本发明属于计量设备，尤其涉及一种基于物理信息神经网络的电能表温度分布预测方法。
背景技术：
1、在计量设备技术领域，尤其是与电能表相关的应用场景中，准确可靠的测量是至关重要的，但在实际使用过程中，电能表的性能和准确性往往会受到多种因素的影响，如环境温度的变化以及内部件的故障或过热问题。环境温度的变化会影响电能表互感器的温升，进而影响其计量的准确性。同时，电能表内部的元器件在长期运行过程中也可能因故障产生过热现象，这不仅会进一步影响测量精度，还可能导致设备的损坏或火灾风险。
2、物理机理神经网络(physics-informed neural networks，物理信息神经网络)能够将物理限制条件加入到神经网络中，使得神经网络的拟合结果更加符合物理规律。面对需要实时检测和预测准确度高的温度分布场景，尤其在电能表类的电子设备中，如何获取准确的温度分布预测结果，以保障设备的正常运行以及预防过热，仍是一个亟需解决的问题。
技术实现思路
1、针对现有技术中的上述不足，本发明提供的一种基于物理信息神经网络的电能表温度分布预测方法，通过构建电能表温度分布预测的物理信息神经网络，以提取电能表温度监测数据与电能表温度分布情况间的关系，通过物理信息神经网络的热传导预测损失函数和获取的电能表温度监测数据集对物理信息神经网络进行了训练，得到的训练好的物理信息神经网络能够快速准确预测任意目标电能表的温度分布情况，解决了电能表温度分布预测准确度和速度不足的问题。
2、为了达到上述发明目的，本发明采用的技术方案为：
3、本发明提供的一种基于物理信息神经网络的电能表温度分布预测方法，包括如下步骤：
4、s1、获取电能表温度监测数据集；
5、s2、选择电能表温度分布预测的物理信息神经网络；
6、s3、基于物理模型，定义物理信息神经网络的热传导预测损失函数；
7、s4、根据热传导预测损失函数，利用电能表温度监测数据集训练物理信息神经网络，得到训练好的物理信息神经网络；
8、s5、获取目标电能表的温度监测数据，并将目标电能表的温度监测数据输入训练好的物理信息神经网络进行温度分布预测，得到目标电能表的温度分布预测结果。
9、本发明的有益效果为：本发明提供的一种基于物理信息神经网络的电能表温度分布预测方法，获取了电能表温度监测数据集，选择了用于电能表温度分布预测的物理信息神经网络，并定义了物理信息神经网络的热传导预测损失函数，基于热传导预测损失函数和电能表温度监测数据集对物理信息神经网络进行了训练，该热传导预测损失函数中将热传导的物理方程作为硬性约束嵌入了神经网络的训练过程中，确保了物理信息神经网络不仅准确贴合实际观测的电能表温度分布数据，还同时遵循了热传导等物理规律；通过训练好的物理信息神经网络能够在同时考虑电能表的温度监测数据和热传导物理机制，从而实现快速准确地预测得到目标电能表线路板上的温度分布情况；通过本发明方法预测得到目标电能表的线路板温度分布情况，对监控计量设备的电流端子温度和检测可能存在的异常发热点具有重要价值。
10、进一步地，所述s1中的电能表温度监测数据集包括若干不同时段的电能表温度监测数据，以及各电能表温度监测数据对应的电能表温度分布数据；
11、各不同时段的电能表温度监测数据均包括预设时间窗口内电能表的平均环境温度、环境温度变化率、第一板上温度、第二板上温度、第一板上温度变化率和第二板上温度变化率。
12、采用上述进一步方案的有益效果为：本发明提供电能表温度监测数据集，电能表温度监测数据与其对应的电能表温度分布数据，能够为训练物理信息神经网络准确提取电能表温度监测数据与其同时段的电能表温度分布数据间的映射关系提供基础，通过两个板上温度和板上温度变化率的监测数据，能够避免单一板上温度监测数据本身存在误差的情况，同时也能更全面准确地反映板上温度监测信息。
13、进一步地，所述电能表温度分布预测的物理信息神经网络采用全连接神经网络或循环神经网络。
14、采用上述进一步方案的有益效果为：本发明选择的用于电能表温度分布预测的物理信息神经网络既可以是全连接神经网络，也可以是循环神经网络，只要具有足够的容量以学习输入的电能表温度监测数据与其对应的电能表温度分布数据间的映射关系即可。
15、进一步地，所述s3包括如下步骤：
16、s31、选择二维热传导模型作为物理模型；
17、所述二维热传导模型计算表达式如下：
18、
19、其中，u表示温度场，t表示时间，α表示热扩散率，x表示横向空间坐标，y表示纵向空间坐标，表示温度场关于时间的一阶偏微分结果，表示温度场关于横向空间坐标的二阶偏微分结果，表示温度场关于纵向空间坐标的二阶偏微分结果；
20、s32、基于物理模型，计算得到待预测温度场残差；
21、所述待预测温度场残差的计算表达式如下：
22、
23、其中，res表示待预测温度场残差，upre表示待预测温度场，表示待预测温度场关于时间的一阶偏微分结果，表示待预测温度场关于横向空间坐标的二阶偏微分结果，表示待预测温度场关于纵向空间坐标的二阶偏微分结果；
24、s33、根据待预测温度场残差，将待预测温度场的空间域进行离散，得到空间离散温度分布残差项；
25、所述空间离散温度分布残差项的计算表达式如下：
26、
