CN110084403B - 架空导线载流量的多时段联合概率密度预测方法及系统 - Google Patents
架空导线载流量的多时段联合概率密度预测方法及系统 Download PDFInfo
- Publication number
- CN110084403B CN110084403B CN201910237888.3A CN201910237888A CN110084403B CN 110084403 B CN110084403 B CN 110084403B CN 201910237888 A CN201910237888 A CN 201910237888A CN 110084403 B CN110084403 B CN 110084403B
- Authority
- CN
- China
- Prior art keywords
- carrying capacity
- current
- period
- prediction
- probability density
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000004020 conductor Substances 0.000 title claims abstract description 42
- 238000009826 distribution Methods 0.000 claims abstract description 52
- 230000008859 change Effects 0.000 claims abstract description 19
- 230000001419 dependent effect Effects 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 64
- 241000039077 Copula Species 0.000 claims description 28
- 238000005311 autocorrelation function Methods 0.000 claims description 18
- 238000005315 distribution function Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 abstract description 13
- 238000005065 mining Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 240000005373 Panax quinquefolius Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/58—Testing of lines, cables or conductors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提出了架空导线载流量的多时段联合概率密度预测方法及系统，获取架空线路关键线档微气象历史数据；在分析载流量变化特性的基础上，结合分位点回归方法，进行载流量逐时段概率预测；运用t‑Copula函数评估多时段载流量概率分布的相关特性，建立未来多时段载流量动态相依模型，实现架空线路关键线档载流量的多时段联合概率密度预测，得到载流量波动区间和分布信息。为调度挖掘输电线路载荷能力提供更为直接且准确的依据。
Description
技术领域
本公开涉及电网技术领域，特别是涉及架空导线载流量的多时段联合概率密度预测方法及系统。
背景技术
架空导线的载流量与气象环境密切相关，美国学者提出了动态载流量计算(Dynamic thermal rating,DTR)技术框架，DTR微气象监测设备安装在关键架空线路的关键线档，根据实测微气象数据计算关键线档载流量，发掘输电线路载荷潜力。在此基础上，研究基于DTR量测数据的架空导线载流量预测方法可帮助运行人员预见关键线档导线未来载流量的变化，为确定线路载流量提供必要的参考信息，对更为充分的利用架空线路载荷能力，提高电力系统安全经济运行水平具有重要意义。
在DTR量测数据基础上，文献“王孔森,盛戈皞.基于径向基神经网络的输电线路动态容量在线预测[J].电网技术,2013,37(6):1719-1725.”同样基于微气象量测的历史数据，利用径向基神经网络进行微气象变化规律的在线学习和预测，进而实现小时级的载流量点预测；文“任丽佳,江秀臣,盛戈皞,等.输电线路允许输送容量的混沌预测[J].中国电机工程学报,2009,29(25):86-91.”则以导线历史载流量数据为输入，结合混沌预测理论，给出了未来1-2小时内每10min的载流量点预测结果；文“Alexander W.Abbouda,KennethR.Fentonb,Jacob P.Lehmera,et.al.Coupling computational fluid dynamics withthe high resolution rapid refresh model for forecasting dynamic line ratings[J].Electric Power Systems Research,2019,170(7):326-337.”