CN113239946B - 一种输电线路载流量的校核方法 - Google Patents
一种输电线路载流量的校核方法 Download PDFInfo
- Publication number
- CN113239946B CN113239946B CN202110140135.8A CN202110140135A CN113239946B CN 113239946 B CN113239946 B CN 113239946B CN 202110140135 A CN202110140135 A CN 202110140135A CN 113239946 B CN113239946 B CN 113239946B
- Authority
- CN
- China
- Prior art keywords
- current
- transmission line
- carrying capacity
- working condition
- power transmission
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 6
- 230000017525 heat dissipation Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000008569 process Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007665 sagging Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种输电线路载流量校核方法,首先构建历史工况数据样本集;然后立预测模型,采用构建的历史工况数据样本集训练该预测模型;再预测实时工况下的环境温度和环境风速,将其做为载流量计算的边界条件计算出实时工况下的输电线路载流量Ia;搭建弧垂‑载流量计算模型并基于该计算模型得出最大允许输电线路载流量Imax;最后将将输电线路载流量Ia与最大允许输电线路载流量Imax比较,并对输电线路载流量Ia进行校核。通过本发明的方法,解决了载流量计算结果的合理性的问题,有效地提高了输电线路载流量的同时,保障了输电线路运行的安全性。
Description
技术领域
本发明涉及输电线路流量计算领域,更具体地,涉及一种输电线路载流量的校核方法。
背景技术
目前我国在架空输电线路载流量计算时,普遍使用的是《110kV~750kV架空输电线路设计规范》摩根公式,载流量计算国家推荐的边界环境风速为0.5m/s,环境温度为35℃。以往在现场作业时,载流量计算的边界条件一般设定为环境温度以及环境风速的极限值,导致在实际应用过程中无法满足输电线路的增容需求。同时,在实际工况条件下,载流量的取值与弧垂的大小存在着重要的关系,输电线路电流的变化会导致输电线路弧垂发生变化,而输电线路任意一点弧垂不能超过电网规程中的最大值。
专利文献(CN105676015A,公开日2016-06-15)公开了一种输电线路载流量计算方法,所述方法通过计算得出海拔高度与温升的影响关系,从而修正载流量计算公式。然而上述方法没有考虑输电线路的弧垂对载流计算模型的影响,因此其计算误差较大。
因此,为了提高输电线路的运行效率及安全性,在运维过程非常有必要对载流量的边界条件进行重新选定以提高载流量计算值的准确性以及通过弧垂对工况条件下计算出的载流量进行校核来验证计算结果的合理性。
发明内容
本发明提供一种输电线路载流量的计算与校核方法,能够提高输电线路的载流能力,解决了载流量计算结果的合理性的问题。
为解决上述技术问题,本发明的技术方案如下:一种输电线路载流量校核方法,包括以下步骤:
S1、构建历史工况数据样本集;
S2、建立预测模型,采用构建的历史工况数据样本集训练该预测模型;
S3、用训练好的预测模型预测出的实时工况下的环境温度和环境风速做为载流量计算的边界条件计算出实时工况下的输电线路载流量Ia,搭建弧垂-载流量计算模型并基于该计算模型得出最大允许输电线路载流量Imax;
S4、将输电线路载流量Ia与最大允许输电线路载流量Imax进行校核。
优选地,步骤S1中构建的工况数据集D={(x1,y1),(x2,y2),...,(xm,ym)},其中xi=(xi1;xi2;xi3,...,xi12),yi=(yi1;yi2),m为历史气象数据样本的总数,xi为第i个样本的特征向量。
