CN113761813B - 基于流体力学与气象数据的输电线路动态容量预测方法 - Google Patents

基于流体力学与气象数据的输电线路动态容量预测方法 Download PDF

Info

Publication number
CN113761813B
CN113761813B CN202111057162.5A CN202111057162A CN113761813B CN 113761813 B CN113761813 B CN 113761813B CN 202111057162 A CN202111057162 A CN 202111057162A CN 113761813 B CN113761813 B CN 113761813B
Authority
CN
China
Prior art keywords
wind speed
data
meteorological data
transmission line
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
Application number
CN202111057162.5A
Other languages
English (en)
Other versions
CN113761813A (zh
Inventor
李奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202111057162.5A priority Critical patent/CN113761813B/zh
Publication of CN113761813A publication Critical patent/CN113761813A/zh
Application granted granted Critical
Publication of CN113761813B publication Critical patent/CN113761813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明公开了一种基于流体力学与气象数据的输电线路动态容量预测方法，包括获取目标地区的历史气象数据；提取风速数据，并从提取的风速数据中选择符合条件的风速数据；获取目标地区的高程数据，并建立目标地区的几何模型；建立复杂地形风速仿真模型，计算得到目标地区的风速仿真结果；采用时间序列分析方法对风速仿真结果与历史气象数据进行时间序列分析，预测得到未来时刻的气象数据预测值；根据预测得到的气象数据计算得到输电线路的动态容量值；综合考虑气象数据和地形，利用产生的数据对未来的气象数据进行预测，能够更加准确地计算出输电线路的容量，能够给予电网调度人员可靠的参考。