则基于数值天气预报数据，实现未来18个小时内每15min载流量的点预测。上述基于DTR量测数据的载流量点预测研究对把握短期内线路载流量变化具有一定参考价值。然而，受气象环境影响，架空导线载流量不确定性较强，点预测误差不可避免，在此情形下，有必要向运行人员提供关键线档载导线载流量的变化区间及其分布情况，为运行人员选择合适保守程度的载流量提供参考信息，而点预测无法对载流量的不确定性作出定量描述。对此，文“FAN F,BELL K andINFIELD D.Probabilistic real-time thermal rating forecasting for overheadlines by conditionally heteroscedastic auto-regressive models[J].IEEETransactions on Power Delivery,2017,32(4):1881-1890.”基于自回归条件异方差模型实现了每10min的载流量概率密度预测，进一步可得到不同置信区间下的载流量预测结果；文“FAN F,BELL K and INFIELD D.Transient-state real-time thermal ratingforecasting for overhead lines by an enhanced analytical method[J].ElectricPower Systems Research,2019,167:213-221.”基于自回归条件异方差方法预测得到架空线档微气象分布，进而预测导线在特定允许温升时间(10min)下的载流量概率分布；文“ZHAN J,et al.Time series modelling for dynamic thermal rating of overheadlines[J].IEEE Transactions on Power Systems,2017,32(3):2172-2182.”则基于多项式回归及累积式自回归积分滑动平均时间序列模型实现了小时级的载流量概率预测。此外，文“
L A,SIEBERT N.Dynamic line rating using numerical weatherpredictions and machine learning:A case study[J].IEEE Transactions on PowerDelivery,2017,32(1):335-343.”利用机器学习方法构建数值天气预报与线路微气象关联模型，进而提出基于数值天气预报数据的载流量概率预测方法，可实现每15min的载流量概率预测。然而，现有载流量的概率预测均为逐时段进行，没有考虑载流量变化在各时段间的关联特性，导致载流量波动范围的预测结果较大，不符合载流量变化的实际特点。
发明内容
本说明书实施方式的目的是提供架空导线载流量的多时段联合概率密度预测方法，可利用载流量时段间的关联性改善逐时段概率预测结果，有效缩小载流量预测结果的分布区间。
本说明书实施方式提供架空导线载流量的多时段联合概率密度预测方法，
包括：
获取架空线路关键线档微气象历史数据；
在分析载流量变化特性的基础上，结合分位点回归方法，进行载流量逐时段概率预测；
运用t-Copula函数评估多时段载流量概率分布的相关特性，建立未来多时段载流量动态相依模型，实现架空线路关键线档载流量的多时段联合概率密度预测，得到载流量波动区间和分布信息。
本说明书实施方式还提供架空导线载流量的多时段联合概率密度预测系统，包括：
输入单元、服务器及显示单元，所述输入单元被配置为输入微气象数据；
所述服务器被配置为执行：
基于输入微气象数据，在分析载流量变化特性的基础上，结合分位点回归方法，进行载流量逐时段概率预测；
运用t-Copula函数评估多时段载流量概率分布的相关特性，建立未来多时段载流量动态相依模型，实现架空线路关键线档载流量的多时段联合概率密度预测，得到载流量波动区间和分布信息；
所述显示单元，被配置为将预测的结果进行输出显示。
与现有技术相比，本公开的有益效果是：
本公开主要围绕特定点(关键线档)处的载流量预测问题展开研究，在此基础上尚需进一步结合调度对把握整条输电线路载流量的实际需求，对关键线档识别问题，以及多关键线档下的输电线路载流量的预测问题展开深入研究，以期为调度挖掘输电线路载荷能力提供更为直接且准确的依据。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例子某220kV架空导线2017年载流量(8760h)的时序曲线图；
图2为本公开实施例子统计15min、30min、45min、1h时间尺度下的载流量变化量分布情况图；
图3为本公开实施例子不同滞后时长下载流量自相关函数(ACF)计算结果示意图；
图4为本公开实施例子从图3中截取的滞后时长在3小时以内的ACF值示意图；
图5(a)-图5(d)为本公开实施例子载流量与历史微气象的皮尔逊相关系数
图6为本公开实施例子逐时段概率预测架构示意图；