优选地,所述特征向量包括日期、该地区经纬度、前一天该地区的最低温度、前一天该地区的最高温度、当天降雨量、太阳辐射强度、海拔高度、平均海平面上的大气气压、前一天该地区的风速等级、风向、湿度、当天是否下雨;yi为第i个样本的标签值,所述标签值包括环境温度和环境风速。
优选地,步骤S1包括对特征向量中的连续型数据进行归一化处理:
其中,X*为归一化后的特征向量值,Xmin为样本集特征向量的最小值,Xmax为样本集特征向量的最大值,Xi为待归一化的样本集特征向量。
优选地,步骤S2中基于XGBoost算法建立预测模型,具体包括以下步骤:
S21、确定目标函数及其参数:
其中obj(θ)为目标函数,为损失函数,m为样本集中的样本数量,/>为正则项,K为建立的所有二叉回归树的数量,k为第k棵二叉回归树,T为叶子节点数量,wj为二叉回归树第j叶子节点的权重,/>为第i个样本的预测值,yi为第i个样本的真实值,λ为控制正则化强度的参数,γ为惩罚项参数;
S22、将目标函数进行二阶泰勒展开:
其中公式(5)为使用二阶泰勒展开后的目标函数的简式;T为二叉回归树叶子的总数,i为第i个样本,j为第j个叶子,i∈Ij代表i样本落到j叶子上;gi和hi分别是第i个样本在损失函数上对/>所求的一阶导数和二阶导数,其中/>为前t-1棵树的集成结果的预测值,变量Gj表达第j个叶子所有样本对应的gi的累加求和,变量Hj表示第j叶子的所有样本对应的hi的累加求和;
S23、建立若干二叉回归树从而完成预测模型的建立:
其中二叉回归树的最优切分点通过分枝结构分枝前后目标函数的差值Gain得出,所述差值Gain低于预定阈值时停止生长二叉回归树,所述差值Gain由公式(10)得出:
其中T=TL+TR,ObjL+R代表分枝前的目标函数;ObjL代表分枝后左子树的目标函数,ObjR代表分枝后右子树的目标函数,TL为左子树的叶子总数,TR为右子树的叶子总数,选定某一特征向量进行分枝后,GL为左子树的所有叶子的Gj累加求和,HL为所有叶子的Hj累加求和,GR为右子树所有的叶子Gj累加求和,HR为所有叶子的Hj累加求和;
S24、采用历史工况数据样本集对预测模型进行训练并对其评估,当样本标签值的平均绝对误差、均方误差和均方根误差小于或等于预定阈值时评估完成。
优选地,所述平均绝对误差的预定阈值为0.4-0.6、均方误差的预定阈值为0.2-0.3、均方根误差的预定阈值为0.4-0.6。
优选地,所述步骤S3中,满足预定安全裕度的前提下,把步骤S2预测出的环境温度和环境风速作为边界条件代入到摩根公式中计算实时工况下的输电线路载流量Ia:
式中:Ia为实时工况下的输电线路载流量;WR为单位长度导线的辐射散热功率;WF为单位长度导线的对流散热功率;Ws为单位长度导线的日照吸热功率;R′T为允许温度时导线的交流电阻。
优选地,所述预定安全裕度大于10%。
优选地,步骤S4包括以下分步骤:
S41、将实时弧垂值fx代入到斜抛物线方程中,得出该输电线路的最大弧垂值fm:
其中fx为测量点的弧垂值,l为档距,x为测量点到左侧杆塔的水平距离;
S42、将计算出的最大弧垂值fm代入下式,得到导线的水平应力σ0
其中g为综合比载,β为导线平面内的悬挂点间高差角;
S43、将得出的导线水平应力σ0代入状态方程(14)计算得到该状态条件下的最大允许温度ti:
其中E为弹性系数,α为温度线膨胀系数,σ0x、g、t为出厂初始状态条件下的应力、比载及导线最大允许温度,σ0i、gi、ti为实时工况条件下的应力、比载和导线温度;
S44、把实时工况下的最大允许温度ti、环境温度ta、环境风速Va,输入至摩根公式中得出实时工况下弧垂fx所对应的最大允许载流量值Imax。
优选地,步骤S5的校核包括以下状况:
当Ia<Imax时,Ia满足校核要求,输电线路可提升的最大载流容量为:ΔI=Imax-Ia;同时计算该实时工况下输电线路载流量保留的安全裕度δ%:
当Ia>Imax时,Ia不满足校核要求,则重新选定输电线路载流量,在满足预定安全裕度δ%的前提下,将实时工况的输电线路载流量Ia校核为Ia=Imax×(1-δ)。
与现有技术相比,本发明技术方案的有益效果是:
(1)本发明通过使用XGBoost算法,把历史的工况数据作为训练集,建立了一个载流量边界条件预测模型,能实时地对特定地区当天的环境温度和环境风速进行预测。然后根据预测得到的环境风速和环境温度对边界条件进行选定,最后把边界条件输入到摩根公式中计算出工况载流量。通过这种方法,可以灵活地针对不同的地区的不同工况来选取该地区最为合适的边界条件,有效地提高了输电线路的载流能力。
(2)本发明提出了一种对工况载流量进行校核评估的方法。首先,通过建立弧垂-载流量计算模型,根据现场工况条件下的实测弧垂计算出该弧垂条件下最大允许的载流量Imax,并把最大允许的载流量Imax与根据气象数据计算出的工况载流量Ia进行校核。通过这种方法,解决了载流量计算结果的合理性的问题,有效地提高了输电线路载流量的同时,保障了输电线路运行的安全性。
附图说明
图1为本发明实施例提供的一种输电线路载流量校核方法的工作流程。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
一种输电线路载流量校核方法,包括如下步骤:
步骤1、工况数据集的构建
以某地区近10年的工况数据构建训练数据集。数据集的特征包括:日期、该地区经纬度、前一天该地区的最低温度、前一天该地区的最高温度、当天降雨量、太阳辐射强度、海拔高度、平均海平面上的大气气压、前一天该地区的风速等级、风向、湿度、当天是否下雨;工况数据集的标签包括:环境温度和环境风速。构建工况数据集如下式所示:
D={(x1,y1),(x2,y2),(xi,yi),…,(xm,ym)}
记xi=(xi1;xi2;xi3,...,xi12),yi=(yi1;yi2),其中m为历史气象数据样本的总数,xi为第i个样本的特征向量,每个样本中包含12个特征,分别为:日期、该地区经纬度、前一天该地区的最低温度、前一天该地区的最高温度、当天降雨量、太阳辐射强度、海拔高度、平均海平面上的大气气压、前一天该地区的风速等级、风向、湿度、当天是否下雨;yi为第i个样本的标签,包括环境温度和环境风速;yi为第i个样本的标签,包括环境温度和环境风速2个标签值。
所述数据集的构建过程需要对特定特征进行特征提取处理,其中包括:日期、特定地区经纬度、前一天该地区的风速等级。首先,由于一年中环境温度受月份影响最大,因此对于日期特征,把日期中的月份提取出来作为新的特征。其次,环境温度和风速主要受纬度因素影响,因此对于经纬度特征,把经纬度中的纬度提取出来作为新的特征。如表1所示,根据风速登记表对于前一天该地区的风速等级确定风速值的大小作为新的特征。
表1
风级 | 风速(m/s) | 风级 | 风速(m/s) |
0 | 0.0-0.2 | 7 | 13.9-17.1 |
1 | 0.3-1.5 | 8 | 17.2-20.7 |
2 | 1.6-3.3 | 9 | 20.8-24.4 |
3 | 3.4-5.4 | 10 | 24.5-28.4 |
4 | 5.5-7.9 | 11 | 28.5-32.6 |
5 | 8.0-10.7 |
所述数据集的构建过程包括对连续型数据进行归一化处理,如下式所示:
其中,X*为归一化后的特征值,Xmin为所有样本中该特征的最小值,Xmax为所有样本中该特征的最大值,Xi为待归一化的样本特征。所述归一化处理是对原始数据的线性变换,使结果值映射到[0~1]之间。数据归一化后,更容易正确的收敛到最优解。在数据归一化后,可以提高XGBoost算法的模型训练速度。
XGBoost算法的思想是,每次随机选取若干个特征向量建立一个弱评估器,所述弱评估器可以理解为层数为3~5层的二叉回归树。通过Gain公式建立用于回归预测的二叉回归树;每次从12个特征向量中随机抽取3-5个进行自上而下的建立二叉回归树。
优选地,首先确定根节点,通过分别比较计算抽取出来的每一个特征向量的Gain,来确定哪一个特征向量作为根节点,假设抽取了3个特征向量“日期、经纬度、风向”进行Gain计算,日期的Gain最大,那么日期就作为根节点,对根节点的下一层进行同样的计算,来选定特征向量进行继续分枝,最终建立由这三个特征向量组成的二叉回归树。二叉回归树的节点就是由特征向量(12维,因为有12个特征)中的某几个特征向量组成。重复上述过程建立多棵不同的二叉回归树。
步骤2、基于XGBoost算法的气象条件预测。
使用XGBoost算法的数学建模过程如下:
(1)确定目标函数及其参数:
其中obj(θ)为目标函数,为损失函数,m为样本集中的样本数量,/>为正则项,K为建立的所有二叉回归树的数量,k为第k棵二叉回归树,T为叶子节点数量,wj为二叉回归树第j叶子节点的权重,/>为第i个样本的预测值,yi为第i个样本的真实值,λ为控制正则化强度的参数,γ为惩罚项参数。
将目标函数进行二阶泰勒展开:
二阶导数有利于梯度下降的更快更准.使用泰勒展开取得函数做自变量的二阶导数形式,可以在不选定损失函数具体形式的情况下,仅仅依靠输入数据的值就可以进行叶子分裂优化计算,本质上也就把损失函数的选取和模型算法优化/参数选择分开了。这种去耦合增加了XGBoost的适用性,使得它按需选取损失函数,可以用于分类,也可以用于回归。
使用二阶泰勒展开是为了XGBoost能够自定义损失函数,如果按照最小二乘法的损失函数直接推导,同样能够得到如下最终的推导式子,泰勒展开的本质是尽量去模仿一个函数,任何损失函数只要二阶可导即能复用关于最小二乘法的任何推导,得出以下式子,可以说为了使目标函数更具可扩展性和通用性。
其中,公式(5)为使用二阶泰勒展开后的最终化简式子;T为叶子节点的总数,i为第i个样本,j为第j个叶子,i∈Ij代表i样本落到j叶子上;gi和hi分别是某个样本i在损失函数上对/>所求的一阶导数和二阶导数,其中/>为前t-1棵树的集成结果的预测值(XGBoost算法是集成算法,每个样本的预测结果可以理解为所有回归树K的结果的加权求和)。对于某一棵树来说,在使用含有m个样本的训练集训练的时候,这棵数的某个叶子(每棵树有多个叶子)可能会存在若干个样本,为了方便计算,把落到这个叶子的所有样本对应的gi的累加求和,用一个变量Gj来表达第j个叶子所有的gi的累加求和,同样地,把这个落到第j叶子的所有样本对应的hi的累加求和,用一个变量Hj来表达。
(2)最优切分点的划分。
在决策树的生长过程中,一个非常关键的问题是如何找到叶子的结点的最优切分点。首先使用目标函数来衡量树的优劣,然后让树从根节点开始生长,每进行一次分枝,就计算目标函数减少了多少,当分枝前后目标函数的减少值低于设定的某个阀值时,就让树停止生长。
在一些实施例中,使用二阶泰勒展开后的目标函数的简式来衡量二叉回归树的优劣,让二叉回归树从根节点开始生长,每一次分枝时计算目标函数的减少值,当所述减少值低于设定的某个阈值时停止生长二叉回归树;本实施例中,当所述减少值低于0时停止生长二叉回归树。分枝结构分数的计算如下式所示。
其中T=TL+TR,ObjL+R代表分枝前的目标函数;OBjL代表分枝后左子树的目标函数,ObjR代表分枝后右子树的目标函数,TL为左子树的叶子总数,TR为右子树的叶子总数,选定某一特征向量进行分枝后,GL为左子树的所有叶子的Gj累加求和,HL为所有叶子的Hj累加求和,GR为右子树所有的叶子Gj累加求和,HR为所有叶子的Hj累加求和。
最优切分点的划分是根据公式(5)-(10)为依据进行划分的。
因为二叉树每次分枝都是分枝为左子树和右子树,通过比较每一个特征分枝前后obj的差值Gain=ObjL+R-(ObjL+ObjR),ObjL+R代表分枝前的目标函数;ObjL代表分枝后左子树的目标函数,ObjR代表分枝后右子树的目标函数,最后选定gain最大的特征作为的这一层的分枝节点。对于每一棵树每一层的每一个节点都进行这样的计算来选定每一层的分枝的特征,生成一棵完整的二叉树。
同样地,T为叶子的总数,TL为左子树的叶子数,TR为右子树的叶子数,GL和HR里面包含了某个叶子的Gj和Hj。Gj和Hj分别代表的某个叶子j中所有样本的gi和hi的累加求和,而为GL、HL和GR、HR分别代表的是选定某一特征进行分枝后,左子树的所有叶子的Gj累加求和为GL,所有叶子的Hj累加求和为HL;右子树所有的叶子Gj累加求和为GR,所有叶子的Hj累加求和为HR;每个子树都包含有若干个叶子。
(3)模型评估。
建模完毕以后,对训练好的模型的泛化能力进行评估,使用的模型评估指标平均绝对误差、均方误差、均方根误差需小于等于预定阈值。
所述平均绝对误差、均方误差、均方根误差公式如下式所示:
其中MAE为平均绝对误差、MSE均方误差,RMSE为均方根误差。上述三个数值小于等于预定阈值时认为评估合格。其中平均绝对误差MAE的预定阈值为0.4-0.6、均方误差的预定阈值为0.2-0.3、均方根误差的预定阈值为0.4-0.6。
