CN110321601B

CN110321601B - 一种架空线路动态载流能力超前预测方法及系统

Info

Publication number: CN110321601B
Application number: CN201910516985.6A
Authority: CN
Inventors: 褚晓东; 宋长城; 刘玉田; 叶华
Original assignee: Shandong University
Current assignee: Shandong University
Priority date: 2019-06-14
Filing date: 2019-06-14
Publication date: 2021-03-26
Anticipated expiration: 2039-06-14
Also published as: CN110321601A

Abstract

本公开提出了一种架空线路动态载流能力超前预测方法及系统，获得架空线路周围环境气象历史数据，将气象历史数据转化为时间间隔相同的时间序列数据；采用引入注意力机制的循环神经网络对时间序列数据进行训练及学习，实现对未来架空线路周围环境气象数据的预测；根据气象数据的预测结果，结合稳态热平衡方程，给定架空线路型号参数及其最高允许温度，计算架空线路动态载流能力和传输容量；对架空线路多个监测点分别进行预测及计算动态载流能力和传输容量，取所有监测点中的最小值作为该时刻架空线路动态载流能力和传输容量的最终结果。引入注意力机制的循环神经网络进行预测，使训练模型选择性地关注和目标强相关的输入，提高预测精度。

Description

一种架空线路动态载流能力超前预测方法及系统

技术领域

本公开涉及电力系统技术领域，特别是涉及一种架空线路动态载流能力超前预测方法及系统。

背景技术

随着我国经济的飞速发展，对用电的需求也不断增加，根据国家的可持续发展的政策性引导以及新能源技术的发展，为了满足愈来愈高的用电需求，诸如风能和太阳能发电等可再生能源发电技术迅速发展，可再生能源发电接入电网的渗透率越来越高，使得系统运行状态的波动性和不确定性问题日益突出，对电力系统安全高效运行带来巨大挑战，为了应对这一挑战，具有灵活响应特性的发电及负荷调节资源发挥了重要的作用。但是，高频度地调用发电及负荷等节点注入型灵活性资源，将显著增加相关线路传输功率越限风险，对此，应充分挖掘线路传输功率的灵活调节能力，以提高节点注入型灵活性资源的效用。

在设计架空线路时，为了安全起见，架空线路的最大载流量是根据其周围环境可能出现的最恶劣的气象条件而计算制定的一个常数值，比如风速稳定为0.5m/s，风向与架空线路平行，外界温度为30℃，日照辐射强烈，这一常数值称作架空线路的静态热定值(Static Line Rating,SLR)。然而诸如上述恶劣气象条件在实际运行的过程中极少出现，所以架空线路的静态热定值是一个相当保守的值，因此架空线路也就无法发挥其传输灵活性，也就增大了高比例可再生能源电力系统调度过程中的网络阻塞概率，当架空线路在调度过程中发生阻塞时，就会增大调度成本，并且一旦某条架空线路出现网络阻塞，潮流的被迫转移又进一步加剧了该线路附近其他线路出现阻塞的概率，导致影响范围进一步扩大。

架空线路的动态增容技术(Dynamic Line Rating,DLR)可以根据架空线路周围环境的气象条件来提升架空线路的传输容量，充分发挥架空线路传输功率的灵活调节能力，避免扩建线路。但是，如何通过运用动态增容技术对架空线路动态载流能力和传输容量进行准确、科学的超前预测，进而制定电力系统灵活性资源超前调度决策，保证高比例可再生能源电力系统安全高效运行，仍是待解决的问题。