Description

基于流体力学与气象数据的输电线路动态容量预测方法
技术领域
本发明涉及电网输电线路增容技术领域，特别是涉及一种基于流体力学与气象数据的输电线路动态容量预测方法。
背景技术
随着国民经济的快速增长，经济发展架空线路的输电容量迅速提高，传统提高输电线路容量的方法往往投资巨大，并且重新建设一条线路需要大量的资金投入和时间来完成，特别是在土地价格高昂的地区，重新修建新的线路经济效益并不明显，加上可再生能源大量并网，提高线路输送容量对保护环境和维持社会可持续发展具有重要意义。
影响输电线路容量的主要环境因素包括气温、风速、风向、太阳辐射等，相比于其他影响因素，风速对输电线路容量的影响最大，而气象中心所记录的风速数据往往尺度过大，分辨率较低，并且，由于地形的影响，线路实际风速与气象数据之间存在较大差异，而传统的线路容量计算是基于气象中心记录的目标地区最恶劣的天气环境(如高温度、低风速)来计算的，使得计算出来的线路容量往往具有较大裕度，但气象中心记录的气象数据往往空间尺度过大(一般为2km以上)，远大于线路的档距长度(约几百米)，导致基于天气预报的数据预测得到的线路容量误差较大。
发明内容
本发明的目的在于提供一种基于流体力学与气象数据的输电线路动态容量预测方法，以解决现有技术中由于天气预报空间尺度过大导致的基于气象中心记录的气象数据计算得到的输电线路容量误差较大的问题。
为解决上述问题，本发明提供一种基于流体力学与气象数据的输电线路动态容量预测方法，具体包括以下步骤：
S1：获取目标地区的历史气象数据；
S2：在所述历史气象数据中提取风速数据，并从提取的风速数据中选择符合条件的风速数据；
S3：获取目标地区的高程数据，并基于所述高程数据建立目标地区的几何模型；
S4：建立复杂地形风速仿真模型，基于步骤S2中选择的风速数据和步骤S3中建立的目标地区的几何模型构建仿真区域，并将该仿真区域导入复杂地形风速仿真模型，设置边界条件，计算得到目标地区的风速仿真结果；
S5：采用时间序列分析方法对步骤S4中得到风速仿真结果与步骤S1中获取到的历史气象数据进行时间序列分析，预测得到未来时刻的气象数据预测值；
S6：根据预测得到的气象数据计算得到输电线路的动态容量值。
进一步的，所述步骤S2采用K-means聚类算法从提取的风速数据中选择符合条件的风速数据，将所有风速数据作为一个风速样本集合，每一风速数据对应于风速样本集合中的一个风速样本点，其具体步骤为：
S201：在风速样本集合中随机选择若干个风速样本点，选中的每一风速样本点分别作为一个初始风速聚类中心；
S202：分别计算风速样本集合中每个风速样本点到每一初始风速聚类中心的距离，并将每个风速样本点归入与其距离最小的初始风速聚类中心对应的聚类中形成风速聚类集合；
S203：计算每一风速聚类集合新的风速聚类中心；
S204：判断所述新的风速聚类中心是否满足收敛条件，若满足，则继续执行步骤S205，若不满足，则以该新的风速聚类中心作为初始风速聚类中心重复执行步骤S202～S203，直至得到的风速聚类中心满足收敛条件为止；
S205：分别计算每一风速聚类集合中所有风速样本点到其风速聚类中心的平均距离，并以该平均距离作为简化计算的误差值；
S206：改变步骤S201中随机选择的风速样本点的数量，并重复步骤S202～S205，计算得到多个误差值，对多个误差值进行比较，选择符合条件的一组风速样本点。
进一步的，所述步骤S202中采用如下公式计算每个风速样本点到每一初始风速聚类中心的距离：
Figure BDA0003255111880000031
其中：dij为第i风速样本点到第j初始风速聚类中心的距离，i＝1,2,…,N，N为风速样本点的个数，j＝1,2,…,k，k为初始风速聚类中心的个数；(xi,yi)为第i风速样本点；(Xj,Yj)为第j初始风速聚类中心。
