CN112598201B - 一种基于分布式光纤测温的电网负荷估算方法与装置 - Google Patents
一种基于分布式光纤测温的电网负荷估算方法与装置 Download PDFInfo
- Publication number
- CN112598201B CN112598201B CN202110224843.XA CN202110224843A CN112598201B CN 112598201 B CN112598201 B CN 112598201B CN 202110224843 A CN202110224843 A CN 202110224843A CN 112598201 B CN112598201 B CN 112598201B
- Authority
- CN
- China
- Prior art keywords
- load
- power grid
- database
- total
- cable
- 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
- 239000013307 optical fiber Substances 0.000 title claims abstract description 49
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000005611 electricity Effects 0.000 claims abstract description 79
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 10
- 239000000463 material Substances 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 6
- 230000002829 reductive effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000004861 thermometry Methods 0.000 claims 4
- 239000000835 fiber Substances 0.000 claims 3
- 230000003287 optical effect Effects 0.000 description 26
- 238000010248 power generation Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000001681 protective effect Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004378 air conditioning Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 229920000271 Kevlar® Polymers 0.000 description 2
- 238000001069 Raman spectroscopy Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 239000004761 kevlar Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- WRDNCFQZLUCIRH-UHFFFAOYSA-N 4-(7-azabicyclo[2.2.1]hepta-1,3,5-triene-7-carbonyl)benzamide Chemical compound C1=CC(C(=O)N)=CC=C1C(=O)N1C2=CC=C1C=C2 WRDNCFQZLUCIRH-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229920006231 aramid fiber Polymers 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002657 fibrous material Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
- G01K11/32—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
Abstract
本发明涉及一种基于分布式光纤测温的电网负荷估算方法与装置，其方法包括：获取待预测地区的电缆节点数据库、居民用电总负荷数据库、电网总负荷数据库和气温数据库；根据所述电缆节点数据库、人体舒适度指数、气温、居民用电总负荷和电网总负荷构建匹配关系数据库；利用主成分分析法对所述匹配关系数据库中的不同类别数据进行降维，将降维后的不同类别数据进行融合并映射到多维向量中；将所述多维向量、电网总负荷分别作为样本和标签，训练LSTM神经网络并将其用于预测电网总负荷。本发明挖掘了分布式光纤的测温数据以及居民用电总负荷、电网总负荷数据之间的关联，利用LSTM学习该关联，从而使电网负荷预测简单有效、实时性。