发明内容

本说明书实施方式的目的是提供一种架空线路动态载流能力超前预测方法，可以根据气象历史数据进行超前预测得到架空线路动态载流能力和传输容量。

本说明书实施方式提供一种架空线路动态载流能力超前预测方法，通过以下技术方案实现：

包括：

获得架空线路周围环境气象历史数据，将气象历史数据转化为时间间隔相同的时间序列数据；

采用引入注意力机制的循环神经网络对时间序列数据进行训练及学习，实现对未来架空线路周围环境气象数据的预测；

根据气象数据的预测结果，结合稳态热平衡方程，给定架空线路型号参数及其最高允许温度，计算架空线路动态载流能力和传输容量；

对架空线路多个监测点分别进行动态预测及计算动态载流能力和传输容量，取所有监测点中的最小值作为该时刻架空线路动态载流能力和传输容量的最终结果。

进一步的技术方案，所述气象历史数据包括外界温度数据Ta、日照辐射强度数据S、风速数据v和风向数据θ，将上述四种气象条件的历史数据处理成为离散的时间序列，时间序列中相邻两个时刻之间取一定的时间间隔Δt。

进一步的技术方案，采用引入注意力机制的循环神经网络对时间序列数据进行训练及学习，实现对未来架空线路周围环境气象数据的预测：

确定循环神经网络的每层的神经元节点数目；

训练循环神经网络时，设置神经网络输入向量的截断长度设为l，即表示某一时刻的气象条件预测值与在此之前l×Δt时间内的气象条件有关；

引入注意力机制，将截断后的循环神经网络的编码器—解码器结构从固定长度中解放出来，使循环神经网络更充分地聚焦于对预测目标时刻气象数据强相关的气象历史数据；

对气象历史数据进行训练和学习，保留一定比例的验证数据集以防止过拟合。

进一步的技术方案，对稳态热平衡方程的电磁产热、日冕吸热及蒸发冷却进行忽略，获得简化后的稳态热平衡方程。

进一步的技术方案，架空线路的动态载流量计算方法如公式所示：

式中，I_DLR为架空线路的动态载流量，R_Tmax,AC为架空线路允许的最高温度下的交流电阻，q_c为对流冷却，q_r为辐射冷却，q_s为日照辐射吸热。

进一步的技术方案，架空线路的动态传输容量计算方法如公式所示：

式中，P_DLR为架空线路动态传输容量，U为架空线路电压等级，

为功率因数，I_DLR为架空线路的动态载流量。

进一步的技术方案，沿架空线路多地配置气象监测装置和通信装置，收集、预测沿线多地的气象数据，计算得到各自的动态载流能力。

本说明书实施方式提供一种架空线路动态载流能力超前预测系统，通过以下技术方案实现：

包括：

气象数据处理模块，被配置为：获得架空线路周围环境气象历史数据，将气象历史数据转化为时间间隔相同的时间序列数据；

气象数据预测模块，被配置为：采用引入注意力机制的循环神经网络对时间序列数据进行训练及学习，实现对未来架空线路周围环境气象数据的预测；

架空线路动态载流能力和传输容量计算模块，被配置为：根据气象数据的预测结果，结合稳态热平衡方程，给定架空线路型号参数及其最高允许温度，计算架空线路动态载流能力和传输容量；

与现有技术相比，本公开的有益效果是：

(1)本公开采用引入注意力机制的循环神经网络进行预测，循环神经网络会对上一个时刻的状态产生记忆功能，并用作当前时刻输出向量的计算，在预测时间序列数据方面具有独有的优越性，而注意力机制可以将循环神经网络中的编码器—解码器结构从固定长度中解放出来，使训练模型选择性地关注和目标强相关的输入，提高预测精度；

