CN102982393B - 一种输电线路动态容量的在线预测方法 - Google Patents

Abstract

本发明提供一种输电线路动态容量的在线预测方法，包括：建立第一RBF神经网络，对第一输入参数进行在线预测得到第一预测数值；建立第二RBF神经网络，对第二输入参数进行在线预测得到第二预测数值；获取导线温度数据和实时电流；依据IEEE738标准，利用第一和第二预测数值、导线温度数据以及电流，在线预测输电线路的动态容量。采用本发明，无需更改原有的配置参数就能适用于不同的季节容量的在线学习和预测。此外，该方法能为调度人员提供非常宝贵的未来短期的线路容量预测信息，为电力紧张地区、负荷高峰时期、事故短时超负荷运行、风电接入等情况下电网的智能调度提供有效控制手段，对提高电力系统的安全性和经济性具有积极作用。

Description

一种输电线路动态容量的在线预测方法

技术领域

本发明涉及输电线路动态增容技术，尤其涉及一种输电线路动态容量的在线预测方法。

背景技术

近年来，随着社会经济持续快速增长，用电负荷增长迅速，一些线路受到输送容量热稳定限额的制约，远远不能满足电网实际的需要，而建设新的线路走廊投资巨大、建设周期长。因此，在确保系统稳定、设备安全的前提下，对线路运行环境进行实时监测和分析，及时对输电线路的热稳定限额进行调整，可最大限度地发挥输电线路的负载能力，减少输电设备的投资，对满足社会经济快速增长有着积极的作用。

输电线路动态增容技术是目前最经济、最环保的提高线路输送容量方案，也是实现输电智能化核心价值和目标的关键技术之一。简单来说，输电线路的输电容量主要受导线和金具在高温下的变形和疲劳限制，但是，各线路运行环境不同，其允许的温升是不同的。在线路设计中，一般都考虑在最苛刻条件下校核线路的最大输送容量，与实际条件相比，设计过程中采用的数据都有一定的裕度，因而，线路一般都存在潜在的输送容量。当前，输电线路动态增容系统在国家电网和南方电网都有试点的应用，但实际应用于调度时还有不少问题待解决，其中线路动态容量的在线学习和短期预测是实现基于动态增容的实时调度运行以及制定调度计划的关键功能和重要依据。

发明内容

针对现有技术中的输电线路动态增容技术在设计时所存在的上述缺陷，本发明提供了一种输电线路动态容量的在线预测方法。

依据本发明的一个方面，提供了一种输电线路动态容量的在线预测方法，包括以下步骤：

建立第一RBF（Radial Basis Function，径向基函数）神经网络，从而对第一输入参数进行在线预测，以得到第一预测数值；

建立第二RBF神经网络，从而对第二输入参数进行在线预测，以得到第二预测数值；

获取导线温度数据和实时电流；以及

依据IEEE738标准，利用所述第一预测数值、所述第二预测数值、导线温度数据以及电流，在线预测所述输电线路的动态容量。

在其中的一实施例中，第一输入参数为风速，第二输入参数为日照辐射温度。

在其中的一实施例中，第一预测数值为{v_t+1h，v_t+2h,v_t+4h}，以及所述第二预测数值为{T_st+1h,T_st+2h,T_st+4h}，其中，{v_t+1h,v_t+2h,v_t+4h}分别为t时刻之后3个预定时刻的风速预测值，{T_st+1h,T_st+2h,T_st+4h}分别为t时刻之后3个预定时刻的日照辐射温度预测值。

在其中的一实施例中，第一RBF神经网络的输入层由4个神经元组成{v_t,v′_t+1h,v′_t+2h,v′_t+4h}，它们分别表示t时刻的风速测量值、t时刻之后3个预定时刻的风速预报值；所述第一RBF神经网络的输出层由3个神经元组成它们分别表示t时刻之后3个预定时刻的风速预测值。