图7为本公开实施例子不同分位点、实际载流量及夏季STR对比图；
图8为本公开实施例子场景集与逐时段概率预测结果对比图；
图9为本公开实施例子STR、实际载流量以及场景集不同分位点对比图；
图10为本公开实施例子逐时段概率预测与多时段联合概率密度预测ES值计算结果对比图；
图11(a)-图11(f)为本公开实施例子相邻4个时段载流量两两之间的二元频数分布直方图；
图12(a)-图12(d)本公开方法预测线档1载流量场景集与逐时段分位点预测结果对比图；
图13(a)-图13(d)本公开方法预测线档2载流量场景集与逐时段分位点预测结果对比图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
受气象环境影响，架空线路载流量波动性较强，难以被准确预测，掌握线路关键线档载流量的分布规律对帮助运行人员把握线路未来载流量变化，充分利用架空线路载荷能力具有重要参考价值。文中基于架空线路关键线档微气象历史数据，在分析载流量变化特性的基础上，结合分位点回归方法，首先进行载流量逐时段概率预测，而后进一步运用t-Copula函数评估多时段载流量概率分布的相关特性，建立未来多时段载流量动态相依模型，实现架空线路关键线档载流量的多时段联合概率密度预测，得到较逐时段概率预测更为准确的载流量波动区间和分布信息。实例分析表明本公开方法可利用载流量时段间的关联性改善逐时段概率预测结果，有效缩小载流量预测结果的分布区间，验证了方法的有效性。
实施例子一
该实施例子公开了架空导线载流量的多时段联合概率密度预测方法，基于某架空线档微气象量测数据，结合日内超前调度对预测时间尺度的需求，首先基于分位点回归方法逐时段预测未来1小时内每15分钟的载流量分布情况，而后基于t-Copula函数构建多时段载流量的动态相依模型，实现载流量的多时段联合概率密度预测，以期进一步提高关键线档载流量概率密度预测结果的有效性。
为了更好的说明本公开的技术方案，首先介绍关于数据分析部分：
根据IEEE标准，给定导线最大允许运行温度(Tmax)下的载流量计算式如下：
其中，Tmax为导线长期连续运行的最大允许温度，通常取为70℃；qc为单位长度导体的空气对流散热量(w/m)，与风速、风向以及导体与环境温差等因素有关；qr为热辐射散热量(w/m)，主要与导体和环境的温差有关；qs为日照吸热量(w/m)，主要与日射强度有关。qc、qr和qs的具体算式可参考IEEE标准本公开不再逐一列写，从中可知在导线型号及架设地点确定后，架空导线载流量主要由气温、日照强度、风速及风向4个气象要素决定。
采集某220kV架空线路沿线某线档处2017年全年微气象数据(时间分辨率为15min)，由式(1)计算得到全年载流量变化曲线如图1所示。在此基础上，统计15min、30min、45min、1h时间尺度下的载流量变化量分布情况如图2所示。从中可知，不同时间尺度载流量变化量的分布具有一定规律，载流量变化在时段间存在相关性。统计结果显示，上述4个时间尺度下载流量变化量分别主要分布在[-145A,145A]、[-180A,180A]、[-200A,200A]、[-210A,210A](95％置信区间)。
进一步对架空导线载流量进行自相关函数(ACF)测试。计算不同滞后时长下的ACF曲线如图3所示。图3显示架空导线载流量的ACF曲线拖尾，说明载流量时间序列具有非平稳性；从图3中截取的滞后时长在3小时以内的ACF值如图4所示，从中可知滞后时间在2小时以内时的ACF值大于0.5，滞后时间在1小时以内的ACF值大于0.7，说明1-2小时内各时段载流量之间存在较强的自相关性。此外，图5(a)-图5(d)给出了不同回溯时长下载流量与气象4要素的互相关性，不同滞后时长下皮尔逊相关系数(PCC)变化，结果表明载流量与历史1-2小时内的4个气象要素之间存在较强的互相关性。根据载流量变化的上述特点，本公开以历史1小时(4个时段)的微气象及载流量数据为输入，预测未来4个时段(预测时域为1小时)的联合概率密度。
上述数据分析为选择预测输入量以及预测时域提供了依据。需要指出的是，本公开上述分析结论是依据测试数据集得出的，并非通用结论，对不同架空导线其载流量的自相关和与微气象的互相关曲线可能不同，可根据实际情况对输入量及预测时域做出调整，这并不影响本公开预测方法的构建。
在进行上述的数据获取及分析后，进行基于分位点回归的逐时段概率预测，受气象环境尤其是风速的影响，架空导线载流量波动性较强，难以被准确预测。相对载流量的点预测，概率预测能够给出载流量的期望值以及载流量的变化范围及分布情况。分位点回归预测的实施无需对预测对象进行任何分布的假定，且对于数据中出现的异常点具有较好的耐抗性，其有效性已在风电及负荷概率预测中得到验证，本公开将其用于逐时段载流量概率预测。
如上所述，本公开以预测该架空线路关键线档载流量为例，以历史4个时段载流量和微气象数据作为输入，预测该线档未来4个时段载流量分位点信息，预测架构如图6所示。图6中BRFk+1～BRFk+4代表未来k+1～k+4时段分位点回归预测模型。其中，τ分位点载流量(Q(τ))的线性回归预测模型可表示为：
Q(τ)＝β0(τ)+β1(τ)x1+β2(τ)x2+…+βn(τ)xn+ε (2)