(2)本公开的预测和计算方法科学，能够显著提升架空线路的载流能力和传输容量，充分发挥架空线路传输功率和灵活调节能力；

(3)本公开的预测结果准确，在相同数据规模和计算环境下，预测精度相比于已有的方法更高。

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是本发明公开的架空线路动态载流能力超前预测方法流程图；

图2a是传统神经网络结构图；

图2b是循环神经网络结构图；

图3a是不引入注意力机制的编码器—解码器学习框架图；

图3b是引入注意力机制的编码器—解码器学习框架图；

图4是本发明公开的超前预测方法总体框架图；

图5a是本发明实施例一公开的外界温度Ta超前分位数预测曲线；

图5b是本发明实施例一公开的日照辐射强度S超前分位数预测曲线；

图5c是本发明实施例一公开的风速v超前分位数预测曲线；

图5d是本发明实施例一公开的风向角θ超前分位数预测曲线；

图6a是本发明实施例一公开的外界温度Ta预测误差概率密度分布；

图6b是本发明实施例一公开的日照辐射强度S误差概率密度分布；

图6c是本发明实施例一公开的风速v误差概率密度分布；

图6d是本发明实施例一公开的风向角θ误差概率密度分布；

图7是本发明实施例一公开的架空线路动态载流能力超前预测曲线；

图8是本发明实施例一公开的架空线路动态传输容量超前预测曲线；

图9a是本发明实施例一公开的外界温度Ta预测结果对比曲线；

图9b是本发明实施例一公开的日照辐射强度S预测结果对比曲线；

图9c是本发明实施例一公开的风速v预测结果对比曲线；

图9d是本发明实施例一公开的风向角θ预测结果对比曲线；

图10是本发明实施例一公开的架空线路动态载流能力超前预测结果对比曲线。

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，本文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。

实施例子一

该实施例公开了一种架空线路动态载流能力超前预测方法,正如背景技术所介绍的，架空线路静态热稳定极限值计算过于保守，运用架空线路动态增容技术可以根据架空线路周围环境天气条件动态确定架空线路载流能力和传输容量，充分发挥架空线路传输功率的灵活调节能力。而现有的技术对于确定架空线路动态载流能力和传输容量的气象条件预测效果欠佳，导致误差较大，进而对电力系统灵活性资源调度产生不利影响。为了解决如上的技术问题，本申请提出了一种架空线路动态载流能力超前预测方法，通过对架空线路周围环境气象条件进行准确、科学的预测，结合稳态热平衡方程，计算架空线路动态载流能力和传输容量，与目前常用的预测方法相比，本超前预测方法原理更加科学，得到的预测结果误差较小，最终计算结果准确，满足电力系统灵活性资源调度的要求。

如图1所示，本申请提供了一种架空线路动态载流能力超前预测方法，该方法包括以下步骤：

步骤1：整理气象历史数据，将气象历史数据转化为时间间隔相同的时间序列数据。

其中，所涉及到的气象数据包括外界温度数据Ta、日照辐射强度数据S、风速数据v和风向数据θ。为了保证训练、学习和预测的有效性，数据必须具备一定的规模。对于这些随时间连续变化的量，不可能完全预测出其在一天内连续变化的情况，需要将上述四种气象条件的历史数据处理成为离散的时间序列，时间序列中相邻两个时刻之间取一定的时间间隔Δt。

步骤2：采用引入注意力机制的循环神经网络方法对气象历史数据进行训练和学习，进而对未来一天的气象数据进行超前预测。

所采用的预测算法为引入注意力机制的循环神经网络方法。

传统的神经网络结构，层与层之间的神经元节点之间是全连接的，而每层内部的神经元节点之间是完全不相连的，如图2a所示。但是，在处理有关时间序列(比如气象时间序列数据)的问题时，传统的神经网络结构往往效果不佳，原因主要在于传统的神经网络结构无法反映出时间序列中数据之间的联系和变化规律，从而导致预测效果较差。

循环神经网络结构，每层内部的神经元节点之间存在连接，如图2b所示。也就是说，当前时刻隐含层的输入向量不仅包括当前时刻输入层的输出向量，还包括上一个时刻隐含层的输出向量；当前时刻神经网络的输出向量不仅与当前时刻神经网络的输入向量有关，还与上一个时刻神经网络的状态有关。循环神经网络会对上一个时刻的状态产生记忆功能，并用作当前时刻输出向量的计算。其计算过程为：

s_t＝f(U·x_t+W·s_t-1+b)

o_t＝softmax(Vs_t+c)