优选地,当平均绝对误差MAE≤0.5,均方误差MSE≤0.25,均方根误差RMSE≤0.5时评估合格。
步骤3、基于摩根公式的工况载流量计算。
根据步骤2的XGBoost预测模型对现场工况环境温度和环境风速进行预测。在考虑10%以上安全裕度的前提下,把对应的环境温度和环境风速选定为载流量计算的边界条件。然后把选定的边界条件代入到摩根公式中,摩根通用公式如下所示:
式中:Ia为输电线路载流量(A);WR为单位长度导线的辐射散热功率;WF为单位长度导线的对流散热功率;Ws为单位长度导线的日照吸热功率;R′T为允许温度时导线的交流电阻。最后计算出该地区对应的工况载流量Ia(此处I用Ia表示)。
步骤4、弧垂-载流量计算模型的搭建及最大允许载流量的计算
首先通过现场实测得到工况实时弧垂fx,把实时弧垂fx代入到斜抛物线方程中,得出该输电线路的最大弧垂值fm,斜抛物线方程如下式:
式中,fm为最大弧垂值,fx为任意一点弧垂,l为档距,x为测量点到左侧杆塔的水平距离。把最大弧垂fm代入下式,得到导线的水平应力σ0,水平应力的通式如下:
其中g为综合比载,β为导线平面内的悬挂点间高差角。
在已知导线水平应力的前提下通过状态方程计算得到该状态条件下的最大允许温度ti。状态方程如下式所示:
其中E为弹性系数,α为温度线膨胀系数,σ0x、g、t为出厂初始状态条件下的应力、比载及导线最大允许温度(70℃),σ0i、gi、ti为工况条件下的应力、比载和导线温度。最终,把工况条件下的最大允许温度ti、环境温度ta、环境风速Va,输入至摩根公式中(摩根公式上面已列出)得出工况条件下弧垂fx所对应的最大允许载流量值Imax。
步骤5、载流量校核评估。
把步骤4计算出的最大允许载流量Imax对步骤3计算出的工况载流量Ia进行校核,存在以下情况:
当Ia<Imax时,Ia满足校核要求,输电线路可提升最大载流容量为:ΔI=Imax-Ia。同时,该输电线路载流量保留的安全裕度为δ%,其计算公式为
当Ia>Imax时,Ia不满足校核要求,需要把工况载流量进行重新选定。在考虑一定安全裕度δ%(一般取10%以上)的前提下,工况载流量Ia校核为:Ia=Imax×(1-δ)。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种输电线路载流量校核方法,其特征在于包括以下步骤:
S1、构建历史工况数据样本集;对特征向量中的连续型数据进行归一化处理:
其中,X*为归一化后的特征向量值,Xmin为样本集特征向量的最小值,Xmax为样本集特征向量的最大值,Xi为待归一化的样本集特征向量;
S2、建立预测模型,采用构建的历史工况数据样本集训练该预测模型;基于XGBoost算法建立预测模型,具体包括以下步骤:
S21、确定目标函数及其参数:
其中obj(θ)为目标函数,为损失函数,m为样本集中的样本数量,/>为正则项,K为建立的所有二叉回归树的数量,k为第k棵二叉回归树,T为叶子节点数量,wj为二叉回归树第j叶子节点的权重,/>为第i个样本的预测值,yi为第i个样本的真实值,λ为控制正则化强度的参数,γ为惩罚项参数;
S22、将目标函数进行二阶泰勒展开:
其中公式(5)为使用二阶泰勒展开后的目标函数的简式;T为二叉回归树叶子的总数,i为第i个样本,j为第j个叶子,i∈Ij代表i样本落到j叶子上;gi和hi分别是第i个样本在损失函数上对/>所求的一阶导数和二阶导数,其中/>为前t-1棵树的集成结果的预测值,变量Gj表达第j个叶子所有样本对应的gi的累加求和,变量Hj表示第j叶子的所有样本对应的hi的累加求和;
S23、建立若干二叉回归树从而完成预测模型的建立:
其中二叉回归树的最优切分点通过分枝结构分枝前后目标函数的差值Gain得出,所述差值Gain低于预定阈值时停止生长二叉回归树,所述差值Gain由公式(10)得出:
其中T=TL+TR,ObjL+R代表分枝前的目标函数;ObjL代表分枝后左子树的目标函数,ObjR代表分枝后右子树的目标函数,TL为左子树的叶子总数,TR为右子树的叶子总数,选定某一特征向量进行分枝后,GL为左子树的所有叶子的Gj累加求和,HL为左子树的所有叶子的Hj累加求和,GR为右子树所有的叶子Gj累加求和,HR为右子树的所有叶子的Hj累加求和;
