CN106251002A - 用于架空输电线负荷能力评估的气象大数据的关联分析方法 - Google Patents

Abstract

本发明公开了一种用于架空输电线负荷能力评估的气象大数据的关联分析方法，通过提取气象因素关键信息，如温度、湿度、风向、风速等，并对这些关键信息的数据进行标准化处理，运用RBF神经网络等相关性算法计算架空输电线负荷的气象大数据中的风速或者温度与以及其他气象大数据的相互关联性关系。该方法使用主成分的提取和最终神经网络的关联性分析的完整方法提高了方法的准确性；在具体实现上，通过MATLAB编程调用神经网络工具箱，实现起来简洁方便；本发明可有效分析架空输电线负荷能力评估的气象大数据关联性关系，负荷能力评估并作为线路负荷能力预测的基础。

Description

用于架空输电线负荷能力评估的气象大数据的关联分析方法

技术领域

本专利涉及用于架空输电线路负荷能力评估的气象大数据的关联分析方法，尤其涉及架空输电线路载流能力有关的气象大数据中的风力或环境温度与其他气象数据之间关联性分析方法。

背景技术

为了提高现有输电线路的输送能力，目前主要有两种措施，即静态增容与动态增容。其中静态增容措施主要包括：特高压输电技术、动态无功补偿技术、柔性交流输电技术、紧凑型输电技术、大截面耐热导线、提高导线允许运行温度等。其中提高导线运行运行温度至80℃甚至90℃可分别能够提高导线输送能力至20％、35％，但是需要考虑由此带来的配套附件承受能力、线路运行寿命等问题。除了提高导线运行温度外，其他几种措施均需要新建线路，资金投入巨大，同时考虑到我国土地资源短缺、环保要求进一步提高、维护难度增大等因素，动态增容是提高现有线路输送能力最主要的有效措施之一。

动态增容技术指在不突破技术规程规定的条件下，对导线状态(比如导线弧垂、倾角、温度等)、气象条件(如风速、日照、环境温度等)进行监测，并根据数学模型计算得到导线的最大允许载流量。动态增容技术不仅可以提高输电设备的利用率，同时有助于运行人员和调度人员掌控当前线路的运行状态，提升电网运行的安全性及可靠性，朝智能电网的可控、能控、在控的方向前进。早在20世纪70年代，Davis等人提出了在实时运行环境条件(日照、风速和温度等)量测下，确定导体允许最大载流值的思想。80年代，美国NiagaraMohawk公司研发了基于直接测温的导线温度模型，通过安装在导线上的装置来监测导线温度和负荷。90年代美国电科院研发了一种监测系统，该系统根据实际环境条件和导线实时温度动态确定线路容量，并提出了动态热容等级的概念。从提高线路输送能力效率角度以及安装施工等方面考虑动态增容技术均优于静态增容技术。

气象因素是影响架空线路负荷能力的主要因素，正确了解架空线负荷能力变化与气象变化之间的相互影响关系，将为指导架空线路负荷能力预测工作提供重要保证。气象因素涉及到的种类繁多,包括环境温度、湿度、气压、降雨量、日照情况、天气情况、雾霾程度、风向、风速等等。电力负荷的变化，与各种气象要素的综合作用有着密切关系。人们对外部气候的变化可以通过以测量温度的形式直观的表现出来，但气候的变化却不能与架空线的最大允许载流量形成直接的一一对应关系，即不能用单一的气象因子来决定载流量是否会发生变化。在影响架空线路负荷能力的各类气象因素中，风速和环境温度因素是影响最大，这就需要我们对各种气象因素对输电网络负荷能力的影响程度进行细致的分析，同时又要做好各种气象因素之间耦合现象对负荷的影响程度的分析，以便得到更加合理的结论,指导负荷预测工作，服务于电网调度工作。

发明内容

本专利的目的在于克服现有方法的缺点和不足，提出一种用于架空输电线路负荷能力评估的气象大数据的关联性分析方法，可促进建立不同因素之间的关联性关系，进而有效提高输电线路负荷实时监测与动态增容能力。