进一步的，所述步骤S203中采用如下公式重新计算每一聚类中心集合的新的风速聚类中心：
Figure BDA0003255111880000041
Figure BDA0003255111880000042
其中：(XJ,YJ)为重新计算后的聚类中心集合中新的风速聚类中心，J＝1,2,…,K，K为重新计算后新的风速聚类中心或聚类中心集合的个数；(xiJ,yiJ)为第J聚类中心集合中第i风速样本点，i＝1,2,…,N，N为风速样本点的个数；n为对应的聚类中心集合中风速样本点的个数。
进一步的，所述步骤S205采用如下公式计算所述误差值：
Figure BDA0003255111880000043
其中：(xiJ,yiJ)为第J聚类中心集合的第i风速样本点，i＝1,2,…,nJ，nJ为第J聚类中心集合中风速样本点的个数，且n1+n2+…+nJ＝N；(XJ,YJ)为重新计算后的第J聚类中心，J＝1,2,…,K，K为重新计算后新的风速聚类中心或聚类中心集合的个数。
进一步的，所述步骤S4的具体步骤为：
S401：利用流体力学分析软件构建复杂地形风速仿真模型；
S402：根据步骤S2选取的目标地区的风速数据以及步骤S3中建立的目标地区的几何模型建立对应的仿真区域，并将该仿真区域导入流体力学分析软件的几何处理模块中；
S403：设置边界条件，计算得到目标地区的风速仿真结果。
进一步的，所述步骤S5中采用LSTM算法对获取到的历史气象数据与风速仿真结果进行时间序列分析，预测得到未来时刻的风速数据，所述LSTM算法的具体过程为：
S501：将历史气象数据和风速仿真结果进行数据融合得到气象数据序列；
S502：将气象数据序列输入所述输入LSTM算法模型，基于所述LSTM算法模型的遗忘门、输入门和输出门分别计算得到遗忘信息、更新信息和输出信息；
S503：计算所述LSTM算法模型待更新的神经元状态，并基于该待更新的神经元状态、遗忘信息、更新信息和上一时刻的神经元状态计算得到LSTM算法模型新的神经元状态；
S504：根据新的神经元状态和输出信息，预测得到气象数据。
进一步的，所述步骤S502中遗忘信息的计算公式为：
Figure BDA0003255111880000051
所述更新信息的计算公式为：
Figure BDA0003255111880000052
所述输出信息的计算公式为：
Figure BDA0003255111880000053
其中：a(t-1)为LSTM算法模型基于气象数据序列中第t-1时刻输入的气象数据预测得到的第t-1时刻气象数据的预测值；x(t)为气象数据序列中第t时刻输入LSTM算法模型的气象数据；σ为激活函数；Wf,Wi,Wo分别为对应时刻LSTM算法模型的遗忘门、输入门和输出门对应的权重矩阵；bf,bi,bo分别对应时刻为遗忘门、输入门和输出门对应的偏置矩阵。
进一步的，所述步骤S503中待更新的神经元状态的计算公式为：
Figure BDA0003255111880000061
所述新的神经元状态的计算公式为：
Figure BDA0003255111880000062
其中：c(t-1)为第t-1时刻输出a(t-1)的神经元状态；tanh为激活函数；Wc为对应时刻神经元的权重矩阵；bc为对应时刻神经元的偏置矩阵。
进一步的，所述步骤S504中预测得到的气象数据的计算公式为：
Figure BDA0003255111880000063
本发明通过基于多物理场仿真软件建立复杂地形风速仿真模型，根据获取到的历史气象数据选取合适的风速数据以及根据获取到的高程数据建立目标地区的几何模型，并根据选出来的风速数据和几何模型在复杂地形风速仿真模型中进行仿真得到风速仿真结果；再基于LSTM算法模型以风速仿真结果和采集到的历史气象数据为输入预测得到目标地区精确的气象数据进行模型，最终将预测得到的气象数据代入国际标准IEEE-738中给出的公式中算出目标地区的线路容量，预测精度高，能够为电网调度人员提供可靠性的参考。