S24、采用历史工况数据样本集对预测模型进行训练并对其评估,当样本标签值的平均绝对误差、均方误差和均方根误差小于或等于预定阈值时评估完成;
S3、用训练好的预测模型预测出的实时工况下的环境温度和环境风速做为载流量计算的边界条件计算出实时工况下的输电线路载流量Ia,搭建弧垂-载流量计算模型并基于该计算模型得出最大允许输电线路载流量Imax;在满足预定安全裕度的前提下,将预测出的环境温度和环境风速作为边界条件代入到摩根公式中计算实时工况下的输电线路载流量Ia:
其中Ia为实时工况下的输电线路载流量,WR为单位长度导线的辐射散热功率,WF为单位长度导线的对流散热功率,Ws为单位长度导线的日照吸热功率,R′T为允许温度时导线的交流电阻;
S4、将输电线路载流量Ia与最大允许输电线路载流量Imax比较,并对输电线路载流量Ia进行校核;
步骤S3中搭建弧垂-载流量计算模型并基于该计算模型得出最大允许输电线路载流量Imax包括以下分步骤:
S31、将实时弧垂值fx代入到斜抛物线方程中,得出该输电线路的最大弧垂值fm:
其中fx为实时弧垂值,l为档距,x为测量点到左侧杆塔的水平距离;
S32、将计算出的最大弧垂值fm代入下式,得到导线的水平应力σ0
其中g为综合比载,β为导线平面内的悬挂点间高差角;
S33、将得出的导线水平应力σ0代入状态方程(14)计算得到该状态条件下的最大允许温度ti:
其中E为弹性系数,α为温度线膨胀系数,σ0x、g、t为出厂初始状态条件下的应力、比载及导线最大允许温度,σ0i、gi、ti为实时工况条件下的应力、比载和导线最大允许温度;
S34、把实时工况下的最大允许温度ti、环境温度ta、环境风速Va,输入至摩根公式中得出实时工况下弧垂fx所对应的最大允许载流量值Imax;
步骤S4的校核包括以下状况:
当Ia<Imax时,Ia满足校核要求,输电线路可提升的最大载流容量为:ΔI=Imax-Ia;同时计算该实时工况下输电线路载流量保留的安全裕度
当Ia>Imax时,Ia不满足校核要求,则重新选定输电线路载流量,在满足预定安全裕度δ%的前提下,将实时工况的输电线路载流量Ia校核为Ia=Imax×(1-δ)。
2.根据权利要求1所述的输电线路载流量校核方法,其特征在于步骤S1中构建的工况数据集D={(x1,y1),(x2,y2),…,(xm,ym)},其中xi=(xi1;xi2;xi3,…,xi12),yi=(yi1;yi2),m为历史气象数据样本的总数,xi为第i个样本的特征向量。
3.根据权利要求1所述的输电线路载流量校核方法,其特征在于所述特征向量包括日期、地区经纬度、前一天该地区的最低温度、前一天该地区的最高温度、当天降雨量、太阳辐射强度、海拔高度、平均海平面上的大气气压、前一天该地区的风速等级、风向、湿度、当天是否下雨;yi为第i个样本的标签值,所述标签值包括环境温度和环境风速。
4.根据权利要求3所述的输电线路载流量校核方法,其特征在于所述平均绝对误差的预定阈值为0.4-0.6、均方误差的预定阈值为0.2-0.3、均方根误差的预定阈值为0.4-0.6。
5.根据权利要求4所述的输电线路载流量校核方法,其特征在于所述预定安全裕度大于10%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110140135.8A CN113239946B (zh) | 2021-02-02 | 2021-02-02 | 一种输电线路载流量的校核方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110140135.8A CN113239946B (zh) | 2021-02-02 | 2021-02-02 | 一种输电线路载流量的校核方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113239946A CN113239946A (zh) | 2021-08-10 |
CN113239946B true CN113239946B (zh) | 2023-10-27 |
Family