本专利通过下述技术方案实现：

一种用于架空输电线负荷能力评估的气象大数据的关联分析方法，所述关联方法包括：

S1、关键因素即主成分的提取，该步骤具体为：

S101、通过历史资料及历史数据，划定大范围的输电线路负荷的气象影响因素；

S102、从大范围的输电线路负荷的气象影响因素中挑选关键因素；

S103、通过主成分分析的方法构造主要影响因素；

S2、关联性关系分析，该步骤具体为：

S201、对于不同的主要影响因素之间，通过神经网络的方法自适应的训练学习找出风力或者环境温度与其他相关气象影响因素之间的关联性关系；

S202、对得到的关联性关系进行检验；

S3、通过关联性关系对风力或者环境温度气象影响因素的未来变化进行

预测。

进一步地，所述步骤S102、从大范围的输电线路负荷的气象影响因素中挑选关键因素具体包括：

S1021、设大范围的输电线路负荷的气象影响因素X₁，X₂，X₃，...，X_P的n次观察矩阵为：

$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1p}\\ x_{21}& x_{22}& ...& x_{2p}\\ ...& ...& ...& ...\\ x_{n1}& x_{n2}& ...& x_{np}\end{array}\right]=(X_1,X_2,...,X_P)$

对于量纲不同的数据进行标准化处理，仍将标准化后的数据记为X；

S1022、求关系矩阵R，R＝(r_ij)_pxp，设R＝X‘X，则：

$r_{ij}=\underset{k=1}{\overset{n}{\Σ}}(x_{ki}-{\stackrel{\‾}{x}}_i)(x_{kj}-\stackrel{\‾}{x_j})/\sqrt{\underset{k=1}{\overset{n}{\Σ}}{(x_{ki}-{\stackrel{\‾}{x}}_i)}^2\underset{k=1}{\overset{n}{\Σ}}{(x_{kj}-\stackrel{\‾}{x_j})}^2};$

S1023、求关系矩阵R的特征方程|R-λE|＝0的特征根λ₁≥λ₂≥λ₃≥...≥λ_p≥0；

S1024、选取特征值较大的若干个气象影响因素作为关键因素。

进一步地，所述步骤S103、通过主成分分析的方法构造主要影响因素具体包括：

S1031、根据需要以及后续建模和架空线路输电负荷监控与动态增容模型的要求，确定主成分的个数

S1032、计算相应m个单位特征向量：β₁,β₂,...,β_m；

S1033、得到主成分因素的表达式：

Z_i＝β_1iX₁+β_2iX₂+...+β_piX_p,i＝1,2,3,4....m。

进一步地，所述步骤S201具体为：

将得到的主要影响因素的数据进行相应的标准化计算，重新计算好的数据代入MATLAB软件，使用MATLAB软件中自带的神经网络工具箱，调用RBF神经网络的输入函数，得到输出的不同主因素之间的关系。

进一步地，所述步骤S101具体为：

通过求因变量因素与每个自变量因素的相关系数，从中选择相关系数较大的作为大范围的输电线路负荷的气象影响因素。

进一步地，所述气象影响因素包括：温度、湿度、风向、风速、气压、降雨量、太阳辐射、雾霾程度。

与现有方法相比本专利的有益效果在于：

本发明提出的架空输电线负荷能力评估的气象大数据的关联分析方法，通过使用主成分的提取和最终神经网络的关联性分析的完整方法提高了方法的准确性；在具体实现上，通过MATLAB编程调用神经网络工具箱，实现起来简洁方便；本发明可有效分析架空输电线负荷能力评估的气象大数据关联性关系，并作为线路负荷能力评估与预测的基础。

