CN114818254B - 基于重构相关性的导线热动态过程分布预估方法及系统 - Google Patents

基于重构相关性的导线热动态过程分布预估方法及系统 Download PDF

Info

Publication number
CN114818254B
CN114818254B CN202210227508.XA CN202210227508A CN114818254B CN 114818254 B CN114818254 B CN 114818254B CN 202210227508 A CN202210227508 A CN 202210227508A CN 114818254 B CN114818254 B CN 114818254B
Authority
CN
China
Prior art keywords
time
meteorological
microclimate
correlation
matrix
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
CN202210227508.XA
Other languages
English (en)
Other versions
CN114818254A (zh
Inventor
李珊
张刚
林�建
李中凯
赵龙
崔国柱
刘洋
魏亮
高成成
戴建强
陈星延
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.)
State Grid Corp of China SGCC
Linyi Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Linyi Power Supply Co of State Grid Shandong Electric Power Co Ltd
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 State Grid Corp of China SGCC, Linyi Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Publication of CN114818254A publication Critical patent/CN114818254A/zh
Application granted granted Critical
Publication of CN114818254B publication Critical patent/CN114818254B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于电气工程领域，提供了一种基于重构相关性的导线热动态过程分布预估方法及系统。其中，该方法包括基于架空导线热惯性时间内气象环境与起始点气象要素之间偏差的分布规律，得到由各气象要素时间序列场景构成的微气象时间序列场景集；依据预设时间段内的微气象历史数据的相关性规律，对所述微气象时间序列场景进行重构，使得重构后的各气象要素时间序列场景本身及其之间具有与微气象历史数据类似的自相关性和互相关性；基于重构的微气象时间序列场景集和热惯性过程起始点处导线温度量测数据，对导线热动态过程进行蒙特卡洛模拟，预估出热惯性时间内导线温度。

Description

基于重构相关性的导线热动态过程分布预估方法及系统
技术领域
本发明属于电气工程领域，尤其涉及一种基于重构相关性的导线热动态过程分布预估方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
当前，电力系统源、荷形式多样化(风、光、储、水、火、电动汽车混合)，电网潮流波动性增强，电网载荷能力面临挑战，传统以载流量表征输电线路载流能力的做法由于忽略了导体的热惯性性质在工程应用中的保守性已逐渐凸显。对此，动态增容技术的应用已经实现了对输电元件运行温度及环境的在线监测，揭示出了蕴含在导体温度动态过程中的载流潜力。在此基础上，实现对输电元件热动态过程的预估对帮助运行人员预见输电元件载流潜力，引导电力系统运行人员充分利用输电元件载流潜力具有重要意义。对此，有学者提出电热耦合潮流技术可用来预估未来伴随电网潮流变化的输电元件运行温度。
输电元件运行温度的变化不仅与导线电流有关，还受到运行环境的影响，尤其是对于架空导线，其周围气象环境对其热动态过程影响较为显著，且不确定性较强，使得热动态过程难以被准确预估。对此，有学者在动态增容技术获得的导线周围气象环境数据的基础上，研究了架空导线周围气象要素(例如：包括气温、日照强度、风速和方向4个气象要素)的概率预测方法，基于该预测结果的抽样结合蒙特卡洛模拟技术，可预估架空导线未来热动态过程的概率分布情况。
发明人发现，对各个气象要素的独立抽样难以体现气象要素之间的相关性规律，以及各气象要素变化的自相关性规律(时间相关性规律)，导致模拟得到的热动态过程分布结果不符合实际情况，从而给运行人员提供不准确的载流能力信息，导致保守或冒进的决策，危害电力系统的安全经济运行。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种基于重构相关性的导线热动态过程分布预估方法及系统，其对气象要素时间序列场景集相关性重构方法，能够使重构后的时间序列场景集符合微气象历史数据具有的相关性，从而使架空导线热动态过程的分布预估结果更符合实际。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种基于重构相关性的导线热动态过程分布预估方法，其包括：
基于架空导线热惯性时间内气象环境与起始点气象要素之间偏差的分布规律，得到由各气象要素时间序列场景构成的微气象时间序列场景集；
依据预设时间段内的微气象历史数据的相关性规律，对所述微气象时间序列场景进行重构，使得重构后的各气象要素时间序列场景本身及其之间具有与微气象历史数据类似的自相关性和互相关性；
基于重构的微气象时间序列场景集和热惯性过程起始点处导线温度量测数据，对导线热动态过程进行蒙特卡洛模拟，预估出热惯性时间内导线温度。
作为一种实施方式，利用气象偏差概率密度函数，对每个气象要素在设定数量的时间点上各抽样出预设数量的偏差值与热惯性过程起始点实测气象数据相加，得到各气象要素在各时间点上的抽样，从而生成微气象时间序列场景集。
作为一种实施方式，所述气象偏差概率密度函数的建立过程为：
基于历史架空导线运行温度及载流以及影响导线热动态过程的气象要素数据集，对各气象要素分别统计设定时间内相邻预设数量的元素之间的偏差，并基于核密度估计法对各气象要素，建立各个气象偏差的概率密度函数。
作为一种实施方式，所述气象要素包括气温、日照强度、风速和风向。
作为一种实施方式，所述预设时间段内的微气象历史数据的相关性规律，包括微气象历史数据中各个气象要素时间序列及其之间表现出的自相关性和互相关性。
作为一种实施方式，所述预设时间段内的微气象历史数据的相关性规律采用微气象历史数据矩阵的秩相关系数矩阵来表示，其计算过程为：
选取包括当预估起始点在内临近的预设时长内的微气象历史数据并设定时间窗口；
以各气象要素时间序列及其不同滞后时间下的时间序列为列元素构建微气象历史数据矩阵，进而计算得到微气象历史数据矩阵的秩相关系数矩阵。
作为一种实施方式，在对所述微气象时间序列场景进行重构的过程中：
依据抽样得到的各气象要素在设定时间窗口内的若干个时间序列，构建场景集矩阵；
通过重构场景集矩阵获得重构后的场景集矩阵，使得重构后的场景集矩阵的秩相关系数矩阵与微气象历史数据矩阵的秩相关系数矩阵相同。
本发明的第二个方面提供一种基于重构相关性的导线热动态过程分布预估系统，其包括：
微气象时间序列场景集构建模块，其用于基于架空导线热惯性时间内气象环境与起始点气象要素之间偏差的分布规律，得到由各气象要素时间序列场景构成的微气象时间序列场景集；
微气象时间序列场景集重构模块，其用于依据预设时间段内的微气象历史数据的相关性规律，对所述微气象时间序列场景进行重构，使得重构后的各气象要素时间序列场景本身及其之间具有与微气象历史数据类似的自相关性和互相关性；
热惯性时间内导线温度预估模块，其用于基于重构的微气象时间序列场景集和热惯性过程起始点处导线温度量测数据，对导线热动态过程进行蒙特卡洛模拟，预估出热惯性时间内导线温度。
本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于重构相关性的导线热动态过程分布预估方法中的步骤。
本发明的第四个方面提供一种电子设备，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，所述处理器执行所述程序时实现如上述所述的基于重构相关性的导线热动态过程分布预估方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明基于架空导线热惯性时间内周围若干气象要素的偏差分布及对其抽样得到气象要素时间序列场景集合，再依据预设时间段内的微气象历史数据的相关性规律，对微气象时间序列场景进行重构，使得重构后的各气象要素时间序列场景本身及其之间具有与微气象历史数据类似的自相关性和互相关性，这样使最终得到的各气象要素时间序列场景更符合气象环境的实际变化规律，进而使模拟的热动态过程更符合实际，最终提高了热惯性时间内导线温度预估的准确性，从而保障了电力系统的安全运行。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的基于重构相关性的导线热动态过程分布预估方法流程图；
图2是本发明实施例的微气象时间序列相关性重构流程图；
图3(a)是本发明实施例的日照强度秩自相关性；
图3(b)是本发明实施例的环境温度秩自相关性；
图3(c)是本发明实施例的风速秩自相关性；
图3(d)是本发明实施例的风向秩自相关性；
图4(a)是本发明实施例的日照强度偏差概率密度分布图；
图4(b)是本发明实施例的环境温度偏差概率密度分布图；
图4(c)是本发明实施例的风速偏差概率密度分布图；
图4(d)是本发明实施例的风向偏差概率密度分布图；
图5是本发明实施例的历史气象数据与气象场景集的相关性对比图；
图6是本发明实施例的气象数据相关性分析图；
图7(a)是本发明实施例的第10min的导线温度频率直方图；
图7(b)是本发明实施例的第20min的导线温度频率直方图；
图7(c)是本发明实施例的第30min的导线温度频率直方图；
图8是本发明实施例的基于重构相关性的导线热动态过程分布预估系统结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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。
实施例一
如图1所示，本实施例提供了一种基于重构相关性的导线热动态过程分布预估方法，其具体包括如下步骤：
S101：基于架空导线热惯性时间内气象环境与起始点气象要素之间偏差的分布规律，得到由各气象要素时间序列场景构成的微气象时间序列场景集。
在一个或多个实施例中，利用气象偏差概率密度函数，对每个气象要素在设定数量的时间点上各抽样出预设数量的偏差值与热惯性过程起始点实测气象数据相加，得到各气象要素在各时间点上的抽样，从而生成微气象时间序列场景集。
其中，所述气象偏差概率密度函数的建立过程为：
基于历史空导线运行温度及载流以及影响导线热动态过程的气象要素数据集，对各气象要素分别统计设定时间内相邻预设数量的元素之间的偏差，并基于核密度估计法对各气象要素，建立各个气象偏差的概率密度函数。
此处需要说明的是，所述气象要素包括但不限于气温、日照强度、风速和风向，本领域技术人员可根据实际情况来按确定气象要素的具体项。
在本实施例中，气象要素以气温、日照强度、风速和风向这四个为例来进行说明：
在本实施例中，构建架空导线热惯性时间ti(约为30min)内微气象场景集是进行导线热动态过程模拟的前提条件，其关键在于如何使生成的气象要素时间序列场景符合导线微气象环境变化的真实规律。为此基于DTR量测设备获取所需数据，包括架空导线运行温度及载流以及影响导线热动态过程的4个气象要素(气温、日照强度、风速和风向)，而后利用ti时间内气象环境与热惯性过程起始点的气象环境之间具有较强的相关性这一特点，把握ti时间内各时间点气象要素与起始点气象要素之间偏差(以下简称气象偏差)的分布规律，并结合DTR在线监测数据估计各时间点处各气象要素的分布并进行抽样，最终生成能反映气象环境变化真实规律的微气象场景集。
其中，生成微气象场景集的具体步骤如下：
1)依据DTR历史数据形成历史数据集，设历史数据的时间跨度为th分钟，分辨率为r分钟，则4个气象要素的数据总量为4·th/r。
2)基于历史数据集，对各气象要素分别统计ti时间内相邻1…ti/r个元素之间的偏差，并基于核密度估计法对各气象要素建立ti/r个气象偏差的概率密度函数。
3)利用上述得到的4·ti/r个气象偏差概率密度函数，对每个气象要素在1…ti/r个时间点上各抽样出N个偏差值与热惯性过程起始点DTR实测气象数据相加，得到各气象要素在各时间点上的N个抽样(本发明中取N＝2000，N的具体取值可根据所需的场景多少确定，通常N值越大，场景对气象要素概率预测结果的覆盖度越好)，从而生成微气象时间序列场景集。
其中，搜集目标架空导线周围实测微气象历史数据，搜集时长th一般不小于3个月，时间分辨率不大于5分钟；设定架空导线热惯性时间ti＝30min；设定希望获得的场景集中的时间序列个数N，一般N不小于1000。
在本实施例中，统计气象偏差分布规律，通过独立抽样生成N组微气象时间序列。
S102：依据预设时间段内的微气象历史数据的相关性规律，对所述微气象时间序列场景进行重构，使得重构后的各气象要素时间序列场景本身及其之间具有与微气象历史数据类似的自相关性和互相关性。
在本实施例中，所述预设时间段内的微气象历史数据的相关性规律，包括微气象历史数据中各个气象要素时间序列及其之间表现出的自相关性和互相关性。
具体地，所述预设时间段内的微气象历史数据的相关性规律采用微气象历史数据矩阵的秩相关系数矩阵来表示，其计算过程为：
选取包括当预估起始点在内临近的预设时长内的微气象历史数据并设定时间窗口；
以各气象要素时间序列及其不同滞后时间下的时间序列为列元素构建微气象历史数据矩阵，进而计算得到微气象历史数据矩阵的秩相关系数矩阵。
在本实施例中，在对所述微气象时间序列场景进行重构的过程中：
依据抽样得到的各气象要素在设定时间窗口内的若干个时间序列，构建场景集矩阵；
通过重构场景集矩阵获得重构后的场景集矩阵，使得重构后的场景集矩阵的秩相关系数矩阵与微气象历史数据矩阵的秩相关系数矩阵相同。
在上述对各气象要素在各时间点上进行独立抽样生成微气象时间序列场景集的基础上，在此进一步对场景集依据历史数据的相关性规律进行重构，以期使最终得到的各气象要素时间序列场景更符合气象环境的实际变化规律。
具体步骤如图2所示：
1)选取包括当预估起始点在内临近的ts时长内的微气象历史数据(本实施例中取最近3小时内的数据，即ts＝180min)，并取h＝ti为时间窗口，以各气象要素时间序列及其不同滞后时间下(1min…30min)的时间序列为列元素构建矩阵H(结构如式(1)所示)，并计算H矩阵的秩相关系数矩阵SH，SH中的元素体现了历史数据中4气象要素(日照强度、气温、风速、风向)时间序列及其之间表现出的自相关性和互相关性。
式(1)中，k＝1…ts/r分别为历史数据中第k个时间点处日照强度(W·m-2)、气温(℃)、风速(m·s-1)及其与导体间夹角(°)的量测数据。
2)依据1)中抽样得到的各气象要素在ti时间内的N个时间序列，构建场景集矩阵C，结构如式(2)所示。
式(2)中，i＝1…h/r，j＝1…N分别为第j个日照强度、气温、风速及其与导线夹角的抽样时间序列中的第i个时间点处的抽样数据。现希望通过重构C获得C*，使得C*的秩相关系数矩阵SC*与SH近似相同，即SC*≈SH。
3)引入向量Δ(1)＝[ζ(1),…,ζ(N)]，其中元素为：
ζ(i)＝σ-1(i/(N+1)),i＝1,2,...,N (3)
其中，σ(·)为标准正态分布的累积分布函数。将向量Δ(1)随机排序4h/r-1次，形成向量Δ(2),…,Δ(4h/r)，构成矩阵M＝[Δ(1),…,Δ(4h/r)]。
4)对矩阵M进行如下变换得到M*，可使得M*的秩相关系数矩阵SM*与SH近似相同。
M*＝M·(LH·LM-1)T (4)
其中矩阵LH和LM为：
式(5)中,Cholesky(·)运算符代表Cholesky分解运算，PM为矩阵M的皮尔逊相关系数矩阵。通过式(4)和式(5)的变换可使SM*≈SH。
5)将矩阵C的每一列按照矩阵M*中对应列数据秩的分布情况进行重新排序得到C*，实现SC*≈SH，从而完成对场景集矩阵C的重构。重构后的C*矩阵结构与C相同，且C*各列之间存在与H中各列近似相同的秩相关性。也就是说，C*的一行对应4气象要素在ti时间段内的一组时间序列场景(共N组场景)，且经重构后的各气象要素时间序列场景及其之间具有与历史气象数据类似的自相关性和互相关性。其中，图3(a)-图3(d)分别给出了本实施例的日照强度秩自相关性、环境温度秩自相关性、风速秩自相关性和风向秩自相关性。
S103：基于重构的微气象时间序列场景集和热惯性过程起始点处导线温度量测数据，对导线热动态过程进行蒙特卡洛模拟，预估出热惯性时间内导线温度。
具体地，基于上述步骤得到的微气象时间序列场景集和热惯性过程起始点处导线温度DTR量测数据，对导线热动态过程进行蒙特卡洛模拟，以此得到热惯性时间内导线温度的计算结果。
架空导线温度的计算基于CIGRE标准下的热平衡方程：
其中，Tc为导体温度(℃)，t为时间(s)，m为单位长度导体质量(kg·m-1)；Cp为导体比热容(J·kg-1·K-1)，I为导体电流(A)，Rac为20℃下单位长度导体的交流电阻(Ω)，β为电阻温度系数(K-1)；υs为导体表面的光照吸收率，D为导体直径(m)；λf为空气热传导率(W·m-1·K-1)，γ为空气密度(kg·m-3)，μf为空气动态粘度(kg·m-1·s-1)，B、c、k1、k2、k3为条件系数，τ为斯蒂芬-玻尔兹曼常数(W·m-2·K-4)，εs为导体辐射率。Ta、Qs、V、δ分别为前述的4气象要素，单位同前文。
通过式(6)采用龙格库塔算法对ti时间内的导线温度进行求解，算法计算格式如下：
其中，h为步长，f(t,Tc)为式(6)表达。
计算完成后，对ti时间内的导线温度进行统计，最终获得热惯性时间内架空导线温度的分布结果。
本实施例对架空导线热动态过程进行模拟，从而获得热惯性时间内导线温度的分布结果。
为验证上述方法的有效性，基于某地区某220kV架空线路沿线一点实测微气象历史数据(搜集时长为3个月，时间分辨率为5分钟)，首先对各气象要素分别统计相邻5min…30min之间的偏差，经核密度估计拟合后得到各气象偏差的概率密度函数，其中第10min、20min和30min的概率密度函数曲线如图4(a)-图4(d)所示，可见其具有较好的正态分布特性。而后根据24个气象偏差的概率密度函数对热惯性起始点后5min…30min的各气象要素偏差进行抽样(对每个时刻每个气象要素各抽取2000次)，并与热惯性起始点的各气象要素的实测值相加，最终得到ti时间内各气象要素时间序列的场景集。
生成微气象场景集后，对其进行相关性重构。以5min为间隔截取其中ts＝180min的临近历史数据形成H矩阵，而后按上述方法获得30min内(共6个时段)的4气象要素场景集，历史气象数据和经重构后的场景集之间相关性对比如图5所示。
图5坐标中的数字(1…6)代表6个时段的各气象要素。图5中，圆形越大颜色越深，反之则相反。在构造图5时，其下三角区域反映历史气象数据的相关性情况，可见，各气象要素时间序列在30min的滞后时间窗口内均具有较强的自相关性；同时，除气温和风速之间外，4气象要素之间也具有一定的互相关性；上三角区域反映经重构后各气象要素时间序列场景集内数据的相关性情况，图6为重构前由抽样所得的原始场景集数据间的相关性情况，经对比可见重构前随机抽样得到的场景数据之间几乎不具有相关性，而经过重构后则可以获得与历史气象数据近乎相同相关性的气象要素时间序列场景集。
基于重构前的微气象场景集(场景集I)和重构后的微气象场景集(场景集II)，结合热惯性过程起始点处导线温度的量测值进行热动态过程模拟，得到ti时间内的导线温度计算结果，其中第10min、20min和30min的导线温度频率直方图如图7(a)-图7(c)所示。由图7(a)可见，二者具有较好的正太分布特性且均值近似相同，但经重构后的微气象场景集计算得到的导线温度分布相对均衡且涵盖范围更广，这是由于在热惯性时间内各气象要素时间序列具有较强的自相关性，这就使得相关性重构后气象要素时间序列场景具有数值上同大同小的趋势，而风速作为对架空导线热动态过程影响最大的气象要素，其时间序列场景集数值上同大同小的趋势会使得导线温度的计算结果分布均衡且范围变宽，因此重构后的计算结果是更符合实际情况的，从而验证了本实施例的该方法的有效性。
实施例二
如图8所示，本实施例提供了一种基于重构相关性的导线热动态过程分布预估系统，其具体包括如下模块：
微气象时间序列场景集构建模块，其用于基于架空导线热惯性时间内气象环境与起始点气象要素之间偏差的分布规律，得到由各气象要素时间序列场景构成的微气象时间序列场景集；
微气象时间序列场景集重构模块，其用于依据预设时间段内的微气象历史数据的相关性规律，对所述微气象时间序列场景进行重构，使得重构后的各气象要素时间序列场景本身及其之间具有与微气象历史数据类似的自相关性和互相关性；
热惯性时间内导线温度预估模块，其用于基于重构的微气象时间序列场景集和热惯性过程起始点处导线温度量测数据，对导线热动态过程进行蒙特卡洛模拟，预估出热惯性时间内导线温度。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于重构相关性的导线热动态过程分布预估方法中的步骤。
实施例四
本实施例提供了一种电子设备，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，所述处理器执行所述程序时实现如上述所述的基于重构相关性的导线热动态过程分布预估方法中的步骤。
本发明是参照本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (8)

1.一种基于重构相关性的导线热动态过程分布预估方法，其特征在于，包括：
基于架空导线热惯性时间内气象环境与起始点气象要素之间偏差的分布规律，得到由各气象要素时间序列场景构成的微气象时间序列场景集；
依据预设时间段内的微气象历史数据的相关性规律，对所述微气象时间序列场景进行重构，使得重构后的各气象要素时间序列场景本身及其之间具有与微气象历史数据类似的自相关性和互相关性，所述预设时间段内的微气象历史数据的相关性规律采用微气象历史数据矩阵的秩相关系数矩阵来表示，其计算过程为：
选取包括当预估起始点在内临近的预设时长内的微气象历史数据并设定时间窗口；
以各气象要素时间序列及其不同滞后时间下的时间序列为列元素构建微气象历史数据矩阵，进而计算得到微气象历史数据矩阵的秩相关系数矩阵；
在对所述微气象时间序列场景进行重构的过程中：
依据抽样得到的各气象要素在设定时间窗口内的若干个时间序列，构建场景集矩阵；
通过重构场景集矩阵获得重构后的场景集矩阵，使得重构后的场景集矩阵的秩相关系数矩阵与微气象历史数据矩阵的秩相关系数矩阵相同；
基于重构的微气象时间序列场景集和热惯性过程起始点处导线温度量测数据，对导线热动态过程进行蒙特卡洛模拟，预估出热惯性时间内导线温度。
2.如权利要求1所述的基于重构相关性的导线热动态过程分布预估方法，其特征在于，利用气象偏差概率密度函数，对每个气象要素在设定数量的时间点上各抽样出预设数量的偏差值与热惯性过程起始点实测气象数据相加，得到各气象要素在各时间点上的抽样，从而生成微气象时间序列场景集。
3.如权利要求2所述的基于重构相关性的导线热动态过程分布预估方法，其特征在于，所述气象偏差概率密度函数的建立过程为：
基于历史空导线运行温度及载流以及影响导线热动态过程的气象要素数据集，对各气象要素分别统计设定时间内相邻预设数量的元素之间的偏差，并基于核密度估计法对各气象要素，建立各个气象偏差的概率密度函数。
4.如权利要求1所述的基于重构相关性的导线热动态过程分布预估方法，其特征在于，所述气象要素包括气温、日照强度、风速和风向。
5.如权利要求1所述的基于重构相关性的导线热动态过程分布预估方法，其特征在于，所述预设时间段内的微气象历史数据的相关性规律，包括微气象历史数据中各个气象要素时间序列及其之间表现出的自相关性和互相关性。
6.一种基于重构相关性的导线热动态过程分布预估系统，其特征在于，包括：
微气象时间序列场景集构建模块，其用于基于架空导线热惯性时间内气象环境与起始点气象要素之间偏差的分布规律，得到由各气象要素时间序列场景构成的微气象时间序列场景集；
微气象时间序列场景集重构模块，其用于依据预设时间段内的微气象历史数据的相关性规律，对所述微气象时间序列场景进行重构，使得重构后的各气象要素时间序列场景本身及其之间具有与微气象历史数据类似的自相关性和互相关性，所述预设时间段内的微气象历史数据的相关性规律采用微气象历史数据矩阵的秩相关系数矩阵来表示，其计算过程为：
选取包括当预估起始点在内临近的预设时长内的微气象历史数据并设定时间窗口；
以各气象要素时间序列及其不同滞后时间下的时间序列为列元素构建微气象历史数据矩阵，进而计算得到微气象历史数据矩阵的秩相关系数矩阵；
在对所述微气象时间序列场景进行重构的过程中：
依据抽样得到的各气象要素在设定时间窗口内的若干个时间序列，构建场景集矩阵；
通过重构场景集矩阵获得重构后的场景集矩阵，使得重构后的场景集矩阵的秩相关系数矩阵与微气象历史数据矩阵的秩相关系数矩阵相同；
热惯性时间内导线温度预估模块，其用于基于重构的微气象时间序列场景集和热惯性过程起始点处导线温度量测数据，对导线热动态过程进行蒙特卡洛模拟，预估出热惯性时间内导线温度。
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如权利要求1-5中任一项所述的基于重构相关性的导线热动态过程分布预估方法中的步骤。
8.一种电子设备，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如权利要求1-5中任一项所述的基于重构相关性的导线热动态过程分布预估方法中的步骤。
CN202210227508.XA 2021-12-31 2022-03-08 基于重构相关性的导线热动态过程分布预估方法及系统 Active CN114818254B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021116750949 2021-12-31
CN202111675094 2021-12-31

Publications (2)

Publication Number Publication Date
CN114818254A CN114818254A (zh) 2022-07-29
CN114818254B true CN114818254B (zh) 2023-09-08

Family

ID=82528750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210227508.XA Active CN114818254B (zh) 2021-12-31 2022-03-08 基于重构相关性的导线热动态过程分布预估方法及系统

Country Status (1)

Country Link
CN (1) CN114818254B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678439A (zh) * 2015-12-02 2016-06-15 国网山西省电力公司电力科学研究院 基于bp神经网络的输电线路动态增容运行风险评估方法
CN112733354A (zh) * 2020-11-06 2021-04-30 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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678439A (zh) * 2015-12-02 2016-06-15 国网山西省电力公司电力科学研究院 基于bp神经网络的输电线路动态增容运行风险评估方法
CN112733354A (zh) * 2020-11-06 2021-04-30 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

Also Published As

Publication number Publication date
CN114818254A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
Greenwood et al. A comparison of real-time thermal rating systems in the US and the UK
Parker Whose probabilities? Predicting climate change with ensembles of models
Zhang et al. A Bayesian approach for short-term transmission line thermal overload risk assessment
Baker et al. PASLINK and dynamic outdoor testing of building components
Macdonald et al. Assessing uncertainty in building simulation
Krontiris et al. Weather-based loading of overhead lines—Consideration of conductor's heat capacity
CN108804806B (zh) Weibull分布综合应力恒加试验中参数的简化MLE方法
CN107229824A (zh) 光伏电站发电单元功率曲线建模方法及装置
Almutairi et al. Use of MCMC to incorporate a wind power model for the evaluation of generating capacity adequacy
CN112733354B (zh) 一种气象要素时间序列模拟方法、系统、介质及电子设备
CN103106314A (zh) 太阳能光伏电源输出功率的时序概率建模方法
CN112418495A (zh) 一种基于天牛须优化算法和神经网络的建筑能耗预测方法
Kémajou et al. Application of artificial neural network for predicting the indoor air temperature in modern building in humid region
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
Laronde et al. Reliability of photovoltaic modules based on climatic measurement data
Karatasou et al. Detection of low-dimensional chaos in buildings energy consumption time series
CN117039890B (zh) 面向网络攻击检测的配电网预测辅助区间状态估计方法
CN114818254B (zh) 基于重构相关性的导线热动态过程分布预估方法及系统
Gentle et al. Dynamic line rating systems: Research and policy evaluation
CN104850746A (zh) 一种基于四阶龙格-库塔和模拟退火的等值盐密预测方法
CN117370937A (zh) 计及时空相关性的架空线路载流量概率预测方法及系统
Zhu et al. Transient temperature fields of the tank vehicle with various parameters using deep learning method
CN115587664B (zh) 基于图卷积长短期记忆网络的太阳辐射预测方法及系统
CN116011226A (zh) 一种裸露电缆的长周期动态载流量预测方法及系统
Liu et al. Thermal modeling for energy-efficient smart building with advanced overfitting mitigation technique

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