附图说明
图1为本发明基于流体力学与气象数据的输电线路动态容量预测方法的流程图。
图2为步骤S2的流程图。
图3为步骤S3中目标地区的几何模型。
图4为步骤S4的流程图。
图5为步骤S4中目标地区的风速分布示意图。
图6为步骤S5的流程图。
图7为步骤S5中LSTM的基本单元结果图。
具体实施方式
下面结合附图对本发明作进一步说明。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1所示，为本发明一种基于流体力学与气象数据的输电线路动态容量预测方法的流程。由于在众多影响输电线路容量的因素中，风速对输电线路容量的影响最大，因此，本方案中线路容量的预测主要是基于对目标地区风速的精准预测，进而计算得到目标地区输电线路的容量，基于此，本发明的基于流体力学与气象数据的输电线路动态容量预测方法具体包括以下步骤：
S1：获取历史气象数据。
根据气象中心网站发布的气象数据，获取目标地区的历史气象数据。所述目标地区的历史气象数据包括但不限于气温、风速、风向、太阳辐射、气压等。
S2：提取并筛选风速数据。
具体的，在步骤S1获取到历史气象数据中提取出所有的风速数据，但由于气象中心网站上每年发布的气象数据中，风速数据约为8760个，数据体量较大，如果对所有的风速数据都进行流体力学仿真，将会消耗大量的数据，并且由于部分数据的差别不大，所以需从提取的所有风速数据中选择符合条件或者具有代表性的风速数据。在本实施例中，采用K-means聚类算法从提取的风速数据中选择符合条件或者具有代表性的风速数据。
如图2所示，所述步骤S2包括以下步骤：
S201：选择初始风速聚类中心。
将所有风速数据作为一个风速样本集合，每一风速数据对应为该风速样本集合中的一个风速样本点。所述风速样本集合A表示为：
A＝{(x1,y1),(x2,y2),…,(xi,yi)} (1)
其中：i＝1,2,…,N，N为该风速样本集中风速样本点的个数，在本实施例中，N＝8760。
在所述风速样本集合A中随机选择k个风速样本点，选中的每一风速样本点分别作为一个初始风速聚类中心(X1,Y1),(X2,Y2),…,(Xj,Yj)(其中：j＝1,2,…,k，k为初始风速聚类中心的个数)。
S202：计算风速样本点至初始风速聚类中心距离。
分别计算所述风速样本集合A中每个风速样本点到每一初始风速聚类中心的距离dij：
Figure BDA0003255111880000091
其中：dij为第i风速样本点到第j初始风速聚类中心的直线距离，i＝1,2,…,N，N为风速样本点的个数，j＝1,2,…,k，k为初始风速聚类中心的个数；(xi,yi)为第i风速样本点；(Xj,Yj)为第j初始风速聚类中心。
根据公式(2)计算得到每个风速样本点到每一初始风速聚类中心的直线距离，将每个风速样本点归入与其直线距离最小的初始风速聚类中心对应的聚类中形成风速聚类集合，每一初始风速聚类中心对应形成一个风速聚类集合，即得到k个风速聚类集合。
S203：计算新的风速聚类中心。
根据步骤S202中得到的k个风速聚类集合，分别计算每个风速聚类集合的聚类中心，重新确定每一风速聚类集合新的风速聚类中心，其计算公式为：
Figure BDA0003255111880000092
Figure BDA0003255111880000093
其中：(XJ,YJ)为重新计算后的聚类中心集合中新的风速聚类中心，J＝1,2,…,K，K为重新计算后新的风速聚类中心或聚类中心集合的个数；(xiJ,yiJ)为第J聚类中心集合中第i风速样本点，i＝1,2,…,N，N为风速样本点的个数；n为对应的聚类中心集合中风速样本点的个数。
S204：判断风速聚类中心是否满足条件。
判断所述新的风速聚类中心是否满足收敛条件，即将当前轮次计算得到的新的风速聚类中心与上一轮次计算得到的风速聚类中心进行比较，判断二者是否不同。
若满足，即两次得到的风速聚类中心相同，则说明满足收敛条件，继续执行步骤S205。
若不满足，即两次得到的风速聚类中心不同，则以该当前轮次计算得到的新的风速聚类中心作为步骤S202中的初始风速聚类中心，重复执行步骤S202～S203，直至得到的风速聚类中心满足收敛条件为止。
S205：计算误差值。
分别计算每一风速聚类集合中所有风速样本点到其风速聚类中心的平均距离D，并以该平均距离D作为简化计算的误差值loss，即：
Figure BDA0003255111880000101
其中：(xiJ,yiJ)为第J聚类中心集合的第i风速样本点，i＝1,2,…,nJ，nJ为第J聚类中心集合中风速样本点的个数，且n1+n2+…+nJ＝N，在本实施例中，N＝8760；(XJ,YJ)为重新计算后的第J聚类中心，J＝1,2,…,K，K为重新计算后新的风速聚类中心或聚类中心集合的个数。
S206：重复计算多组误差值，比较并选择风速数据。
改变步骤S201中随机选择的风速样本点的数量，即改变初始风速聚类中心的数量，并重复步骤S202～S205，计算得到多个误差值；比较以不同数量的初始风速聚类中心为聚类算法起点计算得到的误差值，综合考虑计算效率、成本和最终预测的误差大小，选择适当数量的初始风速聚类中心进行分类，并将最终符合收敛时得到的所有风速聚类中心对应的风速数据代替其对应风速聚类集合中所有风速样本点对应的风速数据，作为后续步骤的输入值进行风速仿真计算。
S3：建立目标地区的几何模型。
在地理空间数据云网站上下载目标地区的数字高程模型，其图像要求为分辨率达30米，并通过地理绘图软件(如globalmapper等软件)对所述数字高程模型进行处理，提取目标地区对应的高程数据。基于所述高程数据建立目标地区的几何模型，所述几何模型即作为后续风速仿真计算的仿真区域。在本实施例中，所述几何模型利用CAD建模软件构建得到，所述几何模型如图3所示。
S4：目标区域风速仿真计算。
利用计算流体力学分析软件建立复杂地形风速仿真模型，根据步骤S2中选择出来的风速数据和步骤S3中建立的目标地区的几何模型，构建仿真区域，并设置仿真区域的边界条件，计算得到目标地区的风速仿真结果。
如图4所示，所述步骤S4包括以下步骤：
S401：建立复杂地形风速仿真模型。
利用流体力学分析软件构建复杂地形风速仿真模型，所述复杂地形风速仿真模型为包含目标地区、输电线路等元素在内的整个地形的复杂地形风速仿真模型。
S402：构建仿真区域。
根据步骤S1选取的目标地区的风速数据以及步骤S2中建立的目标地区的几何模型构建目标地区的仿真区域，所述仿真区域的风速分布如图5所示，并将该仿真区域导入流体力学分析软件的几何处理模块中，然后对该仿真区域进行网格划分。由于网格划分的数量和网格的大小决定了计算的精度，因此，在本实施例中，有输电线路的部分以及靠近地面的部分网格较其他部分密集。
S403：风速仿真计算。
分别设置仿真区域的边界条件，入口边界的条件设置为风速，取值为步骤S2中选择的风速数据的平均值；出口边界的条件设置为压强，取值为相对压强(即0)，其表示与外界标准大气压相等；下表面边界的条件设置为无滑移条件，表示空气在壁面处的速度为0；其余边界的条件设置为自由压力出流边界条件，然后通过流体力学分析软件计算得到目标地区的风速仿真结果。
S5：气象数据预测。
采用时间序列分析方法对步骤S1中获取到的历史气象数据与步骤S3中得到风速仿真结果进行时间序列分析，预测得到未来时刻的气象数据预测值。在本实施例中，采用LSTM算法对获取到的历史气象数据与风速仿真结果进行时间序列分析，预测得到未来时刻的风速数据。
如图6-7所示，采用所述LSTM算法预测得到未来时刻的风速数据的具体过程为：
S501：数据融合。
由于LSTM是一种基于时间的循环神经网络，因此需对输入LSTM算法模型的数据进行数据融合，即将步骤S1中获取到的历史气象数据和步骤S4中基于流体力学分析软件计算得到的风速仿真结果进行数据融合，得到气象数据序列{x(1),x(2),…,x(t)}(其中，x(t)为气象数据序列中第t时刻的气象数据，t为气象数据序列的长度)。
S502：计算LSTM算法模型的遗忘门、输入门和输出门。
将气象数据序列输入{x(1),x(2),…,x(t)}所述输入LSTM算法模型，所述LSTM算法模型的每一神经元均包括一个遗忘门、一个输入门和一个输出门，所述遗忘门以第t-1时刻的输出和第t时刻的输入作为整体，计算得到用以去除第t时刻神经元中应舍弃的信息，即遗忘信息；所述输入门通过与一tanh激活函数配合控制当前时刻可以加入神经元的信息，即更新信息，然后以该更新信息和遗忘信息更新第t时刻神经元的状态；所述输出门用于根据输出信息得到最终的预测值。
所述遗忘信息Zf的计算公式为：
Figure BDA0003255111880000131
所述更新信息Zi的计算公式为：
Figure BDA0003255111880000141
所述输出信息Zo的计算公式为：
Figure BDA0003255111880000142
其中：a(t-1)为LSTM算法模型基于气象数据序列中第t-1时刻输入的气象数据预测得到的第t-1时刻气象数据的预测值；x(t)为气象数据序列中第t时刻输入LSTM算法模型的气象数据；σ为激活函数；Wf,Wi,Wo分别为对应时刻LSTM算法模型的遗忘门、输入门和输出门对应的权重矩阵；bf,bi,bo分别对应时刻为遗忘门、输入门和输出门对应的偏置矩阵。
S503：计算LSTM算法模型的新的神经元状态。
计算所述LSTM算法模型待更新的神经元状态
Figure BDA0003255111880000143
并基于该待更新的神经元状态
Figure BDA0003255111880000144
遗忘信息Zf、更新信息Zi和上一时刻的神经元状态c(t-1)计算得到LSTM算法模型新的神经元状态c(t)。
所述步骤S503中待更新的神经元状态
Figure BDA0003255111880000145
的计算公式为：
Figure BDA0003255111880000146
其中：tanh为激活函数；Wc为对应时刻神经元的权重矩阵；bc为对应时刻神经元的偏置矩阵。
所述新的神经元状态c(t)的计算公式为：
Figure BDA0003255111880000147
其中：c(t-1)为第t-1时刻输出a(t-1)的神经元状态。
S504：计算气象数据的预测值。
结合根据新的神经元状态c(t)和输出信息，预测得到气象数据。
所述步骤S504中预测得到的气象数据的计算公式为：
Figure BDA0003255111880000151
所述公式(11)中计算得到a(t)即为预测得到的第t时刻的LSTM算法模型的输出，将a(t)分为两路，一路输出为LSTM算法模型下一神经元的输入，一路输出则为测得到的气象数据y(t)。
S6：计算输电线路动态容量。
将步骤S5中预测得到的第t时刻的气象数据带入国际标准IEEE-738中提供的计算公式计算得到输电线路的动态容量值。
本实施例的线路容量预测方法，在具体实施时，所述步骤S1和步骤S2与步骤S3之间并不存在严格意义上的先后顺序，在其他的实施例中，所述步骤S1和步骤S2与步骤S3二者可以调换顺序实施或者同时进行。
本发明综合考虑气象数据和地形，基于流体力学仿真软件和LSTM算法，利用产生的数据对未来的气象数据进行预测，从而更加准确地计算出输电线路的容量，能够给予电网调度人员可靠的参考，以便于更加充分有效地利用输电线路容量。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明的专利保护范围之内。

Claims (8)

1.一种基于流体力学与气象数据的输电线路动态容量预测方法，其特征在于，包括以下步骤：
S1：获取目标地区的历史气象数据；
S2：在所述历史气象数据中提取风速数据，并从提取的风速数据中选择符合条件的风速数据；
S3：获取目标地区的高程数据，并基于所述高程数据建立目标地区的几何模型；
S4：建立复杂地形风速仿真模型，基于步骤S2中选择的风速数据和步骤S3中建立的目标地区的几何模型构建仿真区域，并将该仿真区域导入复杂地形风速仿真模型，设置边界条件，计算得到目标地区的风速仿真结果；
S5：采用时间序列分析方法对步骤S4中得到风速仿真结果与步骤S1中获取到的历史气象数据进行时间序列分析，预测得到未来时刻的气象数据预测值；
所述步骤S5中采用LSTM算法对获取到的历史气象数据与风速仿真结果进行时间序列分析，预测得到未来时刻的风速数据，所述LSTM算法的具体过程为：
S501：将历史气象数据和风速仿真结果进行数据融合得到气象数据序列；
S502：将气象数据序列输入LSTM算法模型，基于所述LSTM算法模型的遗忘门、输入门和输出门分别计算得到遗忘信息、更新信息和输出信息；
所述步骤S502中遗忘信息的计算公式为：
Figure FDA0003564366010000021
所述更新信息的计算公式为：
Figure FDA0003564366010000022
所述输出信息的计算公式为：
Figure FDA0003564366010000023
其中：a(t-1)为LSTM算法模型基于气象数据序列中第t-1时刻输入的气象数据预测得到的第t-1时刻气象数据的预测值；x(t)为气象数据序列中第t时刻输入LSTM算法模型的气象数据；σ为激活函数；Wf,Wi,Wo分别为对应时刻LSTM算法模型的遗忘门、输入门和输出门对应的权重矩阵；bf,bi,bo分别对应时刻为遗忘门、输入门和输出门对应的偏置矩阵；
S503：计算所述LSTM算法模型待更新的神经元状态，并基于该待更新的神经元状态、遗忘信息、更新信息和上一时刻的神经元状态计算得到LSTM算法模型新的神经元状态；
S504：根据新的神经元状态和输出信息，预测得到气象数据；
S6：根据预测得到的气象数据计算得到输电线路的动态容量值。
2.根据权利要求1所述的基于流体力学与气象数据的输电线路动态容量预测方法，其特征在于，所述步骤S2采用K-means聚类算法从提取的风速数据中选择符合条件的风速数据，将所有风速数据作为一个风速样本集合，每一风速数据对应于风速样本集合中的一个风速样本点，其具体步骤为：
S201：在风速样本集合中随机选择若干个风速样本点，选中的每一风速样本点分别作为一个初始风速聚类中心；
S202：分别计算风速样本集合中每个风速样本点到每一初始风速聚类中心的距离，并将每个风速样本点归入与其距离最小的初始风速聚类中心对应的聚类中形成风速聚类集合；
S203：计算每一风速聚类集合新的风速聚类中心；
S204：判断所述新的风速聚类中心是否满足收敛条件，若满足，则继续执行步骤S205，若不满足，则重复执行步骤S202～S203，直至得到的风速聚类中心满足收敛条件为止；
S205：分别计算每一风速聚类集合中所有风速样本点到其风速聚类中心的平均距离，并以该平均距离作为简化计算的误差值；
S206：改变步骤S201中随机选择的风速样本点的数量，并重复步骤S202～S205，计算得到多个误差值，对多个误差值进行比较，选择符合条件的一组风速样本点。
3.根据权利要求2所述的基于流体力学与气象数据的输电线路动态容量预测方法，其特征在于，所述步骤S202中采用如下公式计算每个风速样本点到每一初始风速聚类中心的距离：
Figure FDA0003564366010000031
其中：dij为第i风速样本点到第j初始风速聚类中心的距离，i＝1,2,…,N，N为风速样本点的个数，j＝1,2,…,k，k为初始风速聚类中心的个数；(xi,yi)为第i风速样本点；(Xj,Yj)为第j初始风速聚类中心。
4.根据权利要求2所述的基于流体力学与气象数据的输电线路动态容量预测方法，其特征在于，所述步骤S203中采用如下公式重新计算每一聚类中心集合的新的风速聚类中心：
Figure FDA0003564366010000041
Figure FDA0003564366010000042
其中：(XJ,YJ)为重新计算后的聚类中心集合中新的风速聚类中心，J＝1,2,…,K，K为重新计算后新的风速聚类中心或聚类中心集合的个数；(xiJ,yiJ)为第J聚类中心集合中第i风速样本点，i＝1,2,…,N，N为风速样本点的个数；n为对应的聚类中心集合中风速样本点的个数。
5.根据权利要求2所述的基于流体力学与气象数据的输电线路动态容量预测方法，其特征在于，所述步骤S205采用如下公式计算所述误差值：
Figure FDA0003564366010000043
其中：(xiJ,yiJ)为第J聚类中心集合的第i风速样本点，i＝1,2,…,nJ，nJ为第J聚类中心集合中风速样本点的个数，且n1+n2+…+nJ＝N；(XJ,YJ)为重新计算后的第J聚类中心，J＝1,2,…,K，K为重新计算后新的风速聚类中心或聚类中心集合的个数。
6.根据权利要求1所述的基于流体力学与气象数据的输电线路动态容量预测方法，其特征在于，所述步骤S4的具体步骤为：
S401：利用流体力学分析软件构建复杂地形风速仿真模型；
S402：根据步骤S2选取的目标地区的风速数据以及步骤S3中建立的目标地区的几何模型建立对应的仿真区域，并将该仿真区域导入流体力学分析软件的几何处理模块中；
S403：设置边界条件，计算得到目标地区的风速仿真结果。
7.根据权利要求1所述的基于流体力学与气象数据的输电线路动态容量预测方法，其特征在于，所述步骤S503中待更新的神经元状态的计算公式为：
Figure FDA0003564366010000051
所述新的神经元状态的计算公式为：
Figure FDA0003564366010000052
其中：c(t-1)为第t-1时刻输出a(t-1)的神经元状态；tanh为激活函数；Wc为对应时刻神经元的权重矩阵；bc为对应时刻神经元的偏置矩阵。
8.根据权利要求7所述的基于流体力学与气象数据的输电线路动态容量预测方法，其特征在于，所述步骤S504中预测得到的气象数据的计算公式为：
Figure FDA0003564366010000053
CN202111057162.5A 2021-09-09 2021-09-09 基于流体力学与气象数据的输电线路动态容量预测方法 Active CN113761813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111057162.5A CN113761813B (zh) 2021-09-09 2021-09-09 基于流体力学与气象数据的输电线路动态容量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111057162.5A CN113761813B (zh) 2021-09-09 2021-09-09 基于流体力学与气象数据的输电线路动态容量预测方法