27、其中，lpre表示空间离散温度分布残差项，nt表示预设时间窗口长度，nx表示电能表线路板上横向空间坐标最大值，ny表示电能表线路板上纵向空间坐标最大值；
28、s34、构建预测的电能表温度分布结果与实际的电能表温度分布数据间的数据误差项；
29、所述数据误差项的计算表达式如下：
30、
31、其中，ldata表示数据误差项，表示预测的电能表温度分布结果，uobs表示实际的电能表温度分布数据，|| ||2表示二范数的平方；
32、s35、基于空间离散温度分布残差项和数据误差项，定义物理信息神经网络的热传导预测损失函数；
33、所述热传导预测损失函数的计算表达式如下：
34、loss＝λdataldata+λprelpre
35、其中，loss表示热传导预测损失函数，λdata表示空间离散温度分布残差项的超参数，λpre表示数据误差项的超参数。
36、采用上述进一步方案的有益效果为：本发明提供基于物理模型，定义物理信息神经网络的热传导预测损失函数的方法，基于本发明提供的热传导预测损失函数训练物理信息神经网络，能够将物理方程作为限制条件加入到训练过程中，使得物理信息神经网络的拟合结果更符合物理规律，为训练好的物理信息神经网络快速准确预测得到目标电能表的问你的分布预测结果提供基础。
37、进一步地，所述s4包括如下步骤：
38、s41、随机初始化物理信息神经网络中每个连接的权重；
39、s42、将电能表温度监测数据集中的电能表温度监测数据输入到物理信息神经网络中，并进行前向传播，得到预测的电能表温度分布结果；
40、s43、将电能表温度监测数据对应的电能表温度分布数据作为实际的电能表温度分布数据，并计算得到预测温度分布数据与实际温度分布数据间的数据误差项；
41、s44、将预测的电能表温度分布结果作为待预测温度场，并计算得到空间离散温度分布残差项；
42、s45、根据数据误差项和空间离散温度分布残差项，利用热传导预测损失函数对物理信息神经网络进行参数求导，以进行反向传播，得到梯度；
43、s46、根据自适应学习率的方法和梯度，得到物理信息神经网络中每个参数的一阶矩估计值和二阶矩估计值；
44、s47、根据物理信息神经网络中每个参数的一阶矩阵估计值和二阶矩阵估计值，自适应调整每个参数的学习率，完成批次训练；
45、s48、重复若干次批次训练，并在每次重复批次训练前调整空间离散温度分布残差项的超参数和数据误差项的超参数，直至热传导预测损失函数的结果小于预设收敛阈值或批次训练次数达到预设训练次数，得到训练好的物理信息神经网络。
46、采用上述进一步方案的有益效果为：本法提供根据热传导预测损失函数，利用电能表温度监测数据集训练物理信息神经网络，得到训练好的物理信息神经网络的方法，通过不断调整空间离散温度分布残差项的超参数和数据误差项的超参数，以及多次的重复批次训练，能够使得训练好的物理信息神经网络快速准确地预测得到目标电能表的温度监测数据。
47、进一步地，所述s46中自适应学习率的方法采用adam算法或l-bfgs算法。
48、采用上述进一步方案的有益效果为：本发明中采用adam算法或l-bfgs算法解决最优化梯度下降和最小化损失函数的问题，有效提升了物理信息神经网络预测电能表温度分布的准确度和效率。
49、进一步地，所述s5包括如下步骤：
50、s51、获取目标电能表在目标时间窗口内的平均环境温度、环境温度变化率、第一板上温度、第二板上温度、第一板上温度变化率和第二板上温度变化率，作为目标电能表的温度监测数据；
51、s52、将目标电能表的温度监测数据输入训练好的物理信息神经网络进行温度分布预测，得到目标电能表的温度分布预测结果。
52、采用上述进一步方案的有益效果为：本发明提供利用训练好的物理信息神经网络对目标电能表进行温度分布预测的方法，通过将目标电能表的温度监测数据输入训练好的物理信息神经网络，即可基于物理机理和学习到的映射关系，快速准确地得到目标电能表的温度分布预测结果。
53、针对于本发明还具有的其他优势将在后续的实施例中进行更细致的分析。
1.一种基于物理信息神经网络的电能表温度分布预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于物理信息神经网络的电能表温度分布预测方法，其特征在于，所述s1中的电能表温度监测数据集包括若干不同时段的电能表温度监测数据，以及各电能表温度监测数据对应的电能表温度分布数据；
3.根据权利要求1所述的基于物理信息神经网络的电能表温度分布预测方法，其特征在于，所述电能表温度分布预测的物理信息神经网络采用全连接神经网络或循环神经网络。
4.根据权利要求2所述的基于物理信息神经网络的电能表温度分布预测方法，其特征在于，所述s3包括如下步骤：
5.根据权利要求4所述的基于物理信息神经网络的电能表温度分布预测方法，其特征在于，所述s4包括如下步骤：
6.根据权利要求5所述的基于物理信息神经网络的电能表温度分布预测方法，其特征在于，所述s46中自适应学习率的方法采用adam算法或l-bfgs算法。
7.根据权利要求6所述的基于物理信息神经网络的电能表温度分布预测方法，其特征在于，所述s5包括如下步骤：
