本發明涉及電力設備預測，尤其涉及一種電力設備的溫度預測方法、電子設備、存儲介質及程序產品。

背景技術：

1、近年來，隨著電力需求的不斷增長和電力設備的老化，電力設備的可靠運行變得愈加重要。電力設備作為電力系統中的關鍵設備，電力設備的溫度情況直接影響電力設備的運行壽命和安全性。目前，電力設備的溫度檢測以及溫度預測主要依賴于定期人工維護和經驗公式，導致存在一定的局限性，難以實時準確有效地預測電力設備的溫度情況，造成電力設備溫度的預測精度和魯棒性不足的問題。

技術實現思路

1、本發明提供了一種電力設備的溫度預測方法、電子設備、存儲介質及程序產品，以解決電力設備溫度預測的準確性較差和魯棒性不足的問題。

2、根據本發明的一方面，提供了一種電力設備的溫度預測方法，該方法包括：

3、獲取目標電力設備在多個時刻下的目標運行數據和目標電力設備在產生目標運行數據時所處環境的目標環境數據；

4、將多個時刻下的目標運行數據和目標環境數據輸入至溫度預測模型中，得到目標電力設備的設備預測溫度；其中，溫度預測模型根據與目標電力設備對應的樣本運行數據和樣本環境數據對全連接神經網絡訓練得到；全連接神經網絡包括多個全連接層；全連接層之間通過激活函數連接。

5、根據本發明的另一方面，提供了一種電子設備，該電子設備包括：

6、至少一個處理器；以及

7、與至少一個處理器通信連接的存儲器；其中，

8、存儲器存儲有可被至少一個處理器執行的計算機程序，計算機程序被至少一個處理器執行，以使至少一個處理器能夠執行本發明任一實施例的電力設備的溫度預測方法。

9、根據本發明的另一方面，提供了一種計算機可讀存儲介質，該計算機可讀存儲介質存儲有計算機指令，計算機指令用于使處理器執行時實現本發明任一實施例的電力設備的溫度預測方法。

10、根據本發明的另一方面，本發明實施例還提供了一種計算機程序產品，包括計算機程序，該計算機程序在被處理器執行時實現如本發明任一實施例的電力設備的溫度預測方法。

11、本發明實施例的技術方案，通過獲取目標電力設備在多個時刻下的目標運行數據和目標電力設備在產生目標運行數據時所處環境的目標環境數據，以便于為后續目標電力設備的溫度預測提供有效的數據支撐；將多個時刻下的目標運行數據和目標環境數據輸入至溫度預測模型中，得到目標電力設備的設備預測溫度；其中，溫度預測模型根據與目標電力設備對應的樣本運行數據和樣本環境數據對全連接神經網絡訓練得到；全連接神經網絡包括多個全連接層；全連接層之間通過激活函數連接，實現了通過訓練后的全連接神經網絡對目標電力設備的溫度進行預測，使得更好地確定電力設備運行過程中的非線性特征和依賴關系，從而有效提高目標電力設備溫度預測的準確性，保障目標電力設備運行的安全性和穩定性。

12、應當理解，本部分所描述的內容并非旨在標識本發明的實施例的關鍵或重要特征，也不用于限制本發明的范圍。本發明的其它特征將通過以下的說明書而變得容易理解。

技術特征：

1.一種電力設備的溫度預測方法，其特征在于，所述方法包括：

2.根據權利要求1所述的方法，其特征在于，所述全連接神經網絡的網絡參數通過預先建立的變參動力學模型優化；所述變參動力學模型表示為：

3.根據權利要求2所述的方法，其特征在于，所述映射函數為φ(x)＝x。

4.根據權利要求2所述的方法，其特征在于，所述溫度預測模型的訓練過程包括：

5.根據權利要求4所述的方法，其特征在于，所述樣本數據對以及與所述樣本數據對對應的期望輸出溫度根據所述電力設備的模擬運行實驗獲得的和/或通過記錄目標電網中與所述電力設備的設備類型相同的樣本設備在多個時刻下的設備運行數據、設備環境數據以及設備溫度數據得到。

6.根據權利要求1所述的方法，其特征在于，所述獲取目標電力設備的目標運行數據和所述目標電力設備在產生所述目標運行數據時所處環境的目標環境數據，包括：

7.根據權利要求1所述的方法，其特征在于，在所述得到所述目標電力設備的設備預測溫度之后，還包括：

8.一種電子設備，其特征在于，所述電子設備包括：

9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機指令，所述計算機指令用于使處理器執行時實現權利要求1-7中任一項所述的電力設備的溫度預測方法。

10.一種計算機程序產品，包括計算機程序，其特征在于，所述計算機程序在被處理器執行時實現如權利要求1-7中任一項所述的電力設備的溫度預測方法。

技術總結
本發明公開了一種電力設備的溫度預測方法、電子設備、存儲介質及程序產品。所述方法包括：獲取目標電力設備在多個時刻下的目標運行數據和目標電力設備在產生目標運行數據時所處環境的目標環境數據；將多個時刻下的目標運行數據和目標環境數據輸入至溫度預測模型中，得到目標電力設備的設備預測溫度；其中，溫度預測模型根據與目標電力設備對應的樣本運行數據和樣本環境數據對全連接神經網絡訓練得到；全連接神經網絡包括多個全連接層；全連接層之間通過激活函數連接。本方案能夠基于全連接神經網絡預測目標電力設備的溫度，從而有效提高目標電力設備溫度預測的準確性和魯棒性。

技術研發人員：張延生,魏煌,邱凌楓,巫耀發,劉宇興,朱麗媛,鐘明睿,謝輝賢,溫永燊,賴涂楠
受保護的技術使用者：廣東電網有限責任公司
技術研發日：
技術公布日：2025/4/24