Publications (2)

Publication Number Publication Date
CN113761813A CN113761813A (zh) 2021-12-07
CN113761813B true CN113761813B (zh) 2022-05-10

Family

ID=78794382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111057162.5A Active CN113761813B (zh) 2021-09-09 2021-09-09 基于流体力学与气象数据的输电线路动态容量预测方法

Country Status (1)

Country Link
CN (1) CN113761813B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734331A (zh) * 2018-03-23 2018-11-02 武汉理工大学 基于lstm的短期光伏发电功率预测方法及系统
CN111222677A (zh) * 2019-10-22 2020-06-02 浙江运达风电股份有限公司 一种基于长短期记忆时间神经网络的风速预测方法及系统
CN112182954A (zh) * 2020-09-08 2021-01-05 上海大学 一种基于lstm的流体仿真数据预测模型

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9881108B2 (en) * 2015-05-29 2018-01-30 One Energy Enterprises Llc Method of evaluation wind flow based on conservation of momentum and variation in terrain

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734331A (zh) * 2018-03-23 2018-11-02 武汉理工大学 基于lstm的短期光伏发电功率预测方法及系统
CN111222677A (zh) * 2019-10-22 2020-06-02 浙江运达风电股份有限公司 一种基于长短期记忆时间神经网络的风速预测方法及系统
CN112182954A (zh) * 2020-09-08 2021-01-05 上海大学 一种基于lstm的流体仿真数据预测模型

Also Published As

Publication number Publication date
CN113761813A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
CN111260136A (zh) 一种基于arima-lstm组合模型的楼宇短期负荷预测方法
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
CN111310965A (zh) 一种基于lstm网络的飞行器航迹预测方法
Biard et al. Automated detection of weather fronts using a deep learning neural network
CN110442143B (zh) 一种基于组合多目标鸽群优化的无人机态势数据聚类方法
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN112308281A (zh) 一种温度信息预测方法及装置
CN111178585A (zh) 基于多算法模型融合的故障接报量预测方法
CN114881323A (zh) 基于深度神经网络的基坑降水区地下水位预测与更新方法
CN112990587B (zh) 一种对台区用电进行精准预测的方法及系统、设备、介质
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN112686481A (zh) 一种径流量预报方法、处理器
CN113255900A (zh) 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法
CN111985719A (zh) 一种基于改进的长短期记忆网络的电力负荷预测方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN113991711B (zh) 一种光伏电站储能系统容量配置方法
CN113537648B (zh) 一种基于集合数据的风速预测方法及装置
CN111882114A (zh) 一种短时交通流量预测模型构建方法及预测方法
Manoj et al. FWS-DL: forecasting wind speed based on deep learning algorithms
CN108710966B (zh) 一种基于多簇esn神经网络的光伏发电功率预测方法
Han et al. Fengwu-ghr: Learning the kilometer-scale medium-range global weather forecasting
Agga et al. Short-term load forecasting: based on hybrid CNN-LSTM neural network
CN103106329A (zh) 一种用于svr短期负荷预测的训练样本分组构造方法

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