在其中的一实施例中，第二RBF神经网络的输入层由5个神经元组成{T_st,T_at,T′_at+1h,T′_at+2h,T′_at+4h}，它们分别表示t时刻的日照辐射温度测量值、t时刻环境温度测量值、t时刻之后3个预定时刻的环境温度预报值；所述第二RBF神经网络的输出层由3个神经元组成它们分别表示t时刻之后3个预定时刻的日照辐射温度预测值。

在其中的一实施例中，根据实时测得的导线张力数据以及导线张力和导线温度的关系拟合曲线来获得所述导线温度数据。

在其中的一实施例中，利用数据采集与监测控制（Supervisory Control AndData Acquisition，SCADA）系统来采集所述实时电流。

采用本发明的输电线路动态容量的在线预测方法，无需更改原有的配置参数就能适用于不同的季节容量的在线学习和预测。此外，该在线预测方法能为调度人员提供非常宝贵的未来短期的线路容量预测信息，为电力紧张地区、负荷高峰时期、事故短时超负荷运行、风电接入等情况下电网的智能调度提供有效控制手段，对提高电力系统的安全性和经济性具有积极作用。

附图说明

在参照附图阅读了本发明的具体实施方式以后，将会更清楚地了解本发明的各个方面。其中，

图1示出RBF神经网络的原理示意图；

图2示出基于RBF神经网络对输电线路动态容量进行在线预测的原理图；

图3示出将风速采集数据作为训练数据集时，1小时、2小时和4小时内的风速预测曲线图；

图4示出将日照辐射温度作为训练数据集时，1小时、2小时和4小时内的日照辐射温度预测曲线图；

图5示出输电线路中的导线温度和张力的关系曲线；

图6示出选取实际测量的典型夏季数据，并根据IEEE738标准对1小时、2小时和4小时内的输电线路动态容量模拟在线预测的曲线图；

图7示出选取实际测量的典型冬季数据，并根据IEEE738标准对1小时、2小时和4小时的输电线路动态容量模拟在线预测的曲线图。

具体实施方式

为了使本申请所揭示的技术内容更加详尽与完备，可参照附图以及本发明的下述各种具体实施例，附图中相同的标记代表相同或相似的组件。然而，本领域的普通技术人员应当理解，下文中所提供的实施例并非用来限制本发明所涵盖的范围。此外，附图仅仅用于示意性地加以说明，并未依照其原尺寸进行绘制。

在对本发明的具体实施方式进行详细描述之前，首先对RBF（Radial BasisFunctions，径向基函数）神经网络原理予以简要说明。如图1所示，RBF神经网络包括三层结构，即，输入层、隐藏层和输出层，每层的神经元与其他层的神经元之间全连接。输入变量无权重的直接分配给输入层的神经元，隐藏层神经元的传递函数被称为RBF。RBF与BP网络中广泛应用的sigmoid函数类似。假设输入层、隐藏层和输出层神经元数量分别为n₁,n_h和n_o，隐藏层的传递函数选择被最广泛应用的高斯函数，第j个隐藏层神经元在输入变量x_k时的输出为：

${\mathrm{\φ}}_j\left(x_k\right)=\exp (-\frac{1}{{2\mathrm{\σ}}_j^2}{\left|\right|x_k-c_j\left|\right|}^2)$ 1≤j≤n_h(1)

式中c_j为第j个隐藏层神经元的中心，σ_j为高斯函数的标准差，||□||表示欧几里得范数。输出层神经元的输出为：

$y_i\left(X\right)=\underset{j=1}{\overset{n_h}{\mathrm{\Σ}}}{\mathrm{\θ}}_{j,i}\exp (-\frac{1}{{2\mathrm{\σ}}_j^2}{\left|\right|X-c_j\left|\right|}^2)$ 1≤i≤n_o(2)

式中，X为输入向量，θ_j,i表示第j个隐藏层神经元到第i个输出层神经元的权值。整个RBF神经网络的性能取决于RBF的中心和权值的选择。在本申请中，基于MATLAB的神经网络工具箱，采用正交最小二乘法(Orthogonal Least Squares,OLS)来确定RBF神经网络的中心。