式中，s_t为t时刻时隐含层的状态，属于记忆单元，f为神经网络的激活函数，W表示输入的权重，U表示此刻输入的样本的权重，b为偏置向量。另外，当t＝0时，一般认为s_-1＝0；o_t为t时刻的输出，V表示输出的样本权重，c为偏置向量。

为了便于计算和学习，一般要对循环神经网络进行截断，但是截断会造成循环神经网络的输入向量成为固定长度的向量或编码信息，每一步中的学习表达形式都是固定的，会不可避免地造成信息的损失，导致其预测精度下降，如图3a所示，其中编码器和解码器的工作过程可以表示为：

C＝Encoder(X₁,X₂,X₃,X₄)

Y_i＝Decoder(C,Y₁,Y₂,…,Y_i-1)

式中，X_i为输入序列，C为编码表达方式，Y_i为输入序列。

注意力机制可以将循环神经网络中的编码器—解码器结构从固定长度中解放出来，使模型选择性地关注输入中较为重要的信息。输入中加入“注意”到的与目标输出关系密切的信息，可以进一步提高循环神经网络的预测精度，如图3b所示。注意力机制模型在文本翻译、图像描述、语义蕴涵分析、语音识别、文本摘要分析中有着越来越广泛的应用，但是尚未应用于电力系统的相关研究。

所述采用引入注意力机制的循环神经网络进行超前预测的具体方法为：

步骤201：确定循环神经网络的每层的神经元节点数目。

其中，神经网络是由大量的神经元节点相互联接构成的，整个神经网络结构一般分为输入层、隐含层和输出层，运用神经网络进行训练、学习和预测之前，必须先确定神经网络的规模。

步骤202：训练循环神经网络时，设置神经网络的输入向量截断长度为l，即表示某一时刻的气象条件预测值与在此之前l×Δt时间内的气象条件有关。

其中，循环神经网络的截断是指对神经网络规定一个最大长度，当序列长度超过规定长度之后对序列进行截断。理论上循环神经网络可以支持任意长度的序列，然而实际中，如果序列过长则会导致出现梯度消散的问题，所以一般会对循环神经网络进行截断。

步骤203：引入注意力机制，将截断后的循环神经网络的编码器—解码器结构从固定长度中解放出来，使循环神经网络模型更充分地聚焦于对预测目标时刻气象数据强相关的气象历史数据。

其中，注意力机制的应用主要表现为输入不仅包含有预测时刻之前l个时刻的数据，还包括整个样本集内预测日之前不同日内同一时刻的气象历史数据，即模型通过在被截断掉的时间序列中重新“注意”到和学习过去当前时刻的气象历史数据及变化规律，注意力机制的引入使得循环神经网络在训练和预测过程中的输入量不再是固定长度的气象条件数据编码信息。

步骤204：根据气象历史数据进行训练和学习，保留一定比例的验证数据集以防止过拟合。

其中，过拟合是指为了得到一致假设而使假设变得过度严格，表现为一个假设在训练数据上能够获得比其他假设更好的拟合，但是在训练数据外的数据集上却不能很好地拟合数据。通过保留验证数据集的方法防止过拟合，在训练数据外再为算法提供一套验证数据，应该使用在验证集合上产生最小误差的迭代次数。

步骤205：对未来的气象数据进行超前预测，为了充分描述超前预测模型的不确定性，需要进行分位数预测，以中值作为预测值。

步骤3：根据气象条件预测结果，结合稳态热平衡方程，给定架空线路型号参数及其最高允许温度，计算架空线路动态载流能力和传输容量。

稳态热平衡方程参考自IEEE Std 738-2012标准，反映架空线路的传输能力与架空线路周围环境气象条件之间的联系。

架空线路型号、技术参数及其最高允许温度参考自《电力工程电气设计手册电气一次部分》，符合电力系统工程实际应用。

其中，稳态热平衡方程为：

q_j+q_m+q_s+q_i＝q_c+q_r+q_w

式中，等号左侧表示产热和吸热项，右侧表示散热项。q_j为焦耳效应产热；q_m为电磁产热，可忽略；q_s为日照辐射吸热；q_i为日冕吸热，可忽略；q_c为对流冷却；q_r为辐射冷却；q_w为蒸发冷却，可忽略。则简化后的稳态热平衡方程为：

