CN115496002B - 一种多维特征交互的线路动态增容方法、系统及介质 - Google Patents

一种多维特征交互的线路动态增容方法、系统及介质 Download PDF

Info

Publication number
CN115496002B
CN115496002B CN202211438022.7A CN202211438022A CN115496002B CN 115496002 B CN115496002 B CN 115496002B CN 202211438022 A CN202211438022 A CN 202211438022A CN 115496002 B CN115496002 B CN 115496002B
Authority
CN
China
Prior art keywords
time
line
module
modal
sequence
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
CN202211438022.7A
Other languages
English (en)
Other versions
CN115496002A (zh
Inventor
王晟玮
刘昕
胡钰林
廖荣涛
王逸兮
李磊
叶宇轩
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 CN202211438022.7A priority Critical patent/CN115496002B/zh
Publication of CN115496002A publication Critical patent/CN115496002A/zh
Application granted granted Critical
Publication of CN115496002B publication Critical patent/CN115496002B/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
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种多维特征交互的线路动态增容方法、系统及介质，方法包括利用线路环境的历史气象数据的时间序列进行延时相减操作，获得时间差序列；针对原时间序列和获得的时间差序列分别通过一个自适应动态卷积AdaConv模块提取其模态特征和时间特征，同时将获得的模态特征和时间特征通过一个双工DT模块实现特征交互；利用双侧通道激活模块处理交互后的特征，得到线路的气温、风速和日照辐射强度预测值；根据热平衡模型和线路安全运行的最高温度解得线路运行的额定值，从而实现线路的动态增容。本申请降低预测误差，最终实现对线路环境参数的准确预测和动态增容。

Description

一种多维特征交互的线路动态增容方法、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，具体涉及一种基于双通道自适应动态卷积的多维特征交互的线路动态增容方法、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。在传统的输电线路中，该额定值是由历史数据统计得出的在不利天气下的一个静态值，在一般天气状况下会影响电路的输电效率。随着区域用电量和电网接入电厂的不断增加，为提高线路的输电效率和安全性，实现输电线路的动态增容（DLR）具有重要意义。
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DLR实质上是根据架空导线的气象数据进行实时计算线路最大容许载流量。而现有的气象数据的获取主要有根据物理、统计和机器学习模型三种方法。物理模型依赖于数值天气预测数据，因此虽然该方法具有良好的准确性，但需要来自卫星的额外图像和云图信息，从而导致更高的操作和计算成本。而统计模型是基于传统的线性回归数学模型，由于线性回归模型在历史气象数据输入和DLR输出之间建立了线性映射，因此该方法不能有效地捕获输入特征和输出之间的非线性关系，导致预测精度较差。为解决上述问题，近年来多种例如支持向量回归等可以产生非线性关系的机器学习的模型被用于DLR中，取得了较好的预测结果，但这些模型依赖于预定的参数和非线性映射，并且气象数据预测是一个时间序列问题，数据在时间和模态上同时存在交互关系，对于传统机器学习方法来说，很难捕获输入和目标值间潜在的非线性映射关系。
发明内容
本申请实施例的目的在于提供一种多维特征交互的线路动态增容方法、系统及介质，降低预测误差，最终实现对线路环境参数的准确预测和动态增容。
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多维特征交互的线路动态增容方法，包括以下具体步骤：
利用线路环境的历史气象数据的时间序列进行延时相减操作，获得时间差序列；
针对原时间序列和获得的时间差序列分别通过一个自适应动态卷积AdaConv模块提取其模态特征和时间特征，同时将获得的模态特征和时间特征通过一个双工DT模块实现特征交互；