假设径向基函数为φ()，标准差为σ，式(2)的初始误差为ε，正交最小二乘法表述如下：

$d_i\left(X\right)=\underset{j=1}{\overset{n_h}{\mathrm{\Σ}}}{\mathrm{\θ}}_{j,i}{\mathrm{\φ}}_j\left(\right||X-c_j|\left|\right)+{\mathrm{\ϵ}}_i---\left(3\right)$

式（3）中，d_i为第i个隐藏层神经元的期望输出，其采用正交最小二乘法来最大限度地减少错误率。

以下，简要介绍正交最小二乘原理。神经网络学习的目的是选择合适的中心和与输入数据集和输出数据集相匹配的权值。RBF的中心从训练数据集{x(1),...,X(N)}中选取，这是一个子集模型的选择问题。

整个模型定义所有的训练数据都是RBF中心的候选值，式(3)采用矩阵形式可表达为：

D=ΦΘ+E (4)

其中，

$D=[d_1,...,d_{n_0}]---\left(5\right)$

d_i＝[d_i(1),..,d_i(N)],i＝1,...,n_o(6)

Φ＝[Φ₁,...,Φ_M] (7)

式（7）中M是数据窗口

Φ_i＝[φ_i(1),...,φ_i(N)]^T,i＝1,...,N (8)

$\mathrm{\Θ}=[{\mathrm{\θ}}_1,...,{\mathrm{\θ}}_{n_0}]---\left(9\right)$

θ_j＝[θ_j(1),...,θ_j(N)]^T,j＝1,...,M(10)

$E=[{\mathrm{\ϵ}}_1,...,{\mathrm{\ϵ}}_{n_0}]---\left(11\right)$

ε_i＝[ε_i(1)，...,ε_i(N)]^T,i＝1,...,n_o (12)

参数矩阵Θ能通过正交最小二乘法计算，回归矩阵Φ_i形成一组基向量，基向量之间一般密切相关。通过将矩阵Φ进行如下矩阵分解来实现正交变换，将Φ_i转换为一组正交基向量。

Φ=WA (13)

其中p＝1,...,M-1 q＝1,...,M

并且

W＝[w₁,...,w_M] (15)

该矩阵满足如下正交条件

$w_i^T{w}_j=0$ 当i≠j (16)

$w_i^T{w}_i=h_i^2---\left(17\right)$

式(4)的矩阵形式为

D=WAΘ+E (18)

通过正交最小二乘法

$\mathrm{A\Θ}=G=\left[\begin{array}{cc}{g}_{11}& g_{{1n}_0}\\ g_{M1}& g_{{\mathrm{Mn}}_0}\end{array}\right]---\left(19\right)$

通过标准的Gram-Schmidt法得到矩阵A和G，之后通过式(19)计算得到参数矩阵Θ。

所有N个的回归量可能过大，一个合适的建模只需要可能比N小的n_h个回归量。使用正交最小二乘法实现显著回归，误差矩阵E矩阵与矩阵W正交，其误差下降速率取决于w_m。w_m满足如下方程：

${\left[\mathrm{err}\right]}_m=\left(\underset{i=1}{\overset{n_0}{\mathrm{\Σ}}}{g}_{\mathrm{mi}}^2\right)w_m^T{w}_m/\mathrm{trace}\left(D^{T}D\right)$

1≤m≤N (20)

基于该误差下降速率，显著回归量可在向前回归过程中确定。第m步时，一个候选的回归量如果在所有剩下的N-m+1个候选量中产生了最大的误差[err]_m，则该候选回归量被确定为子集网络的第m个回归量。整个选择过程在满足如下条件时停止：

$1-\underset{m=1}{\overset{n_h}{\mathrm{\&Sigma;}}}{\left[\mathrm{err}\right]}_m<\mathrm{\&rho;}---\left(21\right)$