式中，xi(i＝1...n)为输入量，如上述输入量采用历史4个时段载流量及4要素微气象数据，则n＝20；β(τ)为参数向量；ε为设定的系统残差值。参数向量β(τ)的估计值为：
其中xT为输入向量转置；ητ(·)为检验函数，有：
式(3)、式(4)中，yi(i＝1...m)为一组载流量样本；
为β(τ)的估计值。在估计得到参数向量β(τ)后，即可通过式(2)实现载流量的τ分位点预测。
然后，基于Copula的多时段联合概率密度预测，Copula函数是定义域区间为[0,1]的分布函数，可用于描述多元随机变量之间的相关特性，连接各随机变量的边缘分布和联合分布，即建立边缘分布和联合分布的映射关系，已在风、光发电的时空关联关系建模中得到应用。本公开将其用于建立超短期内各时段载流量分布之间的相依关系，实现多时段载流量联合概率密度预测，具体步骤如下：
1)在上节逐时段载流量的分位点预测结果基础上，进一步计算各时段载流量的离散概率分布并拟合得到累积概率分布函数和概率密度函数；
2)首先根据时段间载流量分布相关性的特点(是否对称分布和首、尾部相关等)初步选择Copula函数构建多时段载流量动态相依模型(常见的Copula函数有Normal Copula、t-Copula、Clayton Copula、Frank Copula和Gumbel Copula)。然后利用K-S检验法对初步选择的Copula函数拟合效果进行检验，确定最优拟合的Copula函数。以本公开1年载流量历史数据的分析结果为例，相邻4个时段两两之间的载流量概率分布体现出明显的首部或尾部相关特性，初步选出3种Copula函数，经检验t-Copula函数所得模型拟合效果最好。
由历史数据统计相邻4个时段载流量两两之间的二元频数分布直方图如图11(a)-图11(f)所示，其中，U、V分别为不同时段载流量的分布概率。
由图11(a)-图11(f)可见，两两时段载流量概率分布之间具有首部或尾部相关特性。因此，首先选择能够较好的反映首部、尾部相关性的t-Copula函数、Clayton Copula函数以及Gumbel Copula函数。而后进一步采用极大似然法对以上初步选择的三类Copula函数中未知参数进行估计。其中，各参数估计结果如表1所示。
表1 3类Copula函数参数估计值
最后通过统计分析法检验以上三类函数拟合效果，确定最优拟合的Copula函数。本公开此处采用K-S检验法计算检验统计量Z值，其中，Z值越小说明拟合效果越好。结果如表2所示。
表2两两时段载流量之间Pearson相关系数
由上可见，t-Copula函数相对Clayton Copula函数及Gumbel Copula函数的Z统计值更小，说明t-Copula函数的拟合效果更好，能够较好的描述多时段载流量之间的关联特性。
故采用t-Copula函数建立多时段载流量动态相依模型。描述多时段载流量相关性的多元t-Copula函数如式(5)所示。
设未来N个时段载流量ri(i＝1,2,…,N)的边缘分布函数分别为Fi(ri)，(i＝1,2,…,N)。式(5)中，ui＝Fi(ri)(i＝1,2,…,N)；ρ∈[-1,1]为变量间相依参数，ρt为N维t-Copula函数的N阶等效相依系数矩阵；k为自由度参数；Γ(·)为Γ分布函数；t和t-1分别为自由度为k的t分布及其反函数，r＝[r1,...,rN]。根据Copula函数理论，有：
F(r1,r2,…,rN)＝C(u1,u2,…,uN；ρt,k) (6)
其中，F(r1,r2,…,rN)为未来N个时段载流量的联合概率分布函数。对上式两端求导，得联合概率密度函数为：
其中，fi(ri)为1～N个时段载流量的边缘概率密度函数，c为Copula密度函数，表达如式(8)所示。
可见，确定式(7)中参数ρt和k后即可获得未来N个时段载流量的联合概率密度函数。
3)采用极大似然估计法对所选Copula函数中未知参数(t-Copula函数参数为ρt，k)进行估计，得到载流量多时段联合概率密度函数，完成架空导线载流量多时段联合概率密度预测。
以相邻4个时段(时段1～时段4)为例，设r1d,…,r4d为载流量样本，d＝1,2,…,D为样本序号，D为样本个数，本公开取为2000，则样本的似然函数为：
式中，将上式两边取对数可得：
则动态相依矩阵ρt中各元素和自由度参数k的极大似然估计值为：
式中，
为联合分布函数中待估计参数向量。得到参数估计值后即可得到关键线档相邻4个时段载流量的联合分布模型。
实施例子二
该实施例子公开了架空导线载流量的多时段联合概率密度预测系统，所述系统包括：输入单元、服务器及显示单元，所述输入单元被配置为输入载流量历史数据及关键线档微气象历史数据。
所述服务器被配置为执行数据的处理，包括数据分析、基于分位点回归的逐时段概率预测及基于Copula的多时段联合概率密度预测：
基于输入微气象数据，在分析载流量变化特性的基础上，结合分位点回归方法，进行载流量逐时段概率预测；
运用t-Copula函数评估多时段载流量概率分布的相关特性，建立未来多时段载流量动态相依模型，实现架空线路关键线档载流量的多时段联合概率密度预测，得到载流量波动区间和分布信息；
所述显示单元，被配置为将输出结果进行显示。
上述服务器的数据处理过程见实施例子一，此处不再详细描述。
