基于物理引导融合框架的变电站动态碳排放因子预测研究

《Computers》：Physics-Guided Dynamic Prediction and Intrinsic Interpretability of Substation Carbon-Emission Factors: A MOIRAI-2 and UPINN Fusion Framework

　　

摘要

变电站层面的碳排放因子（CEFs）在运行层面具有实际意义，因为变电站是输配电界面的关键节点，集中了变压器损耗、辅助能耗和六氟化硫（SF6）泄漏等问题。然而，静态或年度排放因子方法会对不同运行工况进行平均化处理，无法捕捉变电站碳排放因子显著的非平稳性特征，而这些特征受季节性负荷、随机维护事件、冷却系统切换和极端天气等因素驱动。为支持高频动态碳追踪、调度优化和审计合规，本研究提出了一种物理引导的融合框架，将时间基础模型MOIRAI-2与统一物理信息神经网络（UPINN）相结合。基于IEEE C57.91热电路方程和理想气体状态方程，构建了15维物理约束特征向量，包括变压器顶层油温/热点温度、SF6压力/密度估计，以及强迫油循环风冷（OFAF）或强迫油循环水冷（ODWF）冷却状态。MOIRAI-2采用任意变量注意力机制（Any-Variate Attention）和二元注意力偏差，以建模变量内部的时间依赖性和变量间的物理耦合关系；而UPINN则将热平衡、SF6泄漏动力学和CEF守恒残差作为软约束嵌入网络中。自适应门控网络在稳态、极端事件和维护工况下，平衡了数据驱动的模式识别与物理驱动的平滑性。在220 kV变电站数据集上的验证结果显示，该模型的平均绝对误差（MAE）为0.352 gCO₂e/kWh，分别优于随机森林（RF）、梯度提升机（GBM）、长短期记忆网络（LSTM）和纯Transformer模型24.0%、19.1%、23.0%和14.4%。消融实验表明，15维物理特征扩展使准确率提升了8.8%，而物理损失正则化将预测方差降低了37%。UPINN分解进一步表明，变压器总损耗、环境温度和负载系数主导了CEF的动态变化，且每增加20毫米降雨量，CEF降低0.04 gCO₂e/kWh。该框架为动态变电站碳核算和低碳运行提供了物理一致且具有内在可解释性的基础。