式中ρ为选定的最小公差。

在建立神经网络过程中，正交最小二乘法选择的RBF的中心μ₁,μ₂，…,μ_N为训练数据向量集X(1),X(2),…,X(N)的子集(当n_h＜N时)。RBF的中心通过Gram-Schimidt正交化方法逐一确定，直到整个网络的性能满足要求，完成网络的构建过程。如果隐藏层其中第j个神经元的输出一直是远小于j为从1到N的正整数，则该第j个隐藏层神经元可忽略或删除。

图2示出基于RBF神经网络对输电线路动态容量进行在线预测的原理图。如图2所示，在本发明的在线预测方法中，首先建立2个RBF神经网络来分别对风速和日照辐射温度进行在线预测，其中，预测的数据源来自传感器采集的历史数据和国家气象信息中心提供的被监测线路地点的数值天气预报数据。将预测的风速{v_t+1h,v_t+2h,v_t+4h}，日照辐射温度数据T_st+1h,T_st+2h,T_st+4h}，以及利用实测的导线张力数据f_t结合导线张力和导线温度的关系曲线得到的导线温度数据T_ct和SCADA系统实时采集的电流I_t组合在一起代入IEEE738标准，即，将{v_t+1h，v_t+2h,v_t+4h,T_st+1h,T_st+2h,T_st+4h,T_ct，I_t}代入IEEE738标准来预测未来1小时、2小时和4小时的动态容量{R_t+1h,R_t+2h,R_t+4h}。

图3示出将风速采集数据作为训练数据集时，1小时、2小时和4小时内的风速预测曲线图。

首先假设风速及其他所有测量数据的测量周期为1小时，如图3（a）~3（c）所示。事实上不论测量周期是多大，只需要增加输入层的神经元数量就可以按照同样的思路构建RBF人工神经网络，进行在线学习和预测。建立风速在线预测的网络ANN1，输入层由4个神经元组成{v_t,v′_t+1h,v′_t+2h,v′_t+4h}，分别代表t时刻的风速测量值以及t+1h、t+2h和t+4h时刻的风速预报值。输出层神经元数量为3个，即，分别为t+1h、t+2h和t+4h时刻的风速预测值。

隐藏层神经元的数量确定步骤为：1)先将RBF神经网络的隐藏层神经元的数量设为1个；2)每次增加一个隐藏层神经元，直到总的平方误差小于目标的误差或者达到设定的最大隐藏层神经元数量为止。训练数据集由t时刻以前一周的测量历史数据，即{v_t-167h,v_t-166h，...，v_t-1h,v_t}。测试数据集为t时刻以后48小时的测量历史数据，即{v_t+1h,v_t+2h,...,v_t+47h,v_t+48h}。随着时刻t的不断变化，相应的训练数据集也会根据时间窗口而变化，这样就可以实现风速的在线学习和预测。以2011年8月10日0时至16日23时共7天的风速采集数据作为训练数据集，2011年8月17日0时至18日23时共2天的风速采集数据作为测试数据集。其中，图3(a)、3(b)和3(c)分别为预测1小时、2小时以及4小时的风速曲线图。

从图3(a)中可发现，预测1小时的风速的精度挺高，且当风速比较小甚至接近于0时，ANN1网络能够较精确的预测风速。考虑到最需要发挥动态增容系统作用的时候就是夏日晴天正午风速很小的情况，该网络的此特点对动态增容系统的应用有非常大的帮助。此外，图3(b)和3(c)中预测2小时和4小时的风速的精度也不错。

图4示出将日照辐射温度作为训练数据集时，1小时、2小时和4小时内的日照辐射温度预测曲线图。

日照辐射温度定义为导线负荷电流为零，只有日照辐射输入情况下的导线温度。在本申请中，日照辐射的监测采用“净辐射传感器”来监测日照辐射温度，以取代对日照辐射的直接监测。该净辐射传感器由一小段与被监测导线相同新旧的材料、尺寸和走向的导线以及热电偶温度传感器组成，安装在待测耐张端的导线末端，具有与被监测导线相同的吸收率和反射率。