附图说明

图1是本发明在求解不同因素之间的关联性关系中使用的RBF(径向基函数)神经网络的示意图；

图2是某地区夏天某日的输电线路负荷随因素变化的预测变化示意图；

图3是本发明公开的用于架空输电线负荷能力评估的气象大数据的关联分析方法的流程步骤图。

具体实施方式

下面结合具体实施例对本发明作进一步具体详细描述，但本专利的实施方式不限于此，对于未特别注明的参数，可参照常规方法进行。

实施例一

对于绝大部分地区而言，气象因素是影响架空输电线路负荷的主要影响因素。正确分析关于架空输电线路负荷的气象大数据之间相互关联性关系对于增大架空输电线负荷能力评估的正确性具有重大意义。影响架空输电线负荷的气象因素主要包括温度、湿度、风向、风速、气压、降雨量、太阳辐射、雾霾程度等。提取气象因素关键信息，如温度、湿度、风向、风速等，并对这些关键信息的数据进行标准化处理，同时在完成架空输电线路主要影响因素筛选与去噪工作的基础上，运用RBF(径向基函数)神经网络等相关性算法计算架空输电线负荷的气象大数据中的风力或者环境温度与其他气象大数据和架空输电线数据的相互关联性关系。

如附图3所示，一种用于架空输电线负荷能力评估的气象大数据的关联分析方法，包括下列步骤：

S1、关键因素即主成分的提取，该步骤具体为：

S101、通过历史资料及历史数据，划定大范围的输电线路负荷的气象影响因素；

具体应用中，在对原始数据进行预处理，消除数据“噪音”并补足缺少的数据之后，通过分析挑选出源数据中与架空线路负荷的气象影响因素，即通过求因变量因素与每个自变量因素的相关系数，从中选择相关系数较大的作为大范围的输电线路负荷的气象影响因素。

S102、从众多的大范围的输电线路负荷的气象影响因素中挑选关键因素；

具体应用中，该步骤具体包括：

S1021、设大范围的输电线路负荷的气象影响因素X₁，X₂，X₃，...，X_P的n次观察矩阵为：

$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1p}\\ x_{21}& x_{22}& ...& x_{2p}\\ ...& ...& ...& ...\\ x_{n1}& x_{n2}& ...& x_{np}\end{array}\right]=(X_1,X_2,...,X_P)$

对于量纲不同的数据进行标准化处理，仍然将标准化后的数据记为X；

S1022、求关系矩阵R，R＝(r_ij)_pxp，不妨设R＝X‘X，则：

$r_{ij}=\underset{k=1}{\overset{n}{\Σ}}(x_{ki}-{\stackrel{\‾}{x}}_i)(x_{kj}-\stackrel{\‾}{x_j})/\sqrt{\underset{k=1}{\overset{n}{\Σ}}{(x_{ki}-{\stackrel{\‾}{x}}_i)}^2\underset{k=1}{\overset{n}{\Σ}}{(x_{kj}-\stackrel{\‾}{x_j})}^2};$

S1023、求关系矩阵R的特征方程|R-λE|＝0的特征根λ₁≥λ₂≥λ₃≥...≥λ_p≥0

S1024、选取特征值较大的若干个气象影响因素作为关键因素。

S103、通过主成分分析(PCA)的方法构造主要影响因素。

具体应用中，该步骤具体包括：

S1031、根据需要以及后续建模和架空线路输电负荷监控与动态增容模型的要求，确定主成分的个数

S1032、计算相应m个单位特征向量：β₁,β₂,...,β_m；

S1033、得到主成分因素的表达式：

Z_i＝β_1iX₁+β_2iX₂+...+β_piX_p,i＝1,2,3,4....m。

S2、关联性关系分析，该步骤具体为：

S201、对于不同的主要影响因素之间，通过神经网络的方法自适应的训练学习找出风力或者环境温度与其他相关气象影响因素之间的关联性关系；

具体应用中，将得到的主要影响因素的数据进行相应的标准化计算，重新计算好的数据代入MATLAB，使用MATLAB软件中自带的神经网络工具箱，调用RBF(径向基函数)神经网络的输入函数，得到输出的不同主因素之间的关系。部分因素之间可能无法表述出具体的函数表达式，MATLAB自学习给出相应的输出值。