q_j+q_s＝q_c+q_r

焦耳效应产热计算方法如公式所示：

q_j＝I²×R_T,AC

式中，I为架空线路上的电流有效值，R_T,AC为架空线路当前温度下的单位长度交流电阻，其计算方法可以表示为：

R_T,AC＝(1+k)×R₂₀×[1+α·(T-20)]

式中，k为架空线路导体的表面效应系数，R₂₀为架空线路标准温度20℃下的单位长度的电阻，α为架空线路导体的温度系数，T为导体实际温度。当T达到导体允许的最高温度时，I达到最大载流量。

日照辐射吸热计算方法如公式所示：

q_s＝a×S×D

式中，a为吸收率，S为日照辐射强度，D为架空线路导体直径。

对流散热计算方法如公式所示：

q_c1＝(1.01+1.35×Re^0.52)×λ×k_angle×(T-T_a)

或者：

q_c2＝0.754×Re^0.6×λ×k_angle×(T-T_a)

架空线路的对流散热值取上述两个公式计算结果中的较小值。式中，λ为空气的导热系数，Re为雷诺数，k_angle为风向角系数，T_a为外界温度。其中，导热系数λ的计算方法为：

λ＝0.0243+T_a×(0.0272-0.0243)/40

雷诺数Re的计算方法为：

Re＝1.644×10⁹×v×D×[T_a+0.5×(T-T_a)]^-1.78

式中，v为风速。风向角系数k_angle的计算方法可以表示为：

k_angle＝1.194-cosθ+0.194×cos2θ+0.368×sin2θ

式中，θ为风力和架空线路的夹角，0°≤θ≤90°。

辐射散热计算方法如公式所示：

q_r＝π×ε×D×σ×[(T+273)⁴-(T_a+273)⁴]

式中，ε为辐射系数，σ为玻尔兹曼常数。

架空线路的动态载流量计算方法如公式所示：

式中，I_DLR为架空线路的动态载流量，R_Tmax,AC为架空线路允许的最高温度下的交流电阻。

架空线路的动态传输容量计算方法如公式所示：

为功率因数。

步骤4：沿线多点进行预测和计算，取其中动态载流能力和传输容量的最保守值作为最终预测值。

由于长距离架空输电线路沿线的气象条件不可能是完全一样的，所以需要在沿线多地配置气象监测装置和通信装置，收集、预测沿线多地的气象数据，计算得到各自的动态载流能力之后，取各个地点的最小值作为该时刻架空线路动态载流能力和传输容量的最终结果。整个预测模型整体框架如图4所示。

步骤5：将本方法与其他对照方法进行对比，评价方法的优越性。

对照方法的选择必须具备两个条件，第一是足够凸显本发明中注意力机制以及循环神经网络方法的优越性，第二是目前已经被广泛应用于预测问题中。

其中，对照方法包括不引入注意力机制的循环神经网络、BP神经网络以及多元线性回归。

不引入注意力机制的循环神经网络：单独使用循环神经网络，将循环神经网络截断后，保持其固定的编码器—解码器结构，同本方法进行对比，以评价本方法引入注意力机制的优越性。

BP神经网络：目前预测研究问题中应用最广泛的神经网络，其基本的算法是多层前馈神经网络的误差逆向传播算法。先用较小的随机数初始化各层之间的邻接权矩阵，不断地逐个输入样本，计算当前神经网络中每个神经元的输出，再计算样本理论输出值与样本实际输出值之间的误差，然后对不断地对邻接权矩阵进行修正，直到计算收敛、计算误差小于给定容许值。其属于传统的神经网络结构，各层之间神经元节点为全连接结构，每层内部神经元节点之间为完全不连接结构，在处理时间序列问题是可能出现效果不佳的状况。

