1.一种强降雨天气下城市配电网超充负荷时空态势预测方法，其特征在于，包括以下步骤：S1.基于强降雨场景下积水演化过程，考虑地表径流和局部排水能力动态模拟单位时间内超充桩所在区域地面积水深度随降雨强度及持续时间的变化关系，建立超充桩底部传感器对水位响应阈值模型，以传感器触发高度为界，结合触发延时在超出水位阈值时发出控制信号或断电保护，进而构建地面积水深度、雨强和时程变化下的电气性能失效概率模型；

S2.分析考虑城市交通网络受涝路段分布的用户充电选择空间动态转移特征，获取间歇性降雨时程下用户集中出行与充电行为叠加引发的超充负荷脉冲式集聚特性，构建雨强时程驱动下考虑超充桩可用性和用户充电避险行为的超充负荷时空转移矩阵模型；

S3.以超充站为节点划分充电辐射区域，将雨强和时程数据映射至充电辐射区域节点，结合用户电气性能失效概率模型和超充负荷时空转移矩阵模型获取超充桩运行状态特征、降雨强度特征和交通流特征，构建基于时空图建模的超充负荷动态关联模型，通过将当前超充桩运行状态特征、降雨强度特征和交通流特征输入至超充负荷动态关联模型获取对应的负荷预测量。

2.根据权利要求1所述的一种强降雨天气下城市配电网超充负荷时空态势预测方法，其特征在于，电气性能失效概率模型的具体内容包括：，

式中， 为超充桩的电气性能失效概率， 为 时刻超充桩故障率， 为时间步长； 为绝缘劣化对超充桩受淹后性能失效的影响函数；

其中，超充桩故障率 的具体内容包括：

，

式中， 为超充桩受淹后电气性能衰减系数； 为阻尼系数； 为传感器检测到的积水深度； 为超充桩防水效能系数； 为超充站n中超充桩防护等级为基准防水等级时的基准防水阈值； 为浸泡时间系数； 为传感器检测修正累计浸水时间； 为超充桩的抗进水时间阈值；

绝缘劣化对超充桩受淹后性能失效的影响函数 与绝缘电阻相关，具体内容包括：，

，

式中， 为失效敏感系数； 为绝缘电阻； 为安全阈值电阻； 为初始绝缘电阻； 为吸水老化系数； 为水的电导率； 为水压耦合加速系数，表示密封失效后绝缘退化速率； 为阶跃函数， 为密封结构承受的实时水压，由超充桩所在区域积水深度决定； 为水压基准值。

3.根据权利要求2所述的一种强降雨天气下城市配电网超充负荷时空态势预测方法，其特征在于，获取超充桩所在区域积水深度的具体内容包括：将强降雨过程演化为降雨期与间歇期交替的分段函数：，

式中， 为降雨强度序列， 分别为第k次降雨的降雨强度、起始时间与持续时间； 为第k次降雨与第k+1次降雨之间的间歇时间；

超充桩所在区域积水深度由降雨输入与排水输出和邻域溢流共同决定，在时程间歇期，降雨暂停但排水系统持续工作，构建连续雨强‑排水平衡模型：，

式中， 为时刻t超充桩区域的积水深度； 为分段指示函数，若t处于降雨时段内则取1，否则取0，用于模拟降雨间歇性； 为排水速率，假设与水位成正比，f为排水能力系数； 为超充站临近地理区域集合，y指的是 中的任意一个周围区域， 为周围区域y对当前区域x的溢流传输系数，由超充桩区域与周围区域间的坡度决定； 为周围区域y在t时刻的积水深度；

降雨输入以分段函数形式获取且积水演化过程受时程间歇性扰动影响，在连续雨强‑排水平衡模型基础上进行离散化处理，建立间歇性强降雨下积水深度时步分段式离散化模型：，

式中， 为离散化后t时刻超充桩区域的积水深度， 为离散化后周围区域y在t时刻的积水深度；

受电路延迟与噪声影响，实际部署的传感器检测值 和传感器检测修正累计浸水时间为：，

，

式中， 为传感器响应延迟时段；i为中间变量，i=t‑t1+1，t1为超充桩浸水状态的检测时间阈值； 为测量噪声，服从高斯分布 ； 为累计浸水时间；

为i时刻超充桩区域积水深度的指示函数，当满足 时，取值1，若不满足则取值为0； 为传感器触发阈值。

4.根据权利要求1所述的一种强降雨天气下城市配电网超充负荷时空态势预测方法，其特征在于，超充负荷时空转移矩阵模型的具体内容包括：，

，

式中， 为区域 的用户对超充站n选择概率； 为区域 内用户的集合，u表示 中任意一个用户； 为用户使用超充的概率； 用户u选择在超充站n充电的概率； 为用户u在当前时刻选择当前路径的概率，OD指代路径； 为超充负荷时空转移矩阵模型， 为区域R内任意用户在各时间选择超充站n的概率，R为所有 的集合。