S202、对得到的关联性关系进行检验；

为检验该关联分析样本的准确率，具体应用中选择80％的原始样本数据代入上述模型进行关联性建模。而将剩余的20％数据作为检验数据样本进行检验分析，即将检验样本的自变量代入模型中得到模型输出因变量，并与实际的因变量的值进行比较，检验正确率。

S3、通过关联性关系对风力或者环境温度气象影响因素的未来变化进行预测。

具体应用中，搜集未来一段时间内的自变量气象因素的数据，代入关联性关系中得到未来一段时间内因变量气象因素的变化，并画出图像表示。

实施例二

在这里以从影响风力的多个气象因素里最终选择出一个主要因素进行分析为具体实施例，在对原始数据进行预处理，消除数据“噪音”并补足缺少的数据之后，通过分析挑选出源数据中与架空线路负荷影响关键的因素，并利用主成分分析的方法对所有因素进行分析，找出其中的主要影响因素。

具体方法包括以下步骤：

S1、关键因素即主成分的提取；

该步骤具体又包括下列子步骤：

S101、通过历史资料及历史数据，划定大范围的输电线路负荷的气象影响因素；

在对原始气象数据数据进行预处理，消除数据“噪音”并补足缺少的数据之后，计算不同因素与风力因素之间的相关系数，通过分析挑选出源数据中与架空线路负荷影响关键的大范围因素。

S102、从众多的大范围的输电线路负荷的影响因素中入手挑选其中关键因素；

设原始因素变量包括温度、湿度等X₁，X₂，X₃，...,X_P的n次观察矩阵为：

$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1p}\\ x_{21}& x_{22}& ...& x_{2p}\\ ...& ...& ...& ...\\ x_{n1}& x_{n2}& ...& x_{np}\end{array}\right]=(X_1,X_2,...,X_P)$

对于量纲不同的数据进行标准化处理，仍然将标准化后的数据记为X。

S103、通过主成分分析(PCA)的方法构造主要影响因素。

求关系矩阵R，R＝(r_ij)_pxp，不妨设R＝X‘X，则：

$r_{ij}=\underset{k=1}{\overset{n}{\Σ}}(x_{ki}-{\stackrel{\‾}{x}}_i)(x_{kj}-\stackrel{\‾}{x_j})/\sqrt{\underset{k=1}{\overset{n}{\Σ}}{(x_{ki}-{\stackrel{\‾}{x}}_i)}^2\underset{k=1}{\overset{n}{\Σ}}{(x_{kj}-\stackrel{\‾}{x_j})}^2};$

求R的特征方程|R-λE|＝0的特征根λ₁≥λ₂≥λ₃≥...≥λ_p≥0

根据需要以及后续建模和架空线路输电负荷监控与动态增容模型的要求，确定主成分的个数

计算相应m个单位特征向量：β₁,β₂,...,β_m

得到主成分因素的表达式：Z_i＝β_1iX₁+β_2iX₂+...+β_piX_p,i＝1,2,3,4....m

在这里得到唯一主成分，也是影响最大的主成分因素为温度，即m＝1，同时计算出对应的特征向量即为该影响因素温度的系数。

S2、关联性关系分析；

该步骤具体又包括下列子步骤：

S201、对于不同的因素之间，通过神经网络的方法自适应的训练学习找出风力或者温度与其他相关气象因素之间的关联性关系；

将得到的主成分因素温度的数据进行相应的标准化计算，重新计算好的数据代入MATLAB，使用MATLAB软件中自带的神经网络工具箱，调用RBF(径向基函数)神经网络的输入函数：

spread＝0.7；％设置系数表示神经网络的收敛程度

net＝newgrnn(P,R,spread)；％建立新的神经网络

A＝sim(net,P)；

得到输出的不同主因素之间的关系。部分因素之间可能无法表述出具体的函数表达式，MATLAB自学习给出相应的输出值。

S202、对得到的关联性关系进行检验；

代入原始数据中保留的少量样本，利用得到的关联性关系得到的因变量与实际因变量的值进行比较。

S3、通过关联性关系对风力或者温度等气象因素的未来变化进行预测，该步骤具体实施为：

搜集未来一段时间内的自变量气象因素即温度的数据，代入关联性关系中得到未来一段时间内因变量气象因素即风力的变化，并画出图像表示。

另外在主成分分析的过程中使用SPSS统计软件辅助进行，可以提高主成分分析的效率与准确性。

Claims (6)