建立日照辐射温度在线预测的网络ANN2，输入层由5个神经元组成{T_st,T_at,T′_at+1h,T′_at+2h,T′_at+4h}，分别代表t时刻的日照辐射温度测量值、t时刻环境温度测量值以及t+1h、t+2h和t+4h时刻的环境温度预报值。输出层神经元数量为3个，即，分别为t+1h、t+2h和t+4h时刻的日照辐射温度预测值。以2011年8月10日0时至16日23时共7天的日照辐射温度采集数据作为训练数据集，2011年8月17日0时至18日23时共2天的日照辐射温度采集数据作为测试数据集，图4(a)、4(b)和4(c)分别为预测1小时、2小时以及4小时的日照辐射温度曲线图。

从图4(a)中可发现，日照辐射温度的1小时预测误差在±5°C以内，最大误差时刻出现在温度突然升高的时刻。总体误差比环境温度预测的误差稍大，主要原因为日照辐射温度与天空中的云量密切相关，而云量变化具有随机性。图4(a)、4(b)和4(c)的日照辐射温度的变化基本比较准确，虽然精度不是特别高，但是由于日照辐射温度对输电线路动态容量的影响有限，此预测精度完全可以接受。

图5示出输电线路中的导线温度和张力的关系曲线。应当理解，监测导线张力的目的是为了得到导线的平均温度，而导线平均温度则是导线弧垂(sag)最大的决定因素。架空输电线路中最常用的钢芯铝绞线的电能输送能力往往受制于弧垂过大对导线安全运行的影响，因此利用导线张力的监测来进行动态增容已经被世界各地的电力公司所接受。在图5中，导线张力与导线平均温度在该观测区间内有近似于线性的关系，通过张力测量来计算导线平均温度是完全可行的。式(22)为图5采用拟合的方法确定导线温度与导线张力之间的关系式：

T＝261.3876-0.01036f+1.5685×10^-8f²(22)

在式（22）中，导线温度为T，导线张力为f。

图6示出选取实际测量的典型夏季数据，并根据IEEE738标准对1小时、2小时和4小时内的输电线路动态容量模拟在线预测的曲线图，以及图7示出选取实际测量的典型冬季数据，并根据IEEE738标准对1小时、2小时和4小时的输电线路动态容量模拟在线预测的曲线图。

根据IEEE738标准，导线温度满足以下稳态热平衡方程：

I²R(T_c)+q_s＝q_c(T_c,T_a,v,φ)+q_r(T_c,T_a)(23)

式（23）中，T _c为导线温度,q_s为单位长度导线的日照辐射功率,q_c为单位长度导线的对流散热功率,q_r为单位长度导线的辐射散热功率,R(T_c)为导线在温度T_c时的交流电阻，φ为风向与导线轴线之间所成的夹角。

当I＝0时，T_c＝T_s，式(23)变换为

q_s＝q_c(T_s,T_a,v,φ)+q_r(T_s,T_a)(24)

当I≠0时，将式(23)中q_s用式(24)取代(因两种情况下q_s不变)，式(23)变换为：

I²R(T_c)+q_c(T_s,T_a,v,φ)+q_r(T_s,T_a)

＝q_c(T_c,T_a,v,φ)+q_r(T_c,T_a)(25)

化简得

$I=\sqrt{\frac{q_c(T_c,T_s,v,\mathrm{\&phi;})+q_r(T_c,T_s)}{R\left(T_c\right)}}---\left(26\right)$

根据式(26)，利用上述建立的RBF神经网络ANN1和ANN2分别预测的未来1小时、2小时和4小时的风速以及日照辐射温度在本申请中，采用固定的风向角值。例如，固定风向角保守取值范围为20~30°。结合上述参量按照式(7)计算未来1小时、2小时和4小时的输电线路动态容量{R_t+1h,R_t+2h,R_t+4h}。

由于夏季环境温度高，输电线路动态容量较小，在负荷比较重的时候存在过负荷的可能，此时最需要对线路动态容量进行预测，以便尽早安排好负荷调度计划，避免出现过负荷导致的停电事故。在下文中，以2011年8月10日0时到12日23时的数据为例进行夏季动态容量在线预测。其中，图6(a)、6(b)和6(c)分别为1小时、2小时和4小时的动态容量预测曲线图。结合图6(a)至6(c)，可发现，1小时、2小时和4小时的动态容量在线预测的最大相对误差分别在10%、20%和40%以内，因而基本上能够预测出输电线路的动态容量。

此外，为全面反映本申请的动态容量预测方法的效果，进一步利用典型的冬季数据来完成输电线路动态容量的在线预测。以2012年1月2日0时至4日23时的冬季数据为例进行动态容量在线预测。其中，图7(a)、7(b)和7(c)分别为1小时、2小时和4小时的动态容量预测曲线图。结合图7(a)至7(c)，可发现，1小时、2小时和4小时的动态容量在线预测的最大相对误差与夏季时的最大相对误差一致，仍旧分别在10%、20%和40%以内。

采用本发明的输电线路动态容量的在线预测方法，无需更改原有的配置参数就能适用于不同的季节容量的在线学习和预测。此外，该在线预测方法能为调度人员提供非常宝贵的未来短期的线路容量预测信息，为电力紧张地区、负荷高峰时期、事故短时超负荷运行、风电接入等情况下电网的智能调度提供有效控制手段，对提高电力系统的安全性和经济性具有积极作用。

上文中，参照附图描述了本发明的具体实施方式。但是，本领域中的普通技术人员能够理解，在不偏离本发明的精神和范围的情况下，还可以对本发明的具体实施方式作各种变更和替换。这些变更和替换都落在本发明权利要求书所限定的范围内。

Claims (6)

1.一种输电线路动态容量的在线预测方法，其特征在于，所述在线预测方法包括以下步骤：

建立第一RBF神经网络，从而对第一输入参数进行在线预测，以得到第一预测数值；

建立第二RBF神经网络，从而对第二输入参数进行在线预测，以得到第二预测数值；

获取导线温度数据和实时电流；以及

利用所述第一预测数值、所述第二预测数值、导线温度数据以及电流，在线预测所述输电线路的动态容量；

其中，所述第一输入参数为风速，所述第二输入参数为日照辐射温度。

2.根据权利要求1所述的输电线路动态容量的在线预测方法，其特征在于，所述第一预测数值为{v_t+1h,v_t+2h,v_t+4h}，以及所述第二预测数值为{T_st+1h,T_st+2h,T_st+4h}，其中，{v_t+1h,v_t+2h,v_t+4h}分别为t时刻之后3个预定时刻的风速预测值，{T_st+1h,T_st+2h,T_st+4h}分别为t时刻之后3个预定时刻的日照辐射温度预测值。

3.根据权利要求2所述的输电线路动态容量的在线预测方法，其特征在于，所述第一RBF神经网络的输入层由4个神经元组成{v_t,v′_t+1h,v′_t+2h,v′_t+4h}，它们分别表示t时刻的风速测量值、t时刻之后3个预定时刻的风速预报值；所述第一RBF神经网络的输出层由3个神经元组成它们分别表示t时刻之后3个预定时刻的风速预测值。

4.根据权利要求2所述的输电线路动态容量的在线预测方法，其特征在于，所述第二RBF神经网络的输入层由5个神经元组成{T_st,T_at,T′_at+1h,T′_at+2h,T′_at+4h}，它们分别表示t时刻的日照辐射温度测量值、t时刻环境温度测量值、t时刻之后3个预定时刻的环境温度预报值；所述第二RBF神经网络的输出层由3个神经元组成它们分别表示t时刻之后3个预定时刻的日照辐射温度预测值。

5.根据权利要求1所述的输电线路动态容量的在线预测方法，其特征在于，根据实时测得的导线张力数据以及导线张力和导线温度的关系拟合曲线来获得所述导线温度数据。

6.根据权利要求1所述的输电线路动态容量的在线预测方法，其特征在于，利用数据采集与监测控制系统来采集所述实时电流。