ID=77130111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110140135.8A Active CN113239946B (zh) | 2021-02-02 | 2021-02-02 | 一种输电线路载流量的校核方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239946B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115575737A (zh) * | 2022-09-06 | 2023-01-06 | 江苏达蓝能源服务有限公司 | 一种载流量检测方法及系统 |
CN115293010B (zh) * | 2022-10-10 | 2023-01-24 | 广东电网有限责任公司中山供电局 | 一种高压架空线路载流量计算方法、系统、设备和介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176086A (zh) * | 2013-03-11 | 2013-06-26 | 河南省电力公司电力科学研究院 | 一种输电线路动态增容摩尔根载流量的监测方法 |
CN104063811A (zh) * | 2014-07-04 | 2014-09-24 | 广东电网公司电网规划研究中心 | 一种架空输电线路载流限值评估方法 |
CN104242452A (zh) * | 2014-09-22 | 2014-12-24 | 广州供电局有限公司 | 输电线路动态增容监测系统及其增容监测方法 |
CN108921348A (zh) * | 2018-07-03 | 2018-11-30 | 福州大学 | 一种基于气象预测的输电线路最大载流量概率密度分布评估方法 |
CN110796299A (zh) * | 2019-10-23 | 2020-02-14 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种雷电预测方法 |
CN111340273A (zh) * | 2020-02-17 | 2020-06-26 | 南京邮电大学 | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 |
CN111398736A (zh) * | 2020-03-31 | 2020-07-10 | 国电南瑞科技股份有限公司 | 一种输电线路载流量边界动态评估方法 |
CN112115588A (zh) * | 2020-08-26 | 2020-12-22 | 国网甘肃省电力公司检修公司 | 一种输电线路通道多工况仿真模拟分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565597B (zh) * | 2012-02-14 | 2015-01-07 | 广东易事特电源股份有限公司 | 一种应用同步相量技术的动态输电线容量估计方法 |
-
2021
- 2021-02-02 CN CN202110140135.8A patent/CN113239946B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176086A (zh) * | 2013-03-11 | 2013-06-26 | 河南省电力公司电力科学研究院 | 一种输电线路动态增容摩尔根载流量的监测方法 |
CN104063811A (zh) * | 2014-07-04 | 2014-09-24 | 广东电网公司电网规划研究中心 | 一种架空输电线路载流限值评估方法 |
CN104242452A (zh) * | 2014-09-22 | 2014-12-24 | 广州供电局有限公司 | 输电线路动态增容监测系统及其增容监测方法 |
CN108921348A (zh) * | 2018-07-03 | 2018-11-30 | 福州大学 | 一种基于气象预测的输电线路最大载流量概率密度分布评估方法 |
CN110796299A (zh) * | 2019-10-23 | 2020-02-14 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种雷电预测方法 |