实施例子三
该实施例子公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现架空导线载流量的多时段联合概率密度预测方法的步骤。
架空导线载流量的多时段联合概率密度预测方法的步骤详见实施例子一，此处不再详细说明。
实施例子四
该实施例子公开了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现架空导线载流量的多时段联合概率密度预测方法的步骤。
架空导线载流量的多时段联合概率密度预测方法的步骤详见实施例子一，此处不再详细说明。
工程算例一
为了更好的验证本申请的技术构思，下面给出了具体的算例分析：以预测前述220kV架空线路关键线档的2017年夏季载流量为例，根据前文所述预测流程，首先选取该线路关键线档2017年6月1日—8月1日微气象及载流量历史数据为训练集，用于估计分位点回归预测模型中参数向量β(τ)。而后基于分位点回归方法滚动预测未来4个时段载流量分位点。其中，8月2日—8月6日0、0.5和1分位点预测结果、导线实际载流量以及夏季STR(650A，计算条件为气温35℃，风速0.5m/s垂直于导线，光照强度800w/m2)如图7所示。
由图7可见，本公开采用分位点回归方法能够较好的预测载流量的变化趋势和波动范围(由0、1分位数构成的载流量区间可完全包含图中实线所示的实际载流量变化曲线)。
在未来4个时段分位点预测值的基础上进行多时段载流量联合概率密度的预测。以对8月2日0点～1点内4个时段载流量联合概率密度预测为例，通过极大似然估计得到4个时段载流量的联合分布函数的等效相依系数矩阵如式(12)所示，自由度k＝5.81≈6。
由式(12)可见，该矩阵为对称正定矩阵，4个时段载流量联合概率密度分布函数可被唯一确定，表达如下：
式中，r＝[r1,…,r4]为连续4个时段载流量。本公开依次计算了8月2日全天各小时内4个时段载流量的联合概率密度函数。图8为依据载流量联合概率密度函数进行多元随机变量抽样(1000次)，得到的载流量场景集合与逐时段概率预测(分位点回归预测以及条件异方差自回归预测)结果(分位点回归概率预测给出了0、1分位点预测结果，条件异方差回归概率预测给出了100％置信区间的预测曲线)的对比。可见场景集的包络线可完全覆盖实际载流量的变化曲线，且场景集包络线又完全在逐时段概率预测的0、1分位点区间或100％置信区间内。说明本公开方法可缩小载流量波动区间的预测结果，更符合载流量变化的实际特点。
对图8中的场景集进行统计得到不同分位点的载流量变化曲线，与实际载流量曲线及传统STR值的对比如图9所示。可见，由场景集统计得到的0、1分位点曲线所覆盖的区间能够完全包含导线的实际载流量变化曲线，且较STR有很大提高。
利用计算能量分数(energy score，ES)指标对所提出的载流量多时段联合概率密度预测结果进行量化评估。ES指标表达式如式(14)所示，ES值越小，说明抽样得到的场景集越贴合实际载流量变化曲线。ES指标表达式如下：
式中，V为场景个数；PT为实际载流量向量；S(w)与S(v)分别表示由预测结果抽样得到的第w个和第v个场景。逐时段概率预测与多时段联合概率密度预测ES值计算结果对比如图10所示。
由图10可见，由载流量多时段联合概率密度预测结果抽样所得场景集的ES值普遍小于根据逐时段概率预测结果抽样所得到场景集的ES值，进一步说明多时段载流量联合概率密度预测结果更接近载流量的实际波动情况，体现了多时段联合概率密度预测的有效性。
进一步采用本方法分别对2个关键线档在全年4个典型日(分别为2018年4月15日、2018年7月15日、2018年10月15日和2018年1月15日)内的载流量进行预测，根据预测结果抽样的场景集和逐时段预测的0、1分位点结果对比如图12(a)-图12(d)、图13(a)-图13(d)所示。若运行人员选择最保守的0分位点作为预测结果，则本公开方法预测结果将平均高于图12(a)-图12(d)、图13(a)-图13(d)中所示逐时段概率预测结果0分位点25.7％，高于传统STR计算结果127.8％；若运行人员选择较为保守的0.1、0.3分位点，则本公开方法预测结果平均高于逐时段概率预测结果0.1分位点11.5％，0.3分位点9.3％。可见，本公开方法可为运行人员根据保守程度偏好选择载流量预测结果提供更为准确的参考信息。
基于Copula理论提出了架空导线载流量的多时段联合概率密度预测方法。基于微气象量测数据，本公开方法可预测得到关键线档载流量的多时段联合概率密度分布，进而获得载流量分位点信息。实例分析表明，本公开方法相比逐时段概率预测能够更好的反映关键线档载流量变化的实际特点，缩小载流量变化的预测区间，为运行人员根据保守度偏好选择线路载流量预测结果提供更为准确的参考信息。本公开主要围绕特定点(关键线档)处的载流量预测问题展开研究，在此基础上尚需进一步结合调度对把握整条输电线路载流量的实际需求，对关键线档识别问题，以及多关键线档下的输电线路载流量的预测问题展开深入研究，以期为调度挖掘输电线路载荷能力提供更为直接且准确的依据。
可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (7)