利用双侧通道激活模块处理交互后的特征，得到线路的气温、风速和日照辐射强度预测值；
根据热平衡模型和线路安全运行的最高温度解得线路运行的额定值，从而实现线路的动态增容。
所述利用线路环境的历史气象数据的时间序列进行延时相减操作，获得时间差序列，具体为，
获取架空线路所在环境的气温、风速和太阳辐射强度相关气象数据，组成时间序列
Figure 275039DEST_PATH_IMAGE001
，其中
Figure 583923DEST_PATH_IMAGE002
为决定气温、风速和太阳辐射强度数据值的变量维度，
Figure 207671DEST_PATH_IMAGE003
为序列长度，对序列
Figure 38224DEST_PATH_IMAGE004
进行前后相减得到时间差序列
Figure 700893DEST_PATH_IMAGE005
。
所述针对原时间序列和获得的时间差序列分别通过一个自适应动态卷积AdaConv模块提取其模态特征和时间特征具体为，
将
Figure 300501DEST_PATH_IMAGE006
维的输入
Figure 173779DEST_PATH_IMAGE007
和
Figure 226049DEST_PATH_IMAGE008
输入自适应动态卷积AdaConv模块以提取数据的模态特征
Figure 944606DEST_PATH_IMAGE009
和时间特征
Figure 647989DEST_PATH_IMAGE010
，自适应动态卷积AdaConv模块的操作为将
Figure 895431DEST_PATH_IMAGE006
的输入数据与
Figure 700576DEST_PATH_IMAGE011
的卷积核进行卷积操作从而将原始数据映射到决定气象数据值的特征数据层。
将获得的模态特征和时间特征通过一个双工DT模块实现特征交互具体为，首先通过线性变换将模态特征和时间特征的时间通道数变为1：
Figure 973556DEST_PATH_IMAGE012
（1）
然后将变换后的模态特征
Figure 547757DEST_PATH_IMAGE013
和时间特征
Figure 497259DEST_PATH_IMAGE014
分别通过一个多层感知模块MLP用以提取交互特征：
Figure 711071DEST_PATH_IMAGE015
（2）
其中
Figure 37010DEST_PATH_IMAGE016
和
Figure 934559DEST_PATH_IMAGE017
分别为模态特征和时间特征中提取的交互特征，然后将交互特征相加得到编码模块的输出：
Figure 320541DEST_PATH_IMAGE018
（3）。
所述利用双侧通道激活模块处理交互后的特征，得到线路的气温、风速和日照辐射强度预测值具体为，
根据输入的模态特征
Figure 316922DEST_PATH_IMAGE019
和时间特征
Figure 649815DEST_PATH_IMAGE020
得到一致性激活函数：首先对
Figure 385559DEST_PATH_IMAGE019
和
Figure 676863DEST_PATH_IMAGE020
平均池化，将它们压缩到
Figure 678317DEST_PATH_IMAGE021
和
Figure 80479DEST_PATH_IMAGE022
中，1连接
Figure 968932DEST_PATH_IMAGE023
和
Figure 962296DEST_PATH_IMAGE024
，并应用线性变换得到模态时间一致性特征
Figure 388729DEST_PATH_IMAGE025
Figure 101656DEST_PATH_IMAGE027
（4）
其中
Figure 900809DEST_PATH_IMAGE028
为ReLU函数，然后分别使用sigmoid函数将
Figure 611276DEST_PATH_IMAGE029
转换为
Figure 807771DEST_PATH_IMAGE030
和
Figure 654504DEST_PATH_IMAGE031
的通道一致性激活函数
Figure 724091DEST_PATH_IMAGE032
和
Figure 407008DEST_PATH_IMAGE033
：
Figure 485822DEST_PATH_IMAGE034
（5）
使用一致性激活函数处理模态特征
Figure 452641DEST_PATH_IMAGE030
和时间特征
Figure 693129DEST_PATH_IMAGE031
，并将处理后的结果相加得到数据的模态时间融合特征
Figure 378189DEST_PATH_IMAGE035
：
Figure 978803DEST_PATH_IMAGE036
（6）
使用
Figure 65708DEST_PATH_IMAGE037
的卷积和sigmoid函数处理融合特征
Figure 477098DEST_PATH_IMAGE038
得到预测的环境温度
Figure 383874DEST_PATH_IMAGE039
，风速
Figure 538912DEST_PATH_IMAGE040
和太阳辐射强度值
Figure 962546DEST_PATH_IMAGE041
。
所述根据热平衡模型和线路安全运行的最高温度解得线路运行的额定值，从而实现线路的动态增容具体为，
建立架空导线的稳态热平衡模型：
Figure 544837DEST_PATH_IMAGE042
（7）
其中
Figure 204489DEST_PATH_IMAGE043
是环境温度，
Figure 897638DEST_PATH_IMAGE044
是导线温度，
Figure 959135DEST_PATH_IMAGE045
为导线发热量，
Figure 961595DEST_PATH_IMAGE046
为日照吸收量，
Figure 577384DEST_PATH_IMAGE047
为空气对流散射量，
Figure 74225DEST_PATH_IMAGE048
为热辐射散热量，各项的具体计算公式为：
Figure 990228DEST_PATH_IMAGE049
（8）
其中
Figure 914322DEST_PATH_IMAGE050
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，
根据架空导线稳定安全运行的最大温度
Figure 299298DEST_PATH_IMAGE051
，和预测的环境温度
Figure 334250DEST_PATH_IMAGE039
，风速
Figure 104760DEST_PATH_IMAGE040
和太阳辐射强度值
Figure 465334DEST_PATH_IMAGE052
得到导线的额定值，从而实现线路的动态增容，
Figure 55715DEST_PATH_IMAGE053
（9）。
第二方面，本申请实施例提供一种多维特征交互的线路动态增容系统，包括，
时间差序列获取模块，利用线路环境的历史气象数据的时间序列进行延时相减操作，获得时间差序列；
特征提取和交互模块，针对原时间序列和获得的时间差序列分别通过一个自适应动态卷积AdaConv模块提取其模态特征和时间特征，同时将获得的模态特征和时间特征通过一个双工DT模块实现特征交互；
预测值获取模块，利用双侧通道激活模块处理交互后的特征，得到线路的气温、风速和日照辐射强度预测值；
动态增容实现模块，根据热平衡模型和线路安全运行的最高温度解得线路运行的额定值，从而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，实现如上所述的多维特征交互的线路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：
通过自适应动态卷积AdaConv模块构成的模态编码器和时间编码器分别提取数据的模态和时间特征，提高了特征模型的表达能力。同时结合一个双工模块DT实现了特征交互，充分提取特征间非线性关系。并且通过双侧通道激活模块BCA解码交互后的模态时间一致性特征，降低预测误差，最终实现对线路环境参数的准确预测和动态增容。
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为本申请实施例的方法流程图；
图2为本申请实施例的方法实施流程示意图；
图3为本申请实施例的自适应动态卷积AdaConv模块原理图；
图4为本申请实施例的电网动态容量的预测值与实际值对比图；
图5为本申请实施例的系统框图。
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，图1为本申请实施例提供的一种基于双通道自适应动态卷积的多维特征交互的线路动态增容方法，包括以下具体步骤：
S1.利用线路环境的历史气象数据的时间序列进行延时相减操作，获得时间差序列；
S2.针对原时间序列和获得的时间差序列分别通过一个自适应动态卷积AdaConv模块提取其模态特征和时间特征，同时将获得的模态特征和时间特征通过一个双工DT模块实现特征交互；
S3.利用双侧通道激活模块处理交互后的特征，得到线路的气温、风速和日照辐射强度预测值；
S4.根据热平衡模型和线路安全运行的最高温度解得线路运行的额定值，从而实现线路的动态增容。
如图2所示，本申请实施例的具体流程框图，
步骤（1），气象相关数据组成的时间序列和时间差序列的获取：将架空线路所在环境的气温、风速和太阳辐射强度相关数据组成的时间序列
Figure 143626DEST_PATH_IMAGE054
输入到模型中，其中
Figure 768642DEST_PATH_IMAGE055
为决定气温、风速和太阳辐射强度数据值的变量维度，
Figure 300118DEST_PATH_IMAGE056
为序列长度。为了提取序列在时间和模态上的交互特征，模型设置了时间和模态上双流编码处理模块。时间序列作为模态编码器的输入，用以提取每一时刻的数据的模态特征。模型对序列
Figure 377795DEST_PATH_IMAGE057
进行前后相减得到时间差序列
Figure 20129DEST_PATH_IMAGE058
作为时间编码器的输入，用以提取序列的时间特征。
步骤（2），时间编码和模态编码，用以提取序列的时间模态特征和实现特征间的交互。编码层的操作主要分为以下两步：
第一步是基于自适应动态卷积AdaConv的模态特征和时间特征的提取。将
Figure 247455DEST_PATH_IMAGE059
维的输入
Figure 684252DEST_PATH_IMAGE057
和
Figure 514805DEST_PATH_IMAGE060
输入卷积模块以提取数据的模态特征
Figure 695251DEST_PATH_IMAGE061
和时间特征
Figure 294859DEST_PATH_IMAGE062
。卷积模块的操作为将
Figure 417405DEST_PATH_IMAGE059
的输入数据与
Figure 204095DEST_PATH_IMAGE063
的卷积核进行卷积操作从而将原始数据映射到决定气象数据值的特征数据层。
考虑到传统静态卷积核对模型表达能力严重限制的问题，这里采用改进的自适应动态卷积AdaConv的方法进行序列特征的提取，根据注意力模型动态地聚合序列
Figure 188232DEST_PATH_IMAGE056
上并行卷积核，注意力机制会根据输入动态调整每个卷积核的权重，从而生成自适应的动态卷积核。具体做法如图3所示，注意力模型由一个平均池、一个全卷积、一个ReLU函数、一个全卷积和softmax函数依次组成，输入数据
Figure 642347DEST_PATH_IMAGE057
经过注意力模型后生成L组权重
Figure 686526DEST_PATH_IMAGE064
，每个卷积核与对应权重相乘再相加后即可得到的动态卷积核
Figure 711245DEST_PATH_IMAGE065
：
Figure 233494DEST_PATH_IMAGE066
第二步是基于一个双工模块DT的模态特征
Figure 807694DEST_PATH_IMAGE067
和时间特征
Figure 757196DEST_PATH_IMAGE068
的特征交互。我们首先通过线性变换将模态特征和时间特征的时间通道数变为1：
Figure 49637DEST_PATH_IMAGE069
（1）
然后将变换后的模态特征
Figure 624844DEST_PATH_IMAGE070
和时间特征
Figure 53551DEST_PATH_IMAGE071
分别通过一个多层感知模块MLP用以提取交互特征：
Figure 439533DEST_PATH_IMAGE072
（2）
其中
Figure 688112DEST_PATH_IMAGE073
和
Figure 817742DEST_PATH_IMAGE074
分别为模态特征和时间特征中提取的交互特征。然后将交互特征相加得到编码模块的输出：
Figure 848758DEST_PATH_IMAGE075
（3）
步骤（3），通过双侧通道激活模块BCA解码交互后的模态时间一致性特征，得到预测的温度，风速和太阳辐射强度数据，主要分为以下几步：
第一步，根据输入的模态特征
Figure 140062DEST_PATH_IMAGE030
和时间特征
Figure 141516DEST_PATH_IMAGE031
得到一致性激活函数：首先对
Figure 74837DEST_PATH_IMAGE030
和
Figure 212557DEST_PATH_IMAGE031
平均池化，将它们压缩到
Figure 940342DEST_PATH_IMAGE076
和
Figure 412781DEST_PATH_IMAGE077
中，1连接
Figure 149792DEST_PATH_IMAGE078
和
Figure 407598DEST_PATH_IMAGE079
，并应用线性变换得到模态时间一致性特征
Figure 40705DEST_PATH_IMAGE080
Figure 777028DEST_PATH_IMAGE081
（4）
其中
Figure 889341DEST_PATH_IMAGE028
为ReLU函数，然后分别使用sigmoid函数将
Figure 958928DEST_PATH_IMAGE029
转换为
Figure 156691DEST_PATH_IMAGE030
和
Figure 969926DEST_PATH_IMAGE031
的通道一致性激活函数
Figure 936745DEST_PATH_IMAGE032
和
Figure 692080DEST_PATH_IMAGE033
：
Figure 111560DEST_PATH_IMAGE082
（5）
第二步，使用一致性激活函数处理模态特征
Figure 462907DEST_PATH_IMAGE030
和时间特征
Figure 549812DEST_PATH_IMAGE031
，并将处理后的结果相加得到数据的模态时间融合特征
Figure 226781DEST_PATH_IMAGE035
：
Figure 893079DEST_PATH_IMAGE036
（6）
第三步，使用
Figure 313696DEST_PATH_IMAGE037
的卷积和sigmoid函数处理融合特征
Figure 989528DEST_PATH_IMAGE038
得到预测的环境温度
Figure 571819DEST_PATH_IMAGE039
，风速
Figure 231470DEST_PATH_IMAGE040
和太阳辐射强度值
Figure 173887DEST_PATH_IMAGE041
。
步骤4，根据热平衡模型，得到实时的线路额定值
Figure 235384DEST_PATH_IMAGE083
，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 988577DEST_PATH_IMAGE042
（7）
其中
Figure 869945DEST_PATH_IMAGE043
是环境温度，
Figure 632365DEST_PATH_IMAGE044
是导线温度，
Figure 548368DEST_PATH_IMAGE045
为导线发热量，
Figure 223194DEST_PATH_IMAGE046
为日照吸收量，
Figure 326279DEST_PATH_IMAGE047
为空气对流散射量，
Figure 626811DEST_PATH_IMAGE048
为热辐射散热量，各项的具体计算公式为：
Figure 131741DEST_PATH_IMAGE049
（8）
其中
Figure 492315DEST_PATH_IMAGE050
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 331964DEST_PATH_IMAGE051
，和预测的环境温度
Figure 436187DEST_PATH_IMAGE039
，风速
Figure 61203DEST_PATH_IMAGE040
和太阳辐射强度值
Figure 592678DEST_PATH_IMAGE052
得到导线的额定值，从而实现线路的动态增容，
Figure 670356DEST_PATH_IMAGE053
（9）。
本实施例的基于时间模态特征交互的线路动态增容方法，解决线路动态增容领域中对环境气候数据的预测中存在的模型表达能力差，难以揭示时间和模态特征间非线性关系的难题，同时对历史气象数据的时间和模态特征进行了提取，并利用这些特征对进行了线路额定值的预测。基于上述方法，本申请利用NORD POOL提供的no网的2022年10月24日到30日一周24小时的数据作为具体实施例，其中前六天的数据作为训练数据训练学习网络，最后一天的数据作为测试数据用以衡量本申请方法的好坏，最终的电网容量的真实结果、预测结果和误差如图4所示，可以看出，采用本申请的动态增容方法，可以实现较为精确的电网容量动态预测。
如图5所示，本申请实施例提供一种多维特征交互的线路动态增容系统，包括，
时间差序列获取模块100，利用线路环境的历史气象数据的时间序列进行延时相减操作，获得时间差序列；
特征提取和交互模块200，针对原时间序列和获得的时间差序列分别通过一个自适应动态卷积AdaConv模块提取其模态特征和时间特征，同时将获得的模态特征和时间特征通过一个双工DT模块实现特征交互；
预测值获取模块300，利用双侧通道激活模块处理交互后的特征，得到线路的气温、风速和日照辐射强度预测值；
动态增容实现模块400，根据热平衡模型和线路安全运行的最高温度解得线路运行的额定值，从而实现线路的动态增容。
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，实现如上所述的多维特征交互的线路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)

1.一种多维特征交互的线路动态增容方法，其特征在于，包括以下具体步骤：
利用线路环境的历史气象数据的时间序列进行延时相减操作，获得时间差序列；
针对原时间序列和获得的时间差序列分别通过一个自适应动态卷积AdaConv模块提取其模态特征和时间特征，同时将获得的模态特征和时间特征通过一个双工DT模块实现特征交互；
利用双侧通道激活模块处理交互后的特征，得到线路的气温、风速和日照辐射强度预测值；
根据热平衡模型和线路安全运行的最高温度解得线路运行的额定值，从而实现线路的动态增容；
所述利用线路环境的历史气象数据的时间序列进行延时相减操作，获得时间差序列，具体为，
获取架空线路所在环境的气温、风速和太阳辐射强度相关气象数据，组成时间序列
Figure 272900DEST_PATH_IMAGE001
，其中
Figure 455619DEST_PATH_IMAGE002
为决定气温、风速和太阳辐射强度数据值的变量维度，
Figure 517247DEST_PATH_IMAGE003
为序列长度，对序列
Figure 443615DEST_PATH_IMAGE004
进行前后相减得到时间差序列
Figure 523567DEST_PATH_IMAGE005
；
所述针对原时间序列和获得的时间差序列分别通过一个自适应动态卷积AdaConv模块提取其模态特征和时间特征具体为，
将
Figure 877188DEST_PATH_IMAGE006
维的输入
Figure 409800DEST_PATH_IMAGE007
和
Figure 625012DEST_PATH_IMAGE008
输入自适应动态卷积AdaConv模块以提取数据的模态特征
Figure 825049DEST_PATH_IMAGE009
和时间特征
Figure 349571DEST_PATH_IMAGE010
，其中
Figure 635059DEST_PATH_IMAGE011
为特征维度，自适应动态卷积AdaConv模块的操作为将
Figure 637650DEST_PATH_IMAGE006
的输入数据与
Figure 439997DEST_PATH_IMAGE012
的卷积核进行卷积操作从而将原始数据映射到决定气象数据值的特征数据层；
将获得的模态特征和时间特征通过一个双工DT模块实现特征交互具体为，首先通过线性变换将模态特征和时间特征的时间通道数变为1：
Figure 135420DEST_PATH_IMAGE013
（1）
然后将变换后的模态特征
Figure 642625DEST_PATH_IMAGE014
和时间特征
Figure 448907DEST_PATH_IMAGE015
分别通过一个多层感知模块MLP用以提取交互特征：
Figure 623536DEST_PATH_IMAGE016
（2）
其中
Figure 975014DEST_PATH_IMAGE017
和
Figure 235094DEST_PATH_IMAGE018
分别为模态特征和时间特征中提取的交互特征，然后将交互特征相加得到编码模块的输出：
Figure 579488DEST_PATH_IMAGE019
（3）；
所述利用双侧通道激活模块处理交互后的特征，得到线路的气温、风速和日照辐射强度预测值具体为，
根据输入的模态特征
Figure 608624DEST_PATH_IMAGE020
和时间特征
Figure 645850DEST_PATH_IMAGE021
得到一致性激活函数：首先对
Figure 878379DEST_PATH_IMAGE020
和
Figure 26464DEST_PATH_IMAGE021
平均池化，将它们压缩到
Figure 910106DEST_PATH_IMAGE022
和
Figure 118234DEST_PATH_IMAGE023
中，其中
Figure 87327DEST_PATH_IMAGE024
和
Figure 789835DEST_PATH_IMAGE025
分别为平均池化后的模态特征与时间特征，1连接
Figure 793563DEST_PATH_IMAGE024
和
Figure 172592DEST_PATH_IMAGE025
，并应用线性变换得到模态时间一致性特征
Figure 628981DEST_PATH_IMAGE026
Figure 459326DEST_PATH_IMAGE028
（4）
其中
Figure 9256DEST_PATH_IMAGE029
为ReLU函数，然后分别使用sigmoid函数将
Figure 952941DEST_PATH_IMAGE030
转换为
Figure 512099DEST_PATH_IMAGE020
和
Figure 959260DEST_PATH_IMAGE021
的通道一致性激活函数
Figure 430824DEST_PATH_IMAGE031
和
Figure 596226DEST_PATH_IMAGE032
：
Figure 693495DEST_PATH_IMAGE033
（5）
使用一致性激活函数处理模态特征
Figure 526322DEST_PATH_IMAGE020
和时间特征
Figure 152475DEST_PATH_IMAGE021
，并将处理后的结果相加得到数据的模态时间融合特征
Figure 821485DEST_PATH_IMAGE034
：
Figure 456866DEST_PATH_IMAGE035
（6）
使用
Figure 878620DEST_PATH_IMAGE036
的卷积和sigmoid函数处理融合特征
Figure 941254DEST_PATH_IMAGE037
得到预测的环境温度
Figure 81248DEST_PATH_IMAGE038
，风速
Figure 520320DEST_PATH_IMAGE039
和太阳辐射强度值
Figure 812892DEST_PATH_IMAGE040
；
所述根据热平衡模型和线路安全运行的最高温度解得线路运行的额定值，从而实现线路的动态增容具体为，
建立架空导线的稳态热平衡模型：
Figure 312007DEST_PATH_IMAGE041
（7）
其中
Figure 673718DEST_PATH_IMAGE042
是环境温度，
Figure 916480DEST_PATH_IMAGE043
是导线温度，
Figure 47247DEST_PATH_IMAGE044
为导线发热量，
Figure 465066DEST_PATH_IMAGE045
为日照吸收量，
Figure 579652DEST_PATH_IMAGE046
为空气对流散射量，
Figure 94947DEST_PATH_IMAGE047
为热辐射散热量，各项的具体计算公式为：
Figure 893270DEST_PATH_IMAGE048
（8）
其中
Figure 734187DEST_PATH_IMAGE049
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，
根据架空导线稳定安全运行的最大温度
Figure 70491DEST_PATH_IMAGE050
，和预测的环境温度
Figure 655056DEST_PATH_IMAGE038
，风速
Figure 25994DEST_PATH_IMAGE039
和太阳辐射强度值
Figure 522966DEST_PATH_IMAGE051
得到导线的额定值，从而实现线路的动态增容，
Figure 346565DEST_PATH_IMAGE052
（9）。
2.一种多维特征交互的线路动态增容系统，用以实现权利要求1的方法，其特征在于，包括，
时间差序列获取模块，利用线路环境的历史气象数据的时间序列进行延时相减操作，获得时间差序列；
特征提取和交互模块，针对原时间序列和获得的时间差序列分别通过一个自适应动态卷积AdaConv模块提取其模态特征和时间特征，同时将获得的模态特征和时间特征通过一个双工DT模块实现特征交互；
预测值获取模块，利用双侧通道激活模块处理交互后的特征，得到线路的气温、风速和日照辐射强度预测值；
动态增容实现模块，根据热平衡模型和线路安全运行的最高温度解得线路运行的额定值，从而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所述的多维特征交互的线路动态增容方法的步骤。
CN202211438022.7A 2022-11-16 2022-11-16 一种多维特征交互的线路动态增容方法、系统及介质 Active CN115496002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211438022.7A CN115496002B (zh) 2022-11-16 2022-11-16 一种多维特征交互的线路动态增容方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211438022.7A CN115496002B (zh) 2022-11-16 2022-11-16 一种多维特征交互的线路动态增容方法、系统及介质

Publications (2)

Publication Number Publication Date
CN115496002A CN115496002A (zh) 2022-12-20
CN115496002B true CN115496002B (zh) 2023-02-24

Family

ID=85115996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211438022.7A Active CN115496002B (zh) 2022-11-16 2022-11-16 一种多维特征交互的线路动态增容方法、系统及介质

Country Status (1)

Country Link
CN (1) CN115496002B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012035433A2 (en) * 2010-09-17 2012-03-22 Nexans System and method for power grid management
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
CN106684864A (zh) * 2016-12-29 2017-05-17 武汉大学 一种基于botdr测温技术的架空线路动态增容方法
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
CN114707426A (zh) * 2022-04-29 2022-07-05 广西电网有限责任公司南宁供电局 一种基于多源数据融合的线路动态增容方法
CN114996912A (zh) * 2022-05-09 2022-09-02 国网宁夏电力有限公司电力科学研究院 基于气象信息的电网输电断面动态增容评估方法及系统