1.一种用于架空输电线负荷能力评估的气象大数据的关联分析方法，其特征在于，所述关联方法包括：

S1、关键因素即主成分的提取，该步骤具体为：

S101、通过历史资料及历史数据，划定大范围的输电线路负荷的气象影响因素；

S102、从大范围的输电线路负荷的气象影响因素中挑选关键因素；

S103、通过主成分分析的方法构造主要影响因素；

S2、关联性关系分析，该步骤具体为：

S201、对于不同的主要影响因素之间，通过神经网络的方法自适应的训练学习找出风力或者温度与其他相关气象影响因素之间的关联性关系；

S202、对得到的关联性关系进行检验；

S3、通过关联性关系对风力或者温度气象影响因素的未来变化进行预测。

2.根据权利要求1所述的用于架空输电线负荷能力评估的气象大数据的关联分析方法，其特征在于，所述步骤S102、从大范围的输电线路负荷的气象影响因素中挑选关键因素具体包括：

S1021、设大范围的输电线路负荷的气象影响因素X₁，X₂，X₃，...，X_P的n次观察矩阵为：

$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1p}\\ x_{21}& x_{22}& ...& x_{2p}\\ ...& ...& ...& ...\\ x_{n1}& x_{n2}& ...& x_{np}\end{array}\right]=(X_1,X_2,...,X_P)$

对于量纲不同的数据进行标准化处理，仍将标准化后的数据记为X；

S1022、求关系矩阵R，R＝(r_ij)_pxp，设R＝X‘X，则：

$r_{ij}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\left(x_{ki}-{\stackrel{\‾}{x}}_i\right)\left(x_{kj}-\stackrel{\‾}{x_j}\right)/\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left(x_{ki}-{\stackrel{\‾}{x}}_i\right)}^2\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left(x_{kj}-\stackrel{\‾}{x_j}\right)}^2};$

S1023、求关系矩阵R的特征方程|R-λE|＝0的特征根λ₁≥λ₂≥λ₃≥...≥λ_p≥0；

S1024、选取特征值较大的若干个气象影响因素作为关键因素。

3.根据权利要求1所述的用于架空输电线负荷能力评估的气象大数据的关联分析方法，其特征在于，所述步骤S103、通过主成分分析的方法构造主要影响因素具体包括：

S1031、根据需要以及后续建模和架空线路输电负荷监控与动态增容模型的要求，确定主成分的个数

S1032、计算相应m个单位特征向量：β₁,β₂,...,β_m；

S1033、得到主成分因素的表达式：

Z_i＝β_1iX₁+β_2iX₂+...+β_piX_p,i＝1,2,3,4....m。

4.根据权利要求1所述的用于架空输电线负荷能力评估的气象大数据的关联分析方法，其特征在于，所述步骤S201具体为：

将得到的主要影响因素的数据进行相应的标准化计算，重新计算好的数据代入MATLAB软件，使用MATLAB软件中自带的神经网络工具箱，调用RBF神经网络的输入函数，得到输出的不同主因素之间的关系。

5.根据权利要求1所述的用于架空输电线负荷能力评估的气象大数据的关联分析方法，其特征在于，所述步骤S101具体为：

通过求因变量因素与每个自变量因素的相关系数，从中选择相关系数较大的作为大范围的输电线路负荷的气象影响因素。

6.根据权利要求1所述的用于架空输电线负荷能力评估的气象大数据的关联分析方法，其特征在于，所述气象影响因素包括：温度、湿度、风向、风速、气压、降雨量、太阳辐射、雾霾程度。