1.架空导线载流量的多时段联合概率密度预测方法，其特征是，包括：
获取架空线路关键线档微气象历史数据；
针对所获得架空线路沿线某关键线档处全年微气象数据计算得到全年载流量变化曲线，基于该曲线，统计相邻时段下的载流量变化量分布情况；
统计相邻时段下的载流量变化量分布情况后，进一步对架空导线载流量进行自相关函数ACF测试，计算不同滞后时长下的ACF曲线，基于该曲线，设置预测时域并选取历史相邻时段的微气象及载流量的数据作为输入量；
在分析载流量变化特性的基础上，结合分位点回归方法，进行载流量逐时段概率预测；以关键线档历史4个时段载流量和微气象数据作为输入，预测该关键 线档未来4个时段载流量分位点信息；
运用t-Copula函数评估多时段载流量概率分布的相关特性，建立未来多时段载流量动态相依模型，实现架空线路关键线档载流量的多时段联合概率密度预测，得到载流量波动区间和分布信息；
运用t-Copula函数评估多时段载流量概率分布的相关特性，建立未来多时段载流量动态相依模型的过程为：
在逐时段载流量的分位点预测结果基础上，进一步计算各时段载流量的离散概率分布并拟合得到累积概率分布函数和概率密度函数；
根据时段间载流量分布相关性的特点，确定最优拟合的Copula函数；
采用极大似然估计法对所选Copula函数中未知参数进行估计，得到载流量多时段联合概率密度函数，完成架空导线载流量多时段联合概率密度预测；
具体地，所述载流量多时段联合概率密度函数为：
f(r1，r2，…，rN)＝c(u1，u2，…，uN；ρt，k)·f1(r1)，…，fN(rN)
其中，fi(ri)为1～N个时段载流量ri(i＝1,2,…,N)的边缘概率密度函数，c为Copula密度函数，ρ∈[-1,1]为变量间相依参数，ρt为N维t-Copula函数的N阶等效相依系数矩阵；k为自由度参数；Γ(·)为Γ分布函数；t和t-1分别为自由度为k的t分布及其反函数，r＝[r1,...,rN]。
2.如权利要求1所述的架空导线载流量的多时段联合概率密度预测方法，其特征是，结合分位点回归方法，进行载流量逐时段概率预测时，将历史相邻时段的微气象及载流量数据输入至τ分位点载流量的线性回归预测模型，实现载流量的τ分位点预测。
3.如权利要求2所述的架空导线载流量的多时段联合概率密度预测方法，其特征是，τ分位点载流量的线性回归预测模型中包含有参数向量β(τ)，针对参数向量β(τ)的估计值，根据历史相邻时段的微气象及载流量的数据计算获得，在估计得到参数向量β(τ)后代入τ分位点载流量的线性回归预测模型即可获得载流量的τ分位点预测。
4.如权利要求1所述的架空导线载流量的多时段联合概率密度预测方法，其特征是，初步选择Copula函数构建多时段载流量动态相依模型；利用K-S检验法对初步选择的Copula函数拟合效果进行检验，确定最优拟合的Copula函数。
5.架空导线载流量的多时段联合概率密度预测系统，其特征是，包括：
输入单元、服务器及显示单元，所述输入单元被配置为输入微气象数据；
所述服务器被配置为执行：
针对所获得架空线路沿线某关键线档处全年微气象数据计算得到全年载流量变化曲线，基于该曲线，统计相邻时段下的载流量变化量分布情况；
统计相邻时段下的载流量变化量分布情况后，进一步对架空导线载流量进行自相关函数ACF测试，计算不同滞后时长下的ACF曲线，基于该曲线，设置预测时域并选取历史相邻时段的微气象及载流量的数据作为输入量；
基于输入微气象数据，在分析载流量变化特性的基础上，结合分位点回归方法，进行载流量逐时段概率预测；以关键线档历史4个时段载流量和微气象数据作为输入，预测该关键线档未来4个时段载流量分位点信息；
运用t-Copula函数评估多时段载流量概率分布的相关特性，建立未来多时段载流量动态相依模型，实现架空线路关键线档载流量的多时段联合概率密度预测，得到载流量波动区间和分布信息；
运用t-Copula函数评估多时段载流量概率分布的相关特性，建立未来多时段载流量动态相依模型的过程为：
在逐时段载流量的分位点预测结果基础上，进一步计算各时段载流量的离散概率分布并拟合得到累积概率分布函数和概率密度函数；
根据时段间载流量分布相关性的特点，确定最优拟合的Copula函数；
采用极大似然估计法对所选Copula函数中未知参数进行估计，得到载流量多时段联合概率密度函数，完成架空导线载流量多时段联合概率密度预测；
具体地，所述载流量多时段联合概率密度函数为：
f(r1，r2，…，rN)＝c(u1，u2，…，uN；ρt，k)·f1(r1)，…，fN(rN)
其中，fi(ri)为1～N个时段载流量ri(i＝1,2,…,N)的边缘概率密度函数，c为Copula密度函数，ρ∈[-1,1]为变量间相依参数，ρt为N维t-Copula函数的N阶等效相依系数矩阵；k为自由度参数；Γ(·)为Γ分布函数；t和t-1分别为自由度为k的t分布及其反函数，r＝[r1,...,rN]；