多元线性回归：统计学习中一种常用方法，通过大数据统计回归来探究多种自变量与因变量之间的线性关系。在进行时间序列预测时，其原理如公式所示：

Y_t＝a₀+a₁×Y_t-1+a₂×Y_t-2+…+a_k×Y_t-k+ε

其中Y_t为时间序列在t时刻的值，a₀为偏置常数，a₁至a_k依次为时间序列在t-1至t-k时刻的值Y_t-1至Y_t-k的回归系数，ε为误差项。公式为当前时刻时间序列的值与之前几个相邻时刻的值之间存在一定的线性回归关系。

为了使得本领域技术人员能够更加清楚地了解本公开的技术方案，以下将结合具体的实施例与对比例详细说明本公开的技术方案。

本实施例以某中典型钢芯铝绞线为例，选用选取美国国家可再生能源实验室(NREL)网站上所提供的气象数据信息，对本发明的具体实现过程进行进一步说明。该型号架空线路的技术参数如表1所示，其他标准参数如表2所示。

表1某种典型钢芯铝绞线的技术参数

表2其他标准参数

本实施例的具体实现过程包括：

1)选取沿线三个地点从2017年6月24日至2017年10月11日的气象历史数据，包括外界温度数据、日照辐射强度数据、风速数据和风向数据，将气象历史数据转化为时间间隔相同的时间序列数据，间隔为15分钟，则每种气象条件有10560组数据。

2)将循环神经网络的截断长度设置为8，即某一时刻的气象条件预测值取决于此前2个小时内的气象条件；同时引入注意力机制，在输入向量中加入此前不同天同一时刻的气象条件数据；从而对未来1天的各种气象条件进行超前预测，共预测96组结果。各种气象条件超前预测结果如图5(a)-图5(d)所示，各种气象条件预测的均方根误差如表3所示，各种气象条件的预测误差的概率密度分布如图6(a)-图6(d)所示。

表3各种气象条件预测值与实际值的均方根误差

3)根据气象条件预测结果，结合稳态热平衡方程和架空线路技术参数，计算动态载流能力和传输容量。

4)取各个地点预测值中的最小值作为本架空线路的动态载流能力和传输容量最终预测结果。动态载流能力超前预测计算结果如图7所示，取该电压等级下的典型功率因数值

动态传输容量超前预测计算结果如图8所示。

5)将本方法与其他对照方法的结果进行对比，评价方法有效性。气象条件预测结果对比如图9(a)-图9(d)所示，气象条件预测结果的均方根误差RMSE对比如表4所示，动态载流能力预测结果对比如图10所示，动态载流能力预测结果的均方根误差RMSE对比如表5所示。

表4各方法的预测准确度评价指标对比

表5各方法的动态载流能力预测准确度评价指标对比

经过上述各步骤，最终得到了架空线路动态载流能力和传输容量超前预测曲线，整条架空线路的动态载流能力和动态传输容量预测值和实际值之间误差很小，反映了本方法的有效性。并且相比于架空线路的静态传输容量，基于周围气象条件的架空线路动态增容技术可以显著提高架空线路的传输容量，使得架空线路的传输灵活性能够得到充分的挖掘。通过与其他方法的对比，本方法对于气象条件预测结果的均方根误差最小，最终得到的动态载流能力和传输容量结果的均方根误差也最小，反映了本方法在预测精度方面的优越性。