Description
技术领域
本发明属于电网的数据处理和机器学习领域，具体涉及一种基于分布式光纤测温的电网负荷估算方法与装置。
背景技术
随着分布式光纤传感技术的发展，利用一根测温光纤就可以获得沿线的温度分布信息。测温光纤温度的测量一般通过光纤内的光信号强度或频率信息获得，实现光信号测量的设备称为分布式光纤温度测量设备，基于光纤拉曼散射的温度测量仪、基于光纤布里渊散射的应变和温度测量仪和基于光纤瑞利相干检测的应变和温度测量仪都属于此类设备。
电网负荷率是描述电力负荷特性的重要指标，负荷率高意味着负荷曲线比较平缓，峰谷差较小，电网需要的发电设备调峰容量小，从而可以提髙发电设备的利用率对电网的安全运行及经济效益都有益。随着人们生活水平的提高和用电结构的变化，民用电的比重上升。高峰电力负荷增长大于用电量增长会直接导致电网负荷率下降，峰谷差拉大，使得低谷时段约束了发电设备的出力，而高峰时段发电设备调峰容量又不足，导致一些地区电力供应紧张。
由于用电需求时间的不均衡，在非高峰时段有发电容量而没有用电需求，使得发电设备出力减小甚至停机：而在高峰时段用电需求剧增，发电设备容量又不能满足用电的需求。这种用电的不均衡导致了负荷率降低、负荷峰谷差加大、发电设备利用小时数下降、发电煤耗增加，发电成本上升、电网调峰困难、供电可靠性下降及高峰时段拉闸限电等一系列问题。负荷率降低约束了发电设备利用小时数的提髙，使得我国电网可发电量有余、可供电力不足。
而现有的基于分布式测温光纤的电网负荷估算方法是基于多元回归模型，涉及的变量多、复杂度高、准确率不高。
发明内容
为解决电网负荷估算方法复杂、准确率不高的问题，在本发明的第一方面提供了一种基于分布式光纤测温的电网负荷估算方法，包括如下步骤：获取待预测地区的电缆节点数据库、居民用电总负荷数据库、电网总负荷数据库和气温数据库，所述电缆节点数据库包括电缆节点分布、电缆节点位置、电缆节点的温度分布、电缆的温度变化、电缆的材料性能参数、电缆的电气性能参数、电缆故障类型及其对应的电缆的材料性能参数基准值和电气性能参数基准值；根据所述电缆节点数据库、人体舒适度指数、气温、居民用电总负荷和电网总负荷构建匹配关系数据库；利用主成分分析法对所述匹配关系数据库中的不同类别数据进行降维，将降维后的不同类别数据进行融合并映射到多维向量中；将所述多维向量、电网总负荷分别作为样本和标签，训练LSTM神经网络直至其误差低于阈值且趋于稳定，得到训练好的LSTM神经网络；将待预测地区的实时电缆节点数据和实时气温输入到所述训练好的LSTM神经网络中，得到电网总负荷的估算值；所述实时电缆节点数据包括电缆节点的实时温度分布和电缆的实时温度变化。
在本发明的一些实施例中，所述根据所述电缆节点数据库、人体舒适度指数、气温、居民用电负荷和电网总负荷建立匹配关系数据库包括如下步骤：从电缆节点数据库中提取用于居民用电的电缆节点的温度分布和温度变化，根据所述温度分布、温度变化和电缆的电气性能参数和居民用电总负荷建立居民用电的电缆节点负荷与居民用电总负荷匹配关系，构建第一匹配关系数据库；根据人体舒适度指数、气温、居民用电负荷和电网总负荷建立电网总负荷的分布关系，构建第二匹配关系数据库；将所述第一匹配关系数据库与第二匹配关系数据库融合，得到居民用电的电缆节点负荷、居民用总电负荷和电网总负荷的匹配关系数据库。
进一步的，所述人体舒适度指数的计算方法为：
ssd=(1.818t+18.18)*(0.88+0.002f)+(t-32)/(45-t)-3.2v+18.2，其中ssd为人体舒适度指数，t为平均气温，f为相对湿度，v为风速。
进一步的，所述利用主成分分析法对所述匹配关系数据库进行降维，并映射到多维向量中包括如下步骤：通过第一匹配关系数据库对电缆节点数据库进行降维，得到第一特征向量；通过第二匹配关系数据库对人体舒适度指数、气温、居民用电总负荷和电网总负荷进行降维，得到第二特征向量；将所述第一特征向量和第二特征向量融合并映射到多维向量中。
在本发明的一些实施例中，所述LSTM神经网络包括输入层、隐藏层和softmax层，所述隐藏层的激活函数为sigmoid函数。优选的，所述LSTM神经网络通过时间方向传播算法优化。
本发明的第二方面，提供了一种基于分布式光纤测温的电网负荷估算装置，包括获取模块、构建模块、映射模块、训练模块、估算模块，所述获取模块，用于获取待预测地区的电缆节点数据库，所述电缆节点数据库包括电缆节点分布、电缆节点位置、电缆节点的温度分布、电缆的温度变化、电缆的材料性能参数、电缆的电气性能参数、电缆故障类型及其对应的电缆的材料性能参数基准值和电气性能参数基准值；所述构建模块，用于根据所述电缆节点数据库、人体舒适度指数、气温、居民用电总负荷和电网总负荷构建匹配关系数据库；所述映射模块，用于利用主成分分析法对所述匹配关系数据库中的不同类别数据进行降维，将降维后的不同类别数据进行融合并映射到多维向量中；所述训练模块，用于将所述多维向量、电网总负荷分别作为样本和标签，训练LSTM神经网络直至其误差低于阈值且趋于稳定，得到训练好的LSTM神经网络；所述估算模块，用于将待预测地区的实时电缆节点数据和实时气温输入到所述训练好的LSTM神经网络中，得到电网总负荷的估算值；所述实时电缆节点数据包括电缆节点的实时温度分布和电缆的实时温度变化。
进一步的，所述构建模块包括第一匹配模块、第二匹配模块、融合模块，所述第一匹配模块，用于从电缆节点数据库中提取用于居民用电的电缆节点的温度分布和温度变化，根据所述温度分布、温度变化和电缆的电气性能参数和居民用电总负荷建立居民用电的电缆节点负荷与居民用电总负荷匹配关系，构建第一匹配关系数据库；所述第二匹配模块，用于根据人体舒适度指数、气温、居民用电负荷和电网总负荷建立电网总负荷的分布关系，构建第二匹配关系数据库；所述融合模块，用于将所述第一匹配关系数据库与第二匹配关系数据库融合，得到居民用电的电缆节点负荷、居民用总电负荷和电网总负荷的匹配关系数据库。
本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面提供的方法。
本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明第一方面提供的方法。
本发明的有益效果是：
1.本发明挖掘了分布式光纤的测温数据以及居民用电总负荷、电网总负荷数据之间的关联，利用LSTM学习该关联，从而使电网负荷预测简单、准确；
2.分布式光纤的测温数据具有实时性，而居民用电总负荷与电网总负荷的关系一般跟人体舒适度指数、气温相关；例如夏季，气温每上升一度，居民用电总负荷会有相应的增长，直至达到峰值；而冬季，气温每下降一度，居民用电总负荷会有相应的增长，直至达到峰值；但此种关系属于统计特征，需要实时数据进行校正，而分布式光纤的测温数据与其形成互补；提高了预测模型的实时性；
3.LSTM神经网络在处理相较其他神经网络更具有时间特征，从而提高了模型的鲁棒性和泛化能力。
附图说明
图1为本发明的一些实施例中的基于分布式光纤测温的电网负荷估算方法流程示意图；
图2为本发明的一些实施例中的基于分布式光纤测温的电网负荷估算装置的结构示意图；
图3为本发明的一些实施例中的电子设备的基本结构图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
参考图1，在本发明的第一方面提供了在本发明的第一方面提供了一种基于分布式光纤测温的电网负荷估算方法，包括如下步骤：S101.获取待预测地区的电缆节点数据库、居民用电总负荷数据库、电网总负荷数据库和气温数据库，所述电缆节点数据库包括电缆节点分布、电缆节点位置、电缆节点的温度分布、电缆的温度变化、电缆的材料性能参数、电缆的电气性能参数、电缆故障类型及其对应的电缆的材料性能参数基准值和电气性能参数基准值；S102.根据所述电缆节点数据库、人体舒适度指数、气温、居民用电总负荷和电网总负荷构建匹配关系数据库；S103.利用主成分分析法对所述匹配关系数据库中的不同类别数据进行降维，将降维后的不同类别数据进行融合并映射到多维向量中；S104.将所述多维向量、电网总负荷分别作为样本和标签，训练LSTM神经网络直至其误差低于阈值且趋于稳定，得到训练好的LSTM神经网络；S105.将待预测地区的实时电缆节点数据和实时气温输入到所述训练好的LSTM神经网络中，得到电网总负荷的估算值；所述实时电缆节点数据包括电缆节点的实时温度分布和电缆的实时温度变化。
在本发明的一些实施例的步骤S102中，所述根据所述电缆节点数据库、人体舒适度指数、气温、居民用电负荷和电网总负荷建立匹配关系数据库包括如下步骤：从电缆节点数据库中提取用于居民用电的电缆节点的温度分布和温度变化，根据所述温度分布、温度变化和电缆的电气性能参数和居民用电总负荷建立居民用电的电缆节点负荷与居民用电总负荷匹配关系，构建第一匹配关系数据库；根据人体舒适度指数、气温、居民用电负荷和电网总负荷建立电网总负荷的分布关系，构建第二匹配关系数据库；将所述第一匹配关系数据库与第二匹配关系数据库融合，得到居民用电的电缆节点负荷、居民用总电负荷和电网总负荷的匹配关系数据库。
具体地，第一匹配关系数据库构建步骤如下：以铠装测温光纤（光缆）为例，其由内
到外依次包括内层光纤、螺旋铠装钢带、凯夫拉（KEVLAR，一种芳纶纤维材料产品的品牌名，
材料原名叫“聚对苯二甲酰对苯二胺）、高导热保护管；对于温度传感光缆（光纤）的传热分
析一般需要采取简化处理，即忽略温度传感光缆在轴向上的温度变化，只考虑其径向温度
变化，可以表示为一维稳态温度场的传热过程均为非稳态过程。假设温度传感光缆缆各层
半径依次为r1、r2、r3、r4并且r1<r2<r3<r4，温度传感光缆内表面的温度（光缆所处外界环
境未发生变化时的温度）为t1，外界环境的温度（温度发生变化并且达到稳定）为t4，当t4>
t1，温度传感光缆各层交界面处的温度分别为t2、t3，考虑到温度传感光缆各层材料是均匀
的、各项同性，因此温度传感光缆各层材料的热导率（导热系数，表征了介质材料的传热能
力）均为常数由内到外分别为λ 1、λ 2、 λ 3，则各层的热阻分别为
、
，利用热阻串联的定律可以得到，传感光缆的导热量计算公式为:
式中C1、C2分别为保护套和测温光纤的热容，R1为保护套与外界环境的换热热阻，
R2为测温光纤与保护套的换热热阻，T1为保护套的温度，T2为测温光纤的温度，w 0表示为系
统无阻尼时的固有振动频率；故铠装温度传感光缆的动态测量方程：
，式中
为阻尼比；
它与测温光缆（测温光纤）所使用的材料的物理特性及材
料的长短尺寸等有关系。
可以理解，上述以铠装测温光纤为例，改变上述结构或材料，相应地阻尼比和固有振动频率的参数作适应性改变仍能上述方法进行测量。上述测量方式是基于布里渊散射的分布式测温光纤，但并不影响其用于拉曼散射的分布式测温光纤、背向瑞利散射的分布式测温光纤中。
OPGW（Optical Fiber Com posite Ground Wire，光纤复合架空地线光缆）兼具地线和通信光缆双中功能（敷设在输电电缆内部或地线），是将通信光缆和高压输电线上架空地线结合，将光缆技术和输电线技术相融合，成为多功能的架空地线。常见的OPGW分为铝管结构、铝钢复合结构、铜管结构；相应地，根据IEC60287标准建立电缆的暂态热路模型，计算故障时电缆的暂态温度，具体方法如下：
（1）根据电缆的结构和材料特性，利用IEC60287标准中介绍的热路模型构建方法建立电缆的热路模型；
（2）根据电缆各层材料的厚度、热阻系数、热容系数，利用IEC60287标准中介绍的损耗、热阻和热容计算公式计算金属层和绝缘层的损耗、各层的热阻和热容；
（3）根据电缆稳态时的温度、故障持续时间，利用建立好的热路模型计算故障结束时刻电缆各层及测温光纤的暂态温度。
由上可知，通过IEC60287标准的相关模型、傅里叶热传导方程以及OPGW测温光缆（光纤）的相关材料参数可以建立电缆节点的温度分布、电缆的温度变化、电缆的材料性能参数、电缆的电气性能参数、电缆故障类型之间的关联；作为每一个电缆节点的节点数据库，根据分布式光纤测温得到的居民用电的电缆节点负荷及其占整个地区的权重，便可构建居民用电的电缆节点负荷与居民用电总负荷匹配关系的第一匹配关系数据库。
具体地，气温、居民用电负荷、电网总负荷的匹配关系为：某地区平均温度每升高1℃，居民用电总负荷增长29.8万千瓦；某年最高温度由29℃上升到30℃时，1:00~9：.00的空调负荷增长在30万千瓦以下，12:00~4:00、21:0-23:00的空调负荷增长接近50万千瓦，其他时段空调负荷增长40万千瓦左右。负荷率从50.69%上升到59.29%，峰谷差率从90.39%下降到84.12%，对系统负荷特性的改善有所贡献。日用电量平均増长834.4万千瓦时。通过统计（线性回归）历年电网总负荷，得出某地区电网总负荷（单位为千瓦时）与温度（单位为摄氏度）之间的关系：
进一步的，所述人体舒适度指数的计算方法为：ssd=(1.818t+18.18)*(0.88+0.002f)+(t-32)/(45-t)-3.2v+18.2，其中ssd为人体舒适度指数，t为平均气温，f为相对湿度，v为风速。
进一步的，所述利用主成分分析法对所述匹配关系数据库进行降维，并映射到多维向量中包括如下步骤：通过第一匹配关系数据库对电缆节点数据库进行降维，得到第一特征向量；通过第二匹配关系数据库对人体舒适度指数、气温、居民用电总负荷和电网总负荷进行降维，得到第二特征向量；可以理解，由于人体舒适度指数与居民用电总负荷、电网总负荷存在关联性，以及气温也与居民用电总负荷和电网总负荷存在关联性，通过同一时刻居民用电总负荷和电网总负荷的具体数据对人体舒适度指数、气温进行降维，保留人体舒适度指数、气温中任意一个维度的数据；将所述第一特征向量和第二特征向量融合并映射到多维向量中。
在本发明的一些实施例的步骤S104中，所述LSTM神经网络包括输入层、隐藏层和softmax层，所述隐藏层的激活函数为sigmoid函数。可选的，激活函数为正切函数、ReLU（Rectified Linear Unit，修正线性单元）激活函数。优选的，所述LSTM神经网络通过时间方向传播算法优化。
参考图2,本发明的第二方面，提供了一种基于分布式光纤测温的电网负荷估算装置1，包括获取模块11、构建模块12、映射模块13、训练模块14、估算模块15，所述获取模块11，用于获取待预测地区的电缆节点数据库，所述电缆节点数据库包括电缆节点分布、电缆节点位置、电缆节点的温度分布、电缆的温度变化、电缆的材料性能参数、电缆的电气性能参数、电缆故障类型及其对应的电缆的材料性能参数基准值和电气性能参数基准值；所述构建模块12，用于根据所述电缆节点数据库、人体舒适度指数、气温、居民用电总负荷和电网总负荷构建匹配关系数据库；所述映射模块13，用于利用主成分分析法对所述匹配关系数据库中的不同类别数据进行降维，将降维后的不同类别数据进行融合并映射到多维向量中；所述训练模块14，用于将所述多维向量、电网总负荷分别作为样本和标签，训练LSTM神经网络直至其误差低于阈值且趋于稳定，得到训练好的LSTM神经网络；所述估算模块15，用于将待预测地区的实时电缆节点数据和实时气温输入到所述训练好的LSTM神经网络中，得到电网总负荷的估算值；所述实时电缆节点数据包括电缆节点的实时温度分布和电缆的实时温度变化。
进一步的，所述构建模块12包括第一匹配模块、第二匹配模块、融合模块，所述第一匹配模块，用于从电缆节点数据库中提取用于居民用电的电缆节点的温度分布和温度变化，根据所述温度分布、温度变化和电缆的电气性能参数和居民用电总负荷建立居民用电的电缆节点负荷与居民用电总负荷匹配关系，构建第一匹配关系数据库；所述第二匹配模块，用于根据人体舒适度指数、气温、居民用电负荷和电网总负荷建立电网总负荷的分布关系，构建第二匹配关系数据库；所述融合模块，用于将所述第一匹配关系数据库与第二匹配关系数据库融合，得到居民用电的电缆节点负荷、居民用总电负荷和电网总负荷的匹配关系数据库。
参考图3，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于分布式光纤测温的电网负荷估算方法，其特征在于，包括如下步骤：
获取待预测地区的电缆节点数据库、居民用电总负荷数据库、电网总负荷数据库和气温数据库，所述电缆节点数据库包括电缆节点分布、电缆节点位置、电缆节点的温度分布、电缆的温度变化、电缆的材料性能参数、电缆的电气性能参数、电缆故障类型及其对应的电缆的材料性能参数基准值和电气性能参数基准值；
根据所述电缆节点数据库中的电缆数据、人体舒适度指数、气温、居民用电总负荷和电网总负荷构建匹配关系数据库；
利用主成分分析法对所述匹配关系数据库中的不同类别数据进行降维，将降维后的不同类别数据进行融合并映射到多维向量中；
将所述多维向量、电网总负荷分别作为样本和标签，训练LSTM神经网络直至其误差低于阈值且趋于稳定，得到训练好的LSTM神经网络；
将待预测地区的实时电缆节点数据和实时气温输入到所述训练好的LSTM神经网络中，得到电网总负荷的估算值；所述实时电缆节点数据包括电缆节点的实时温度分布和电缆的实时温度变化。
2.根据权利要求1所述的基于分布式光纤测温的电网负荷估算方法，其特征在于，所述根据所述电缆节点数据库、人体舒适度指数、气温、居民用电负荷和电网总负荷建立匹配关系数据库包括如下步骤：
从电缆节点数据库中提取用于居民用电的电缆节点的温度分布和温度变化，根据所述温度分布、温度变化和电缆的电气性能参数和居民用电总负荷建立居民用电的电缆节点负荷与居民用电总负荷匹配关系，构建第一匹配关系数据库；
根据人体舒适度指数、气温、居民用电负荷和电网总负荷建立电网总负荷的分布关系，构建第二匹配关系数据库；
将所述第一匹配关系数据库与第二匹配关系数据库融合，得到居民用电的电缆节点负荷、居民用总电负荷和电网总负荷的匹配关系数据库。
3.根据权利要求2所述的基于分布式光纤测温的电网负荷估算方法，其特征在于，所述人体舒适度指数的计算方法为：
ssd=(1.818t+18.18)*(0.88+0.002f)+(t-32)/(45-t)-3.2v+18.2，其中ssd为人体舒适度指数，t为平均气温，f为相对湿度，v为风速。
4.根据权利要求3所述的基于分布式光纤测温的电网负荷估算方法，其特征在于，所述利用主成分分析法对所述匹配关系数据库进行降维，并映射到多维向量中包括如下步骤：
通过第一匹配关系数据库对电缆节点数据库中的电缆节点数据进行降维，得到第一特征向量；
通过第二匹配关系数据库对人体舒适度指数、气温、居民用电总负荷和电网总负荷进行降维，得到第二特征向量；所述通过第二匹配关系数据库对人体舒适度指数、气温、居民用电总负荷和电网总负荷进行降维包括如下步骤：通过第二匹配关系数据库中的居民用电总负荷和电网总负荷对其对应的人体舒适度指数、气温中的一种数据进行降维；
将所述第一特征向量和第二特征向量融合并映射到多维向量中。
5.根据权利要求1所述的基于分布式光纤测温的电网负荷估算方法，其特征在于，所述LSTM神经网络包括输入层、隐藏层和softmax层，
所述隐藏层的激活函数为sigmoid函数。
6.根据权利要求1所述的基于分布式光纤测温的电网负荷估算方法，其特征在于，所述LSTM神经网络通过时间方向传播算法优化。
7.一种基于分布式光纤测温的电网负荷估算装置，其特征在于，包括获取模块、构建模块、映射模块、训练模块、估算模块，
所述获取模块，用于获取待预测地区的电缆节点数据库、居民用电总负荷数据库、电网总负荷数据库和气温数据库，所述电缆节点数据库包括电缆节点分布、电缆节点位置、电缆节点的温度分布、电缆的温度变化、电缆的材料性能参数、电缆的电气性能参数、电缆故障类型及其对应的电缆的材料性能参数基准值和电气性能参数基准值；
所述构建模块，用于根据所述电缆节点数据库中的电缆数据、人体舒适度指数、气温、居民用电总负荷和电网总负荷构建匹配关系数据库；
所述映射模块，用于利用主成分分析法对所述匹配关系数据库中的不同类别数据进行降维，将降维后的不同类别数据进行融合并映射到多维向量中；
所述训练模块，用于将所述多维向量、电网总负荷分别作为样本和标签，训练LSTM神经网络直至其误差低于阈值且趋于稳定，得到训练好的LSTM神经网络；
所述估算模块，用于将待预测地区的实时电缆节点数据和实时气温输入到所述训练好的LSTM神经网络中，得到电网总负荷的估算值；所述实时电缆节点数据包括电缆节点的实时温度分布和电缆的实时温度变化。
8.根据权利要求7所述的基于分布式光纤测温的电网负荷估算装置，其特征在于，所述构建模块包括第一匹配模块、第二匹配模块、融合模块，
所述第一匹配模块，用于从电缆节点数据库中提取用于居民用电的电缆节点的温度分布和温度变化，根据所述温度分布、温度变化和电缆的电气性能参数和居民用电总负荷建立居民用电的电缆节点负荷与居民用电总负荷匹配关系，构建第一匹配关系数据库；
所述第二匹配模块，用于根据人体舒适度指数、气温、居民用电负荷和电网总负荷建立电网总负荷的分布关系，构建第二匹配关系数据库；
所述融合模块，用于将所述第一匹配关系数据库与第二匹配关系数据库融合，得到居民用电的电缆节点负荷、居民用总电负荷和电网总负荷的匹配关系数据库。
9.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的基于分布式光纤测温的电网负荷估算方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的基于分布式光纤测温的电网负荷估算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110224843.XA CN112598201B (zh) | 2021-03-01 | 2021-03-01 | 一种基于分布式光纤测温的电网负荷估算方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110224843.XA CN112598201B (zh) | 2021-03-01 | 2021-03-01 | 一种基于分布式光纤测温的电网负荷估算方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112598201A CN112598201A (zh) | 2021-04-02 |
| CN112598201B true CN112598201B (zh) | 2021-05-18 |
Family
ID=75207676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110224843.XA Active CN112598201B (zh) | 2021-03-01 | 2021-03-01 | 一种基于分布式光纤测温的电网负荷估算方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112598201B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112964389B (zh) * | 2021-05-10 | 2021-10-19 | 国网江西省电力有限公司电力科学研究院 | 一种基于分布式测温的肘型电缆头故障预警方法及系统 |
| CN117053941B (zh) * | 2023-08-14 | 2024-03-29 | 上海频准激光科技有限公司 | 基于激光器的光纤测温场景故障预警系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102103173A (zh) * | 2011-01-13 | 2011-06-22 | 山东电力集团公司菏泽供电公司 | 基于分布式光纤测温方法的电缆载流量监测方法及系统 |
| CN111931973A (zh) * | 2020-06-16 | 2020-11-13 | 广东电网有限责任公司 | 一种提高电缆线路短时负荷预测精度的方法 |
| CN112288595A (zh) * | 2020-10-30 | 2021-01-29 | 腾讯科技（深圳）有限公司 | 一种电网负荷预测的方法、相关装置、设备及存储介质 |
| CN112332416A (zh) * | 2020-11-12 | 2021-02-05 | 国网内蒙古东部电力有限公司经济技术研究院 | 基于光伏电采暖负荷相关性的配电网负荷预测方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2742937C (en) * | 2008-11-08 | 2016-12-06 | Sensortran, Inc. | System and method for determining characteristics of power cables using distributed temperature sensing systems |
| US9348381B2 (en) * | 2011-10-19 | 2016-05-24 | Zeco Systems Pte Ltd | Methods and apparatuses for charging of electric vehicles |
| CN107422215A (zh) * | 2017-08-31 | 2017-12-01 | 贵州电网有限责任公司 | 一种基于分布式光纤测温技术的电缆载流量监测方法及系统 |
| CN108321803B (zh) * | 2018-02-26 | 2022-05-31 | 国网重庆市电力公司电力科学研究院 | 一种基于电网用电负荷数据的电网调峰控制系统与方法 |
-
2021
- 2021-03-01 CN CN202110224843.XA patent/CN112598201B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102103173A (zh) * | 2011-01-13 | 2011-06-22 | 山东电力集团公司菏泽供电公司 | 基于分布式光纤测温方法的电缆载流量监测方法及系统 |
| CN111931973A (zh) * | 2020-06-16 | 2020-11-13 | 广东电网有限责任公司 | 一种提高电缆线路短时负荷预测精度的方法 |
| CN112288595A (zh) * | 2020-10-30 | 2021-01-29 | 腾讯科技（深圳）有限公司 | 一种电网负荷预测的方法、相关装置、设备及存储介质 |
| CN112332416A (zh) * | 2020-11-12 | 2021-02-05 | 国网内蒙古东部电力有限公司经济技术研究院 | 基于光伏电采暖负荷相关性的配电网负荷预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于光纤测温的配电电缆运行监测及其载流能力预测;庄小亮;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20151215(第12期);全文 * |
| 电力电缆暂态导体温度计算及过负荷能力预测;刘同同;《黑龙江电力》;20150815;第37卷(第4期);第299-303页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112598201A (zh) | 2021-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Teh et al. | Prospects of using the dynamic thermal rating system for reliable electrical networks: A review | |
| CN112598201B (zh) | 一种基于分布式光纤测温的电网负荷估算方法与装置 | |
| CN110083908B (zh) | 基于有限元分析的电缆缆芯温度预测方法 | |
| Ngoko et al. | Optimal power flow considering line-conductor temperature limits under high penetration of intermittent renewable energy sources | |
| Wang et al. | Wind speed frequency distribution modeling and wind energy resource assessment based on polynomial regression model | |
| Cioara et al. | An overview of digital twins application domains in smart energy grid | |
| JP2020516213A (ja) | 電力グリッド内の相互に依存する不確かな資源の組み合わされた影響の定量化 | |
| Elkholy et al. | Artificial ecosystem‐based optimiser to electrically characterise PV generating systems under various operating conditions reinforced by experimental validations | |
| CN115561564B (zh) | 一种电缆接头动态载流量的arima序列预测方法 | |
| CN107871058A (zh) | 电热联合系统的潮流计算方法、装置、设备及存储介质 | |
| Enescu et al. | Dynamic thermal rating of electric cables: A conceptual overview | |
| CN113835060A (zh) | 一种基于数字孪生的电力互感器在线状态监测方法及系统 | |
| Ahmed et al. | Data communication and analytics for smart grid systems | |
| Wang et al. | Dynamic thermal analysis for underground cables under continuously fluctuant load considering time-varying van wormer coefficient | |
| Enescu et al. | Concepts and methods to assess the dynamic thermal rating of underground power cables | |
| Zou et al. | Developing high-frequency fiber bragg grating acceleration sensors to monitor transmission line galloping | |
| CN108242808A (zh) | 基于igd-lms的时滞电力系统稳定性判别方法 | |
| Yang et al. | Condition prediction of submarine cable based on CNN-BiGRU integrating attention mechanism | |
| WO2020250648A1 (ja) | 電力管理システム、電力管理方法及び電力管理プログラム | |
| Lei et al. | Operation risk assessment of active distribution networks considering probabilistic uncertainties of distributed generators‐loads and power management of VRB ESSs | |
| Zhang et al. | Power big data: New assets of electric power utilities | |
| CN117314060A (zh) | 电缆碳排放量确定方法、装置、系统及存储介质 | |
| Jiang et al. | Two‐level area‐load modelling for OPF of power system using reinforcement learning | |
| Balangó et al. | Overview of a new dynamic line rating system, from modelling to measurement | |
| Ma et al. | Online assessment of failure probability for smart meters based on SARIMA-LTFRLS |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method and device for power grid load estimation based on distributed optical fiber temperature measurement Effective date of registration: 20220610 Granted publication date: 20210518 Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd. Pledgor: HUBEI INFOTECH CO.,LTD. Registration number: Y2022420000153 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20230922 Granted publication date: 20210518 Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd. Pledgor: HUBEI INFOTECH CO.,LTD. Registration number: Y2022420000153 |