所述显示单元，被配置为将预测的结果进行输出显示。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-4任一所述的架空导线载流量的多时段联合概率密度预测方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-4任一所述的架空导线载流量的多时段联合概率密度预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910237888.3A CN110084403B (zh) | 2019-03-27 | 2019-03-27 | 架空导线载流量的多时段联合概率密度预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910237888.3A CN110084403B (zh) | 2019-03-27 | 2019-03-27 | 架空导线载流量的多时段联合概率密度预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110084403A CN110084403A (zh) | 2019-08-02 |
| CN110084403B true CN110084403B (zh) | 2022-03-01 |
Family
ID=67413603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910237888.3A Active CN110084403B (zh) | 2019-03-27 | 2019-03-27 | 架空导线载流量的多时段联合概率密度预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110084403B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112116153B (zh) * | 2020-09-18 | 2022-10-04 | 上海电力大学 | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 |
| CN112733354B (zh) * | 2020-11-06 | 2022-10-18 | 国网山东省电力公司聊城供电公司 | 一种气象要素时间序列模拟方法、系统、介质及电子设备 |
| CN114493171B (zh) * | 2021-12-31 | 2023-11-28 | 国网山东省电力公司临沂供电公司 | 一种动态增容设备安装选址方案生成方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105608514A (zh) * | 2016-03-31 | 2016-05-25 | 山东大学 | 一种基于分位数回归的架空输电线路动态热定值概率分布预测方法 |
| CN107330243A (zh) * | 2017-05-25 | 2017-11-07 | 国网浙江省电力公司电力科学研究院 | 一种基于典型气象年的架空输电线路载流量计算方法 |
| CN108734342A (zh) * | 2018-04-28 | 2018-11-02 | 山东大学 | 区域天气预报用于地区电网架空线路热定值概率预测方法 |
| CN109492315A (zh) * | 2018-11-19 | 2019-03-19 | 西安交通大学 | 一种基于Copula函数的时空相关风光序列模拟方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9519014B2 (en) * | 2012-12-06 | 2016-12-13 | Dynamic Engineers, Inc. | Systems and methods for calculating power transmission line capacity |
| CN107292439A (zh) * | 2017-06-23 | 2017-10-24 | 广东工业大学 | 一种基于时变混合Copula函数的短期风速预测的方法与装置 |
| CN108229754B (zh) * | 2018-01-31 | 2021-12-10 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
-
2019
- 2019-03-27 CN CN201910237888.3A patent/CN110084403B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105608514A (zh) * | 2016-03-31 | 2016-05-25 | 山东大学 | 一种基于分位数回归的架空输电线路动态热定值概率分布预测方法 |
| CN107330243A (zh) * | 2017-05-25 | 2017-11-07 | 国网浙江省电力公司电力科学研究院 | 一种基于典型气象年的架空输电线路载流量计算方法 |
| CN108734342A (zh) * | 2018-04-28 | 2018-11-02 | 山东大学 | 区域天气预报用于地区电网架空线路热定值概率预测方法 |