CN111340273A (zh) * | 2020-02-17 | 2020-06-26 | 南京邮电大学 | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 |
CN111398736A (zh) * | 2020-03-31 | 2020-07-10 | 国电南瑞科技股份有限公司 | 一种输电线路载流量边界动态评估方法 |
CN112115588A (zh) * | 2020-08-26 | 2020-12-22 | 国网甘肃省电力公司检修公司 | 一种输电线路通道多工况仿真模拟分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113239946A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113239946B (zh) | 一种输电线路载流量的校核方法 | |
CN111783987A (zh) | 基于改进bp神经网络的农田参考作物蒸散量预测方法 | |
CN106650784A (zh) | 一种基于特征聚类比较的光伏电站功率预测方法及装置 | |
CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN110110912B (zh) | 一种光伏功率多模型区间预测方法 | |
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN105139264A (zh) | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 | |
CN111833202B (zh) | 考虑作物系数动态变化与降雨的农田蒸散量短期预测方法 | |
CN112101669B (zh) | 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法 | |
CN113657028B (zh) | 一种基于多源信息的气溶胶光学厚度在线预测方法 | |
CN106600060A (zh) | 基于相似日晴朗系数修正的太阳辐照量预测方法 | |
CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
CN109214591B (zh) | 一种木本植物地上生物量预测方法及系统 | |
CN109376863A (zh) | 基于miv-bp神经网络的光伏功率短期分类预测方法 | |
CN115994604A (zh) | 基于gwo-ga优化网络的架空线输电线路短期覆冰厚度预测方法 | |
CN112052544A (zh) | 风电场集电网络设计方法、系统、存储介质及计算设备 | |
CN113988655A (zh) | 一种计及多气象因素的输电线路运行状态评估方法 | |
CN109543911B (zh) | 一种日照辐射预测方法及系统 | |
CN113991711B (zh) | 一种光伏电站储能系统容量配置方法 | |
CN115115163A (zh) | 台风过境下输电线路杆塔故障危险度评估方法及存储介质 | |
Nazeri-Tahroudi et al. | Estimation of dew point temperature in different climates of Iran using support vector regression | |
Shan et al. | Spatio-temporal evolution characteristics and prediction of dry–wet abrupt alternation during the summer monsoon in the middle and lower reaches of the Yangtze River Basin | |
CN113095547A (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
CN110309978B (zh) | 基于二次动态调整的神经网络光伏功率预测模型及方法 |
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 |