限元方法（fem）的电磁热场仿真存在显著瓶颈：计算耗时长达数小时，无法满足实时监测需求；同时，电磁场与温度场的强耦合效应（如涡流损耗导致温升，进而影响材料参数）需要反复迭代求解，导致计算复杂度呈指数级增长。现有商业软件（如comsol、ansys）依赖网格剖分和数值迭代，难以适应动态工况的快速分析，尤其在故障状态下（如局部过热、绕组变形）的仿真精度不足，误差可达10%以上。此外，传统方法对硅钢片b-h非线性特性、材料温变参数等动态特性的处理依赖人工插值或简化模型，不仅实时性差，在饱和区的计算误差超过15%，严重影响工程决策的准确性。
2、近年来，深度学习技术虽被尝试用于加速电磁场计算，但纯数据驱动模型缺乏物理规律约束，泛化能力差，且无法处理材料非线性更新问题。此外，现有方法多局限于单一物理场预测，未能有效融合电磁-热耦合效应，导致在异常工况下的预测失效。边缘计算场景下，现有模型的参数量庞大，难以在工业设备上实现毫秒级响应，制约了其在实时监控系统中的部署。
3、因此，急需一种能够融合多物理场耦合机制、嵌入材料非线性动态更新，并适配边缘计算的高效预测方法，以解决传统仿真速度慢、现有深度学习模型精度低的两大技术矛盾，为变压器智能运维提供可靠的数字孪生支撑。
技术实现思路
1、针对现有技术的不足，本发明提供了基于物理约束嵌入神经网络变压器电磁热场实时预测方法，其目的在于解决背景技术中的问题。
2、为实现上述目的，本发明提供如下技术方案：基于物理约束嵌入神经网络变压器电磁热场实时预测方法，包括如下步骤：
3、步骤s1：选取负载率、环境温度、外壳对流换热系数为关键参数，用最优拉丁超立方抽样生成样本点并按比划分为训练、测试集，为每个样本点建变压器三维电磁-热-流体耦合有限元模型求解场分布数据，提取绕组顶层油温、三个外壳特征点温度并生成绕组温度分布标准云图，构建训练与测试样本数据库；
4、步骤s2：基于所述数据库，构建输入为负载率、顶层油温及三个外壳特征点温度、输出为绕组温度分布云图的深度全连接神经网络，设计含数据损失和物理损失的总损失函数，通过优化算法最小化训练总损失，迭代更新参数至神经网络收敛；
5、步骤s3：训练完成后，将测试样本数据库输入深度全连接神经网络得到预测云图，计算预测云图与温度分布标准云图的绝对误差并生成误差分布云图，若最大绝对百分比误差≤预设阈值，则判定神经网络合格；
6、步骤s4：将合格的神经网络部署到变压器在线监测系统，监测系统实时采集负载率、顶层油温及三个外壳特征点温度并传入合格的神经网络，输出绕组区域实时温度分布云图，实现变压器电磁热场实时预测。
7、进一步的，步骤s1的具体过程为：
8、步骤s1.1、确定关键参数及工程变化范围：选取对变压器温度场影响显著的三个外部变量作为关键参数，分别为负载率、环境温度、外壳对流换热系数；
9、步骤s1.2、生成样本集并划分：采用最优拉丁超立方抽样方法，在关键参数构成的三维变量空间内生成若干个样本点，每个样本点用包含三个外部变量值的三维向量表示；之后按预设比例将所有样本点随机划分为训练样本集和测试样本集；
10、步骤s1.3、建立多物理场耦合有限元模型并求解：针对每个样本点，通过“全局建模-局部精算”的子模型法结合多物理场耦合机制，引入磁场梯度自适应剖分与损耗-温度双向耦合算法，求解有限元仿真计算结果；
11、步骤s1.4、数据预处理与数据库构建：对每个样本点的有限元仿真计算结果进行后处理，提取工况下绕组的顶层油温以及预设的三个外壳特征点温度；同时将绕组区域的温度场映射到预设的规则网格上，生成绕组温度分布标准云图；每个样本点对应的数据记录包含两部分，一是由负载率、绕组顶层油温、三个外壳特征点温度构成的输入特征向量，二是作为目标输出的绕组温度分布标准云图；根据所有样本点的数据记录，分别构建训练样本数据库和测试样本数据库。
12、进一步的，步骤s1.3的具体过程为：
13、步骤s1.31、磁场梯度自适应全局粗糙剖分与边界磁位提取：构建变压器3d全局磁场模型，通过梯度导向的非均匀剖分提升边界磁位精度，包括：
14、步骤s1.311、全局磁场模型初始均匀粗糙剖分：采用初始单元尺寸对全局磁场模型进行剖分，记初始剖分单元集合为，剖分单元数量为；
15、步骤s1.312、全局磁场预计算与梯度分析：求解额定工况下的磁感应强度分布，表示空间坐标，计算各剖分单元的磁感应强度梯度模值，量化磁场变化剧烈程度；
16、步骤s1.313、自适应剖分调整与迭代收敛：设定磁场梯度阈值，对满足的剖分单元，缩小剖分单元尺寸；调整后求解磁场分布，基于电磁场焦耳损耗公式，计算绕组区域的初始损耗热源；重复步骤s1.312-步骤s1.313，直至相邻两次剖分的全局磁位均方误差小于第一阈值，最终提取绕组边界的磁位；
17、步骤s1.32、损耗-温度双向耦合的局部绕组建模与涡流损耗计算：在全局磁场模型基础上，切割绕组区域作为局部子模型，通过动态耦合迭代提升损耗精度，包括：
18、步骤s1.321、局部子模型初始网格加密与温度场初算：对局部子模型进行精细剖分，基于绕组区域的初始损耗热源，通过简化热传导方程计算绕组初始温度分布；
19、步骤s1.322、材料参数的温度依赖性修正：基于，修正电导率与磁导率；
20、步骤s1.323、耦合迭代的涡流损耗计算：将绕组边界的磁位施加到局部子模型的边界上；将修正后的电导率与磁导率代入涡流场控制方程，求解新的涡流损耗分布；将新的涡流损耗分布作为热源代入热传导方程，更新绕组温度分布；
21、步骤s1.324、迭代收敛判断：计算相邻两次迭代的涡流损耗相对误差，若小于第二阈值，输出最终收敛的绕组涡流损耗；
22、步骤s1.33、基于步骤s1.31的全局磁场分布、步骤s1.32的最终收敛的绕组涡流损耗，构建变压器三维电磁-热-流体多物理场耦合有限元模型，整合电磁场、流体场与温度场的控制方程；通过求解多物理场耦合有限元模型获得有限元仿真计算结果。
23、进一步的，步骤s2的具体过程为：
24、步骤s2.1：定义深度全连接神经网络输入与输出：深度全连接神经网络输入为5个参数，分别为变压器的负载率、绕组顶层油温、三个外壳特征点温度；深度全连接神经网络输出为整个绕组区域在预设规则网格上的温度分布云图；
25、步骤s2.2：搭建深度全连接神经网络结构：构建深度全连接神经网络，该网络由输入层、隐藏层和输出层组成；其中输入层包含5个节点，与深度全连接神经网络输入的5个参数对应；输出层包含的节点数量与绕组温度分布云图的矩阵元素数量一致；隐藏层设置为4层，每层包含128个神经元，神经元的激活函数采用relu函数；
26、步骤s2.3：设计损失函数：所述损失函数包括数据损失和物理损失两部分，总损失函数为这两部分损失的加权和；
27、步骤s2.4：深度全连接神经网络训练：从训练样本数据库中读取批量数据，通过优化算法最小化训练总损失；其中训练总损失为所有训练样本的个体总损失的平均值，每个训练样本的个体总损失由步骤s2.3中的总损失函数计算得到；在训练过程中，通过迭代更新深度全连接神经网络的参数，直至收敛。
28、进一步的，步骤s3的具体过程为：
29、步骤s3.1：从测试样本数据库中读取测试样本，将测试样本中的输入特征向量输入步骤2训练完成的深度全连接神经网络，计算得到绕组温度分布预测云图；
30、步骤s3.2：计算绕组温度分布预测云图与温度分布标准云图之间的绝对误差，即每个温度点的预测温度与标准温度的差值的绝对值；
31、步骤s3.3：生成误差分布云图，通过误差分布云图直观展示预测误差的空间分布；若预测结果的最大绝对百分比误差不超过预设阈值，则判定该训练完成的深度全连接神经网络验证合格。
32、进一步的，变压器三维电磁-热-流体耦合有限元模型中，电磁场控制方程采用a,φ-a法构建，流体场与温度场耦合控制方程遵循质量守恒、动量守恒、能量守恒三大物理学基本原理，采用统一形式的方程。
33、进一步的，数据损失用于计算神经网络输出的预测云图与温度分布标准云图之间的均方误差，计算方式为将预测云图所有温度点的预测温度与标准云图所有温度点的标准温度的差值平方后求平均值；物理损失包括第一物理损失和第二物理损失；第一物理损失用于计算预测云图满足热传导方程的残差，先根据热导率、预测云图的二阶空间导数以及体积功率密度计算残差，再将所有用于计算第一物理损失的温度点的残差平方后求平均值；第二物理损失为预测云图最大值与标准云图最大值之间的绝对百分比误差。
34、一种电子设备，包括处理器、存储器和总线，所述处理器和所述存储器通过所述总线相连，其中，所述存储器用于存储一组程序代码，所述处理器用于调用所述存储器中存储的程序代码，执行基于物理约束嵌入神经网络变压器电磁热场实时预测方法。
35、一种非易失性计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令执行基于物理约束嵌入神经网络变压器电磁热场实时预测方法。
36、与现有的技术相比，本发明具备以下有益效果：
37、（1）本发明针对传统有限元精度不足、效率低、泛化差、工程应用难等问题，通过磁场梯度自适应剖分+损耗-温度双向耦合，精准提升电磁热场计算精度；采用物理信息神经网络实现秒级响应，解决实时监测效率瓶颈；结合全工况样本与物理方程约束增强泛化性，且输入易测、输出可视化，降低运维成本，同时为变压器热设计、智能运维及寿命评估提供可靠支撑。
38、（2）本发明通过磁场梯度自适应剖分，在磁场剧烈变化区域动态调整单元尺寸，提升边界磁位提取精度；引入损耗-温度双向耦合算法，考虑电导率、磁导率的温度依赖性并迭代修正，使涡流损耗计算更贴合实际物理过程，显著提高多物理场耦合模型的整体精度。
39、（3）本发明采用物理信息神经网络直接映射输入输出关系，跳过传统有限元复杂的网格剖分与多场迭代过程，大幅缩短计算时间，满足变压器工况实时监测的效率需求；基于最优拉丁超立方抽样生成覆盖全工程工况的样本集，同时将电磁、热、流体等物理方程嵌入模型作为约束，使模型在正常、异常工况下均能保持良好的预测性能，解决纯数据驱动模型泛化性不足的问题。
40、（4）本发明输入参数仅需易获取的负载率、顶层油温及少量外壳特征点温度，无需复杂或侵入式传感器；输出绕组温度分布云图，直观展示温度场分布，便于运维人员快速定位问题，降低监测与运维成本；高精度的损耗和温度场计算结果，可为变压器热设计优化、寿命评估及智能预警决策提供可靠依据，助力变压器设计更精准、运行更安全。