| CN109492315A (zh) * | 2018-11-19 | 2019-03-19 | 西安交通大学 | 一种基于Copula函数的时空相关风光序列模拟方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110084403A (zh) | 2019-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107681691B (zh) | 计及不确定性因素的风电并网系统运行可靠性评估方法 | |
| CN113572206B (zh) | 一种风电出力区间预测方法 | |
| Yan et al. | Novel cost model for balancing wind power forecasting uncertainty | |
| CN110084403B (zh) | 架空导线载流量的多时段联合概率密度预测方法及系统 | |
| CN110110912B (zh) | 一种光伏功率多模型区间预测方法 | |
| CN111428926B (zh) | 一种考虑气象因素的区域电力负荷预测方法 | |
| CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
| CN111815065B (zh) | 基于长短时记忆神经网络的短期电力负荷预测方法 | |
| CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
| Ozoh et al. | A comparative analysis of techniques for forecasting electricity consumption | |
| CN105184388A (zh) | 一种城市电力负荷短期预测的非线性回归方法 | |
| CN114564487B (zh) | 预报预测相结合的气象栅格数据更新方法 | |
| Chen et al. | Combining stochastic weather generation and ensemble weather forecasts for short-term streamflow prediction | |
| Sigauke | Modelling electricity demand in South Africa | |
| Fan et al. | Probabilistic weather forecasting for dynamic line rating studies | |
| Song et al. | Dynamic thermal line rating model of conductor based on prediction of meteorological parameters | |
| CN118054400A (zh) | 一种基于可解释性与模型融合的风电功率预测方法及系统 | |
| CN117876150A (zh) | 基于非侵入式负荷分解算法的短期多元综合负荷预测方法 | |
| Nguyen et al. | A machine learning-based approach for the prediction of electricity consumption | |
| Liu et al. | A Bayesian deep learning-based probabilistic risk assessment and early-warning model for power systems considering meteorological conditions | |
| CN116432524A (zh) | 一种变压器油温预测方法、装置、设备及存储介质 | |
| CN115936236A (zh) | 一种卷烟厂能耗预测方法、系统、设备及介质 | |
| CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
| Wang et al. | Prediction of intra-period minimum thermal rating of overhead conductors | |
| Zhang et al. | Wind speed prediction for wind farm based on clayton copula function and deep learning fusion |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Cai Fudong Inventor after: Wang Mengxia Inventor after: Fu Shanqiang Inventor before: Cai Fudong Inventor before: Wang Mengxia Inventor before: Fu Shanqiang |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |