CN115438591B - 一种平衡多连接线路损耗的动态增容方法、系统及介质 - Google Patents

一种平衡多连接线路损耗的动态增容方法、系统及介质 Download PDF

Info

Publication number
CN115438591B
CN115438591B CN202211387838.1A CN202211387838A CN115438591B CN 115438591 B CN115438591 B CN 115438591B CN 202211387838 A CN202211387838 A CN 202211387838A CN 115438591 B CN115438591 B CN 115438591B
Authority
CN
China
Prior art keywords
line
meteorological data
conditional probability
data
distribution
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
CN202211387838.1A
Other languages
English (en)
Other versions
CN115438591A (zh
Inventor
李磊
周正
胡钰林
廖荣涛
王逸兮
叶宇轩
王晟玮
胡欢君
李想
张剑
宁昊
董亮
刘芬
郭岳
罗弦
张岱
陈家璘
冯浩
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.)
Wuhan University WHU
Information and Telecommunication Branch of State Grid Hubei Electric Power Co Ltd
Original Assignee
Wuhan University WHU
Information and Telecommunication Branch of State Grid Hubei 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 Wuhan University WHU, Information and Telecommunication Branch of State Grid Hubei Electric Power Co Ltd filed Critical Wuhan University WHU
Priority to CN202211387838.1A priority Critical patent/CN115438591B/zh
Publication of CN115438591A publication Critical patent/CN115438591A/zh
Application granted granted Critical
Publication of CN115438591B publication Critical patent/CN115438591B/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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及一种平衡多连接线路损耗的动态增容方法、系统及介质，方法包括利用一个LSTM网络训练历史气象数据得到预测线路数据的条件概率分布的分布参数；进一步利用训练后的LSTM网络气象数据的条件概率分布的分布参数得到气象数据的分布函数，实现对线路所处环境的气象数据的预测；根据预测的气象数据，基于热平衡模型得到实时的线路额定值；根据各输电线的额定值和输电区域所需的载流量，建立以最小化输电损耗为目标的优化问题，通过求解该问题实现线路的动态增容。本申请在传统动态增容方案的基础上，充分考虑了线路的输电损耗，通过合理规划各输电线路的载流量，在保证各供电区域的载流量需求的情况下最小化线路的输电损耗。

Description

一种平衡多连接线路损耗的动态增容方法、系统及介质
技术领域
本申请涉及能源互联网电路线路动态增容领域，具体涉及一种平衡多连接线路损耗的动态增容方法、系统及介质。
背景技术
在地区电网中，为了保证输电线路的安全可靠运行，线路中传输的电流常常受到一个线路额定值的约束。架空导线的额定值与气象条件密切相关，在给定线路运行的最大温度条件下，主要由气温、风速和太阳辐射强度决定，因此线路的动态增容实质上是通过对架空导线的气象数据进行预测从而实时计算线路最大容许载流量。气象数据属于时序数据，而现有的时序数据的预测主要基于支持向量回归，RNN和LSTM等机器学习的模型，上述基于机器学习模型的时序数据的预测方法可以很好的捕获输入特征和输出之间的非线性关系，从而提高预测的精度。然而，不同于传统时序数据间存在的强关联性和数据平滑变化特性，气象数据因受多方面因素的影响，会存在不符合变化趋势的“跳变”现象（尤其是极端恶劣天气下），从而极大影响线路载流量的预测。在对气象数据的预测中，提高模型对极端恶劣天气发生概率的表达能力是提高线路载流量预测精度的关键。
同时，目前的线路增容方法大多只考虑最大化线路的载流量，忽视了载流量的提高对线路传输损耗的影响。在实际输电场景中，输电区域的用电需求大多低于输电线路的额定值，单纯地将输电线路的载流量保持在额定值，会大大增加线路损耗。从环保和经济效益的角度出发，线路的动态增容方法应当同时考虑平衡传输损耗。
发明内容
本申请实施例的目的在于提供一种平衡多连接线路损耗的动态增容方法、系统及介质，克服了利用传统时序数据预测方法对气象数据进行预测时存在的对极端突变天气状态预测误差大的问题，提高了模型的表达能力。
为实现上述目的，本申请提供如下技术方案：
第一方面，本申请实施例提供一种平衡多连接线路损耗的动态增容方法，包括以下具体步骤：
利用一个LSTM网络训练历史气象数据得到预测线路数据的条件概率分布的分布参数；
进一步利用训练后的LSTM网络气象数据的条件概率分布的分布参数得到气象数据的分布函数，实现对线路所处环境的气象数据的预测；
根据预测的气象数据，基于热平衡模型得到实时的线路额定值；
根据各输电线的额定值和输电区域所需的载流量，建立以最小化输电损耗为目标的优化问题，通过求解该问题实现线路的动态增容。
所述利用一个LSTM网络训练历史气象数据得到预测线路数据的条件概率分布的分布参数，包括以下操作：
利用历史气象数据训练LSTM网络得到模型的训练输出
Figure 131795DEST_PATH_IMAGE001
和模型参数/>
Figure 610181DEST_PATH_IMAGE002
；
根据高斯噪声模型建立气象数据的条件概率分布函数表达式；
根据梯度下降法求解条件概率分布函数的表达式，得到气象数据的条件概率分布的分布参数。
所述利用训练后的LSTM网络气象数据的条件概率分布的分布参数得到气象数据的分布函数，实现对线路所处环境的气象数据的预测，包括以下操作：
利用当前时刻气象数据和LSTM网络的模型参数
Figure 191335DEST_PATH_IMAGE002
得到模型的预测输出/>
Figure 729764DEST_PATH_IMAGE003
；
根据模型的预测输出
Figure 130789DEST_PATH_IMAGE003
和气象数据的条件概率分布的分布参数得到下一时刻的气象数据的条件概率分布，实现线路所处环境的气象数据的预测。
所述根据热平衡模型，得到实时的线路额定值：
建立架空导线的稳态热平衡模型；
根据架空导线稳定安全运行的最大温度、预测的环境温度
Figure 412866DEST_PATH_IMAGE004
，风速/>
Figure 845597DEST_PATH_IMAGE005
和太阳辐射强度值/>
Figure 554927DEST_PATH_IMAGE006
得到线路的额定值。
所述根据各输电线的额定值和输电区域所需的载流量，建立以最小化输电损耗为目标的优化问题，通过求解该问题实现线路的动态增容：
根据架空导线的稳态热平衡模型得到导线载流量为
Figure 708828DEST_PATH_IMAGE007
时的导线温度/>
Figure 529016DEST_PATH_IMAGE008
、单位长度的导线电阻/>
Figure 819183DEST_PATH_IMAGE009
和线路输电损耗/>
Figure 964994DEST_PATH_IMAGE010
；
以各线路的载流量为优化变量，最小化总输电损耗为优化目标，在线路载流量小于额定值情况下满足各区域的输电需求为约束建立平衡多连接线路损耗的优化问题，通过求解该问题实现线路的动态增容。
第二方面，本申请实施例提供一种平衡多连接线路损耗的动态增容系统，包括，
气象数据分布函数获取模块，利用一个LSTM网络训练历史气象数据得到预测线路数据的条件概率分布的分布参数；
气象数据预测模块，进一步利用训练后的LSTM网络气象数据的条件概率分布的分布参数得到气象数据的分布函数，实现对线路所处环境的气象数据的预测；
线路额定值获取模块，根据预测的气象数据，基于热平衡模型得到实时的线路额定值；
动态增容实现模块，根据各输电线的额定值和输电区域所需的载流量，建立以最小化输电损耗为目标的优化问题，通过求解该问题实现线路的动态增容。
第三方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有程序代码，所述程序代码被处理器执行时，实现如上所述的平衡多连接线路损耗的动态增容方法的步骤。
与现有技术相比，本发明的有益效果是：
在传统的预测网络的基础上引入一个当前时刻气象数据关于之前时刻气象数据的条件概率分布模型，通过LSTM网络训练得到该条件概率分布的模型参数，从而得到气象数据的条件概率分布，克服了利用传统时序数据预测方法对气象数据进行预测时存在的对极端突变天气状态预测误差大的问题，提高了模型的表达能力。同时，在传统动态增容方案的基础上，充分考虑了线路的输电损耗，通过合理规划各输电线路的载流量，在保证各供电区域的载流量需求的情况下最小化线路的输电损耗。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例的多连接输电系统模型图；
图2为本申请实施例的方法流程示意图；
图3为本申请实施例的基于条件概率长短期记忆网络的平衡多连接线路损耗的动态增容方法流程图；
图4为本申请实施例的利用条件概率长短期记忆网络进行气象数据预测的训练原理图；
图5为本申请实施例的利用条件概率长短期记忆网络进行气象数据预测的预测原理图；
图6为本申请实施例的系统框图；
图7为本申请实施例相对于基准方案的传输损耗对比图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
参照图1，本申请实施例提供的图1为多连接输电系统模型图，输电系统包括两个输电区域，其所需要提供的载流量分别为
Figure 340611DEST_PATH_IMAGE011
和/>
Figure 964491DEST_PATH_IMAGE012
，针对两个输电区域的用电需求，供电网络主要通过两个主节点分别对其供电，供电线路分别为Line1和Line4。同时考虑到电流分流和补充供电需求，存在一个次节点分别通过Line2和Lin3线路对两个供电区域进行补充供电。四条供电线路的载流量分别为/>
Figure 377673DEST_PATH_IMAGE013
。/>
参照图2，图2为本申请实施例的一种平衡多连接线路损耗的动态增容方法流程图。
S1.利用一个LSTM网络训练历史气象数据得到预测线路数据的条件概率分布的分布参数；
S2.进一步利用训练后的LSTM网络气象数据的条件概率分布的分布参数得到气象数据的分布函数，实现对线路所处环境的气象数据的预测；
S3.根据预测的气象数据，基于热平衡模型得到实时的线路额定值；
S4.根据各输电线的额定值和输电区域所需的载流量，建立以最小化输电损耗为目标的优化问题，通过求解该问题实现线路的动态增容。
如图3，具体为一种基于条件概率长短期记忆网络的平衡多连接线路损耗的动态增容方法流程图，该流程图展示了使用基于条件概率长短期记忆网络的平衡多连接线路损耗的动态增容方法的实施步骤。
步骤（1），通过输电线所处环境的历史气象数据得到输电线所处环境的气象数据关于历史气象数据的条件概率分布，实现对气象数据的预测。主要分为以下几步（以第
Figure 428806DEST_PATH_IMAGE014
条输电线的数据为例）：
第一步是利用图4所示长短期记忆网络（LSTM）训练输电线的历史气象数据，得到网络的输出
Figure 291719DEST_PATH_IMAGE015
和网络参数/>
Figure 719290DEST_PATH_IMAGE016
。记第/>
Figure 984049DEST_PATH_IMAGE014
条输电线所在环境的气温、风速和太阳辐射强度组成的历史气象数据的抽样值为/>
Figure 471662DEST_PATH_IMAGE017
，模型的协变量为
Figure 87451DEST_PATH_IMAGE018
。将历史气象数据的抽样值/>
Figure 787554DEST_PATH_IMAGE019
和协变量/>
Figure 172399DEST_PATH_IMAGE020
作为训练数据用以训练LSTM网络，从而得到LSTM每一层网络的输出/>
Figure 565334DEST_PATH_IMAGE021
和网络参数/>
Figure 399911DEST_PATH_IMAGE016
，以及由训练后的网络的特征函数/>
Figure 169283DEST_PATH_IMAGE022
，网络之间的输出满足：
Figure 143056DEST_PATH_IMAGE023
（1）
第二步是得到气象数据关于历史气象数据的条件概率分布：首先基于高斯噪声模型建立数据相关性的似然函数，：
Figure 972471DEST_PATH_IMAGE024
（2）
其中：
Figure 297273DEST_PATH_IMAGE025
（3）
即似然函数可写为
Figure 604758DEST_PATH_IMAGE026
，其中/>
Figure 964195DEST_PATH_IMAGE027
，/>
Figure 964512DEST_PATH_IMAGE028
分别为气象数据分布期望的线性调整项和常数调整项，/>
Figure 511031DEST_PATH_IMAGE029
，/>
Figure 613418DEST_PATH_IMAGE030
分别为气象数据分布方差的线性调整项和常数调整项。/>
Figure 827361DEST_PATH_IMAGE031
时刻的气象数据关于之前时间的气象数据的条件概率为：
Figure 733000DEST_PATH_IMAGE032
（4）
将该函数进行对数化可得其对数似然函数：
Figure 32395DEST_PATH_IMAGE033
（5）
通过梯度下降法求得该函数的极值，极值所对应的
Figure 416103DEST_PATH_IMAGE034
即为气象数据关于历史气象数据的条件概率分布的分布参数。
第三步，根据训练的LSTM网络参数
Figure 484553DEST_PATH_IMAGE016
和条件概率分布的分布参数，对未来一段时间内线路所在区域的气象数据进行预测，得到预测的环境气象数据/>
Figure 826672DEST_PATH_IMAGE035
，进一步得到第/>
Figure 347784DEST_PATH_IMAGE014
条导线所处环境的温度，风速和太阳辐射强度条件概率分布的期望值，温度/>
Figure 800762DEST_PATH_IMAGE036
，风速/>
Figure 720789DEST_PATH_IMAGE037
和太阳辐射强度值/>
Figure 233810DEST_PATH_IMAGE038
。具体做法如图5的预测阶段所示，首先记/>
Figure 242217DEST_PATH_IMAGE039
时刻预测的气象数据概率分布为/>
Figure 233307DEST_PATH_IMAGE040
（初始预测时刻的气象数据概率分布使用训练阶段最后的概率分布输出），对应预测的气象数据的分布期望为/>
Figure 276349DEST_PATH_IMAGE041
，然后将/>
Figure 960271DEST_PATH_IMAGE041
下一时刻的协变量/>
Figure 190395DEST_PATH_IMAGE042
与本时刻LSTM网络的输出/>
Figure 250755DEST_PATH_IMAGE043
作为LSTM网络的输入根据（1）式得到下一时刻网络输出/>
Figure 148304DEST_PATH_IMAGE044
，进一步根据（2）-（4）式得到下一时刻预测的气象数据的概率分布/>
Figure 740478DEST_PATH_IMAGE045
，从而实现对线路所处环境的温度/>
Figure 989057DEST_PATH_IMAGE046
，风速/>
Figure 321949DEST_PATH_IMAGE047
和太阳辐射强度值/>
Figure 808425DEST_PATH_IMAGE048
的预测。
步骤（2），在线路安全运行的最高温度
Figure 99729DEST_PATH_IMAGE049
上建立热平衡模型，并根据热平衡模型求得各线路实时的线路额定值/>
Figure 570025DEST_PATH_IMAGE050
。
根据热平衡模型，得到实时的线路额定值
Figure 441029DEST_PATH_IMAGE050
，从而实现线路的动态增容。该部分的操作主要分为以下几步：
第一步，建立架空导线的稳态热平衡模型：
Figure 313170DEST_PATH_IMAGE051
（6）
其中
Figure 509796DEST_PATH_IMAGE052
是环境温度，/>
Figure 198879DEST_PATH_IMAGE053
是导线温度，/>
Figure 139153DEST_PATH_IMAGE054
为导线发热量，/>
Figure 865801DEST_PATH_IMAGE055
为日照吸收量，/>
Figure 233328DEST_PATH_IMAGE056
为空气对流散射量，/>
Figure 412637DEST_PATH_IMAGE057
为热辐射散热量，各项的具体计算公式为：/>
Figure 891023DEST_PATH_IMAGE058
（7）
其中
Figure 472177DEST_PATH_IMAGE059
分别为日照升温系数，对流散热系数，风力指数和热辐射系数。
第二步，根据架空导线稳定安全运行的最大温度
Figure 276185DEST_PATH_IMAGE060
，和预测的环境的温度/>
Figure 677210DEST_PATH_IMAGE061
，风速/>
Figure 973935DEST_PATH_IMAGE062
和太阳辐射强度值/>
Figure 675175DEST_PATH_IMAGE063
，得到第/>
Figure 118926DEST_PATH_IMAGE014
条导线的动态额定值为：
Figure 538406DEST_PATH_IMAGE064
（8）。
步骤（3），根据各供电线路的动态额定值和各供电区域内所需要的载流量，以最小化线路的总输电损耗为目标建立一个以各线路载流量为优化变量的优化问题，通过解该问题得到各输电线路的动态载流量，实现线路的动态增容。首先记第
Figure 624174DEST_PATH_IMAGE065
条导线的长度为/>
Figure 130985DEST_PATH_IMAGE066
，当其载流量为/>
Figure 480058DEST_PATH_IMAGE067
时的温度导线温度为/>
Figure 855676DEST_PATH_IMAGE068
，/>
Figure 479555DEST_PATH_IMAGE069
的值可通过热平衡方程（6）求得，则第/>
Figure 889808DEST_PATH_IMAGE014
条导线的输电损耗为/>
Figure 940940DEST_PATH_IMAGE070
。进一步以最小化线路的总输电损耗为目标建立一个以各线路载流量为优化变量的优化问题
Figure 69433DEST_PATH_IMAGE071
(9a)
Figure 497004DEST_PATH_IMAGE072
(9b)
Figure 764692DEST_PATH_IMAGE073
(9c)
Figure 252306DEST_PATH_IMAGE074
（9d）
通过解该问题得到各输电线路的动态载流量，实现考虑到线路损耗下的线路的动态增容。
如图6，本申请实施例提供一种平衡多连接线路损耗的动态增容系统，包括，
气象数据分布函数获取模块100，利用一个LSTM网络训练历史气象数据得到预测线路数据的条件概率分布的分布参数；
气象数据预测模块200，进一步利用训练后的LSTM网络气象数据的条件概率分布的分布参数得到气象数据的分布函数，实现对线路所处环境的气象数据的预测；
线路额定值获取模块300，根据预测的气象数据，基于热平衡模型得到实时的线路额定值；
动态增容实现模块400，根据各输电线的额定值和输电区域所需的载流量，建立以最小化输电损耗为目标的优化问题，通过求解该问题实现线路的动态增容。
以Nord Pool在2022年10月23日的no网络和se网络的电网数据作为测试数据，本申请所述的方法下输电损耗比与只考虑满足输电要求的基准方案的传输损耗对比如图7所示，可以看出采用本申请所述的方法，在实现动态增容的同时，相对于基准方案可以显著降低线路的传输损耗10%-20%。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有程序代码，所述程序代码被处理器执行时，实现如上所述的平衡多连接线路损耗的动态增容方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (3)

1.一种平衡多连接线路损耗的动态增容方法，其特征在于，包括以下具体步骤：
利用一个LSTM网络训练历史气象数据得到预测线路数据的条件概率分布的分布参数；
进一步利用训练后的LSTM网络气象数据的条件概率分布的分布参数得到气象数据的分布函数，实现对线路所处环境的气象数据的预测；
根据预测的气象数据，基于热平衡模型得到实时的线路额定值；
根据各输电线的额定值和输电区域所需的载流量，建立以最小化输电损耗为目标的优化问题，通过求解该问题实现线路的动态增容；
所述利用一个LSTM网络训练历史气象数据得到预测线路数据的条件概率分布的分布参数，包括以下操作：
利用历史气象数据训练LSTM网络得到模型的训练输出
Figure 428376DEST_PATH_IMAGE001
和模型参数
Figure 110024DEST_PATH_IMAGE002
；
根据高斯噪声模型建立气象数据的条件概率分布函数表达式；
根据梯度下降法求解条件概率分布函数的表达式，得到气象数据的条件概率分布的分布参数；
所述利用训练后的LSTM网络气象数据的条件概率分布的分布参数得到气象数据的分布函数，实现对线路所处环境的气象数据的预测，包括以下操作：
利用当前时刻气象数据和LSTM网络的模型参数
Figure 691179DEST_PATH_IMAGE002
得到模型的预测输出
Figure 964028DEST_PATH_IMAGE003
；
根据模型的预测输出
Figure 129168DEST_PATH_IMAGE003
和气象数据的条件概率分布的分布参数得到下一时刻的气象数据的条件概率分布，实现线路所处环境的气象数据的预测；
根据热平衡模型，得到实时的线路额定值：
建立架空导线的稳态热平衡模型；
根据架空导线稳定安全运行的最大温度、预测的环境温度
Figure 929021DEST_PATH_IMAGE004
，风速
Figure 771206DEST_PATH_IMAGE005
和太阳辐射强度值
Figure 979071DEST_PATH_IMAGE006
得到线路的额定值；
所述根据各输电线的额定值和输电区域所需的载流量，建立以最小化输电损耗为目标的优化问题，通过求解该问题实现线路的动态增容：
根据架空导线的稳态热平衡模型得到导线载流量为
Figure 726448DEST_PATH_IMAGE007
时的导线温度
Figure 546636DEST_PATH_IMAGE008
、单位长度的导线电阻
Figure 571224DEST_PATH_IMAGE009
和线路输电损耗
Figure 185876DEST_PATH_IMAGE010
；
以各线路的载流量为优化变量，最小化总输电损耗为优化目标，在线路载流量小于额定值情况下满足各区域的输电需求为约束建立平衡多连接线路损耗的优化问题，通过求解该问题实现线路的动态增容。
2.一种平衡多连接线路损耗的动态增容系统，用以实现如权利要求1所述的方法，其特征在于，包括，
气象数据分布函数获取模块，利用一个LSTM网络训练历史气象数据得到预测线路数据的条件概率分布的分布参数；
气象数据预测模块，进一步利用训练后的LSTM网络气象数据的条件概率分布的分布参数得到气象数据的分布函数，实现对线路所处环境的气象数据的预测；
线路额定值获取模块，根据预测的气象数据，基于热平衡模型得到实时的线路额定值；
动态增容实现模块，根据各输电线的额定值和输电区域所需的载流量，建立以最小化输电损耗为目标的优化问题，通过求解该问题实现线路的动态增容。
3.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序代码，所述程序代码被处理器执行时，实现如权利要求1所述的平衡多连接线路损耗的动态增容方法的步骤。
CN202211387838.1A 2022-11-07 2022-11-07 一种平衡多连接线路损耗的动态增容方法、系统及介质 Active CN115438591B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211387838.1A CN115438591B (zh) 2022-11-07 2022-11-07 一种平衡多连接线路损耗的动态增容方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211387838.1A CN115438591B (zh) 2022-11-07 2022-11-07 一种平衡多连接线路损耗的动态增容方法、系统及介质