5.根据权利要求4所述的一种强降雨天气下城市配电网超充负荷时空态势预测方法，其特征在于，获取用户u在当前时刻选择当前路径的概率 的具体内容包括：使用交通网络拓扑结构来反映受涝区域的动态变化，设定道路网络中可通行性与路段积水深度相关，当路段积水深度超过设定的临界阈值，该路段在用户的路径选择过程中被视为不可通行，此时该路段的通行能力判为零，路径阻抗趋于无穷，用户重新规划路径，则考虑强降雨下城市道路的可通行性模型为：，

，

式中， 为路径rs的路径阻抗； 表示路径rs长度； 为路径rs的通行速度；

为路段积水深度； 为车辆行驶时常规速度； 为通行能力系数，随着降雨强度、道路积水深度与交通状态动态变化，反应出行效率；z为通行敏感度因子； 为积水深度基准衰减参数；

则用户u在当前时刻选择当前路径的概率 为：，

，

式中， 为用户对路径rs的风险感知因子， 和 分别为用户受到天气状况和历史经验影响下的出行选择，p为路径rs的总数。

6.根据权利要求4所述的一种强降雨天气下城市配电网超充负荷时空态势预测方法，其特征在于，获取用户使用超充的概率 的具体内容包括：当用户出行且电量低于阈值时产生充电需求，对整体降雨时序 解为一系列降雨片段和间歇片段，提取所有降雨间歇期段 ，其中， 和 分别为第k次降雨的起始时间与持续时间，基于各降雨间歇片段的起止时间、空间位置及持续时长，采用核密度估计法计算充电负荷空间集聚因子：，

，

式中， 表示间歇性降雨对用户集中出行和充电的影响，间歇性越长用户越倾向于集中出行；q为影响参数； 表示t时刻超充站n所在区域用户充电的集聚强度；

为间歇期内超充站n所在区域出行用户数； 用于控制脉冲性影响强度；

表示第k次降雨后的间歇时期充电事件的脉冲性强度， 和 分别为充电事件间隔均值与标准差；

考虑到间歇性降雨影响，用户依据当前所处的降雨间歇期时长动态判断是否优先选择使用超充桩进行充电补能：，

式中， 为降雨时长对用户选择的影响因子； 为降雨间歇期最大基准值；

为用户在t时刻的荷电状态； 为用户在t时刻需要充电的荷电状态最小值；

为分段指示函数，若满足 的条件则取1，否则取0。

7.根据权利要求4所述的一种强降雨天气下城市配电网超充负荷时空态势预测方法，其特征在于，获取用户u选择在超充站n充电的概率 的具体内容包括：基于间歇性降雨时程下用户集中出行与充电特性和超充桩可用性计算用户充电概率：，

式中， 用户u选择在超充站n充电的概率； 表示t时刻超充站n所在区域用户充电的集聚强度； 为用户u到超充站n的最短可通路径长度，当道路淹没时值为无穷；

N为超充站的总数。

8.根据权利要求1所述的一种强降雨天气下城市配电网超充负荷时空态势预测方法，其特征在于，S3的具体内容包括：以N个超充站为图节点对城市配电网划分充电辐射区域，定义节点集合为 ，将时间离散化为不重叠的间隔集合 ，定义时间t时刻的图结构为， 表示时间段 中所有节点的特征集合，E表示各超充站节点之间的连接边集合用于表示区域间的空间邻近性，当超充站i和超充站j节点的辐射区域相邻时，定义连接边 的值为1，否则为0；

提取每个超充站节点的基础状态特征形成节点状态向量，每个节点的特征向量sn,0包括超充桩运行状态特征 、降雨强度特征 和交通流特征 ，使用Sigmoid构建节点自适应动态邻接矩阵：，

，

式中， 为邻接权重，由节点特征相似性和空间邻近性共同决定； 和 为可学习参数，控制特征差异和空间临近性的权重； 为超充站i和超充站j之间静态邻接关系；

通过多层图网络提取高阶时空关联特征，针对每一个超充站n提取其与相邻节点之间的空间关联性，采用排列不变原则对其所有邻接超充站节点的特征进行聚合并更新：，

，

式中， 为第l层超充站节点n邻接节点聚合特征； 为超充站n的邻接超充站集合，为 中的任意一个节点； 为节点n第l层邻接特征变换矩阵； 和为输入和输出矩阵阶数； 为第l‑1层节点 的特征向量； 为第l层超充站n的特征向量； 为节点n第l层节点特征变换矩阵；L为图神经网络层数；每一层中所有可训练参数在每个节点上共享；

获取t+1时刻TGE嵌入向量：

，

式中， 和 为第一个和第二个的隐藏层输出； 和 为各隐藏层的权重矩阵； 和 为各输出层的偏置向量； 为时间上下文嵌入向量； 为当前状态变量，表示时间t+1的时序信息；

将节点特征 与输出层权重矩阵 相乘，通过激活函数进行非线性变换，将结果与最终预测权重向量 相乘，再次通过激活函数得到最终的预测超充负荷 ，经过l层网络后，得到t+1时刻节点n的负荷预测量：，

，

式中， 为最后一层图网络的输出特征，Contact为向量拼接的过程， 为第L层超充站n的特征向量； 为超充站n在t+1时刻的预测超充负荷值； 为最终预测权重向量； 为输出层权重矩阵。