对比本方法与不引入注意力机制的循环神经网络方法可以发现，本方法的均方根误差要略小于单独使用循环神经网络，原因在于注意力机制的作用是学习不同天某一特定时间的气象条件变化规律，引入注意力机制以后，模型会对每个离散的预测时刻的气象条件有一个大致的定位，在循环神经网络深度训练和学习的过程中，不会脱离这一定位；而没有引入注意力机制时，因为没有这一定位，所以单独使用循环神经网络进行训练和学习的预测误差就会偏大一些，这说明了注意力机制的引入有利于提高循环神经网络对于时间序列预测的准确度。而传统的BP神经网络与循环神经网络相比，预测误差更大一些，主要是因为隐含层内部为完全不连接结构，在处理有关时间序列预测的问题时，尤其是像气象条件这种波动性较大，学习难度较大的时间序列问题，往往效果不佳，这说明了循环神经网络对于处理时间序列预测问题的有效性。而多元线性回归方法的误差最大，主要原因是气象条件数据波动性较大，尤其是风速和风向角预测方面，此方法容易出现过拟合问题，预测准确度较差，不适合处理复杂的气象条件预测问题。

从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：

(1)本发明采用引入注意力机制的循环神经网络进行预测，循环神经网络会对上一个时刻的状态产生记忆功能，并用作当前时刻输出向量的计算，在预测时间序列数据方面具有独有的优越性，而注意力机制可以将循环神经网络中的编码器—解码器结构从固定长度中解放出来，使训练模型选择性地关注和目标强相关的输入，提高预测精度；

(2)本发明的预测和计算方法科学，能够显著提升架空线路的载流能力和传输容量，充分发挥架空线路传输功率和灵活调节能力；

(3)本发明的预测结果准确，在相同数据规模和计算环境下，预测精度相比于已有的方法更高。

实施例子二

包括：

该实施例子中的具体模块的实现可参见实施例子一中的相关技术内容，此处不再进行具体的描述。

实施例子三

本说明书实施方式提供一种计算机设备，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实施例子一中的一种架空线路动态载流能力超前预测方法的步骤。

实施例子四

本说明书实施方式提供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实施例子一中的一种架空线路动态载流能力超前预测方法的步骤。

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

1.一种架空线路动态载流能力超前预测方法，其特征是，包括：

确定循环神经网络的每层的神经元节点数目；

引入注意力机制，输入不仅包含有预测时刻之前l个时刻的数据，还包括整个样本集内预测日之前不同日内同一时刻的气象历史数据，将截断后的循环神经网络的编码器—解码器结构从固定长度中解放出来，使循环神经网络更充分地聚焦于对预测目标时刻气象数据强相关的气象历史数据；

对气象历史数据进行训练和学习，保留一定比例的验证数据集以防止过拟合；

2.如权利要求1所述的一种架空线路动态载流能力超前预测方法，其特征是，所述气象历史数据包括外界温度数据Ta、日照辐射强度数据S、风速数据v和风向数据θ，将上述四种气象条件的历史数据处理成为离散的时间序列，时间序列中相邻两个时刻之间取一定的时间间隔Δt。

3.如权利要求1所述的一种架空线路动态载流能力超前预测方法，其特征是，对稳态热平衡方程的电磁产热、日冕吸热及蒸发冷却进行忽略，获得简化后的稳态热平衡方程。

4.如权利要求1所述的一种架空线路动态载流能力超前预测方法，其特征是，架空线路的动态载流量计算方法如公式所示：

5.如权利要求1所述的一种架空线路动态载流能力超前预测方法，其特征是，架空线路的动态传输容量计算方法如公式所示：

为功率因数，I_DLR为架空线路的动态载流量。

6.如权利要求1所述的一种架空线路动态载流能力超前预测方法，其特征是，沿架空线路多地配置气象监测装置和通信装置，收集、预测沿线多地的气象数据，计算得到各自的动态载流能力。

7.一种架空线路动态载流能力超前预测系统，其特征是，包括：

确定循环神经网络的每层的神经元节点数目；

8.一种计算机设备，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1-6任一所述的一种架空线路动态载流能力超前预测方法的步骤。

9.一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1-6任一所述的一种架空线路动态载流能力超前预测方法的步骤。