Publications (2)

Publication Number Publication Date
CN115438591A CN115438591A (zh) 2022-12-06
CN115438591B true CN115438591B (zh) 2023-03-24

Family

ID=84252183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211387838.1A Active CN115438591B (zh) 2022-11-07 2022-11-07 一种平衡多连接线路损耗的动态增容方法、系统及介质

Country Status (1)

Country Link
CN (1) CN115438591B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104269925A (zh) * 2014-09-22 2015-01-07 广州供电局有限公司 输电线路动态增容温度监测系统及其监测方法
CN114970123A (zh) * 2022-05-10 2022-08-30 中国电力科学研究院有限公司 导线温度计算模型的构建方法、增容方法、系统及设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6597144B2 (en) * 2000-06-21 2003-07-22 Whirlpool Corporation Method and apparatus for power loss detection and saving of operation settings in an appliance
CN102810859B (zh) * 2012-07-11 2015-04-22 广东电网公司电力科学研究院 一种基于天气预报的架空输电线路最大载流容量预测方法
CN112733354B (zh) * 2020-11-06 2022-10-18 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
CN114021300A (zh) * 2021-07-14 2022-02-08 河海大学 一种架空输电线路动态增容概率性预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104269925A (zh) * 2014-09-22 2015-01-07 广州供电局有限公司 输电线路动态增容温度监测系统及其监测方法
CN114970123A (zh) * 2022-05-10 2022-08-30 中国电力科学研究院有限公司 导线温度计算模型的构建方法、增容方法、系统及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于改进梯度提升算法的短期风电功率概率预测;庞传军;《电力系统自动化》;20220302;第198-206页 *
架空线路动态增容等效换热稳态模型的误差分析及改进;骆书剑;《电工电能新技术》;20211123;第72-80页 *

Also Published As

Publication number Publication date
CN115438591A (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN111092429B (zh) 一种柔性互联配电网的优化调度方法、存储介质及处理器
Alsharkawi et al. Towards an improved gain scheduling predictive control strategy for a solar thermal power plant
Sun et al. An improved harmony search algorithm for power distribution network planning
CN117096504B (zh) 温度控制方法及装置、设备、存储介质
CN114221351B (zh) 电压无功调节方法、装置、终端及存储介质
CN113849052B (zh) 基于人工智能的机房温度预测方法及系统
Mathew et al. Analysis of wind regimes and performance of wind turbines
CN115438591B (zh) 一种平衡多连接线路损耗的动态增容方法、系统及介质
Ansarian et al. Optimum generation dispatching of distributed resources in smart grids
Kumar et al. Improving the dynamic response of frequency and power in a wind integrated power system by optimal design of compensated superconducting magnetic energy storage
He et al. Electrical load forecasting based on self-adaptive chaotic neural network using Chebyshev map
CN114662347B (zh) 一种实时电力市场下线路动态定容的方法、装置和系统
Beschi et al. On reduction of control effort in feedback linearization GPC strategy applied to a solar furnace
CN115579955A (zh) 一种基于神经网络预测的配电网光伏消纳能力评估方法
Notton et al. Solar radiation forecasting for smart building applications
Behm et al. Forecasting long-term electricity demand time series using artificial neural networks
JP4869503B2 (ja) 太陽電池発電量シミュレータ
CN115496002B (zh) 一种多维特征交互的线路动态增容方法、系统及介质
Arai et al. Development of simple estimation model for aggregated residential load by using temperature data in multi-region
JP2003005849A (ja) 太陽電池発電システムシミュレータ
CN113812052A (zh) 用于动态预测、聚合、和验证的装置和方法
CN111769587A (zh) 一种光伏发电参与的电网调频控制方法和装置
Hassan et al. An online self recurrent direct adaptive neuro-fuzzy wavelet based control of photovoltaic systems
CN117293916B (zh) 一种面向用户的电网调度方法及装置、计算设备
Majeed et al. Hourly load forecasting using sequence-to-sequence LSTM-based deep machine learning model

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