CN115293258A (zh) * 2022-08-02 2022-11-04 国网山西省电力公司晋中供电公司 一种输电线路导线覆冰监测分析方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140163884A1 (en) * 2012-12-10 2014-06-12 Universite De Liege Method and system for the determination of wind speeds and incident radiation parameters of overhead power lines
US20180005109A1 (en) * 2016-05-25 2018-01-04 Harold Szu Deep Learning Neuromorphic Engineering
CN110321601B (zh) * 2019-06-14 2021-03-26 山东大学 一种架空线路动态载流能力超前预测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012035433A2 (en) * 2010-09-17 2012-03-22 Nexans System and method for power grid management
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
CN106684864A (zh) * 2016-12-29 2017-05-17 武汉大学 一种基于botdr测温技术的架空线路动态增容方法
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
CN114707426A (zh) * 2022-04-29 2022-07-05 广西电网有限责任公司南宁供电局 一种基于多源数据融合的线路动态增容方法
CN114996912A (zh) * 2022-05-09 2022-09-02 国网宁夏电力有限公司电力科学研究院 基于气象信息的电网输电断面动态增容评估方法及系统
CN115293258A (zh) * 2022-08-02 2022-11-04 国网山西省电力公司晋中供电公司 一种输电线路导线覆冰监测分析方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FOSS S D, et al..Dynamic thermal line ratings *
part I:dynamic ampacity rating algorithm.《IEEE Transactions on Power Apparatus Systems》.1983, *
基于热稳定约束的架空导线增容计算研究;马晓明等;《电力系统保护与控制》;20120716;第40卷(第14期);92-97 *

Also Published As

Publication number Publication date
CN115496002A (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN110321601B (zh) 一种架空线路动态载流能力超前预测方法及系统
AU2014389497B2 (en) Combing multiple trending models for photovoltaic plant output forecasting
CN111126558B (zh) 一种卷积神经网络计算加速方法及装置、设备、介质
CN109521994A (zh) 乘法硬件电路、片上系统及电子设备
CN103971167B (zh) 预测光伏发电设备的发电功率的方法和系统
Liew et al. Streaming dynamic mode decomposition for short‐term forecasting in wind farms
CN115496002B (zh) 一种多维特征交互的线路动态增容方法、系统及介质
CN113776122A (zh) 供热控制方法、装置、设备、介质和产品
CN109086819A (zh) caffemodel模型压缩方法、系统、设备及介质
CN117036101A (zh) 基于联邦学习的虚拟电厂居民需求响应预测方法及系统
JP7414357B2 (ja) テキスト処理方法、装置、デバイス及びコンピュータ読み取り可能な記憶媒体
CN115545361B (zh) 一种电网传输线路气候环境预测方法、系统及介质
Guo et al. A new approach for interval forecasting of photovoltaic power based on generalized weather classification
Wang et al. Wind power prediction based on nonlinear partial least square
CN111859802B (zh) 一种架空导线稳态温度计算方法、系统以及设备
CN115189863A (zh) 一种基于区块链网络架构电商交易信息管理系统
CN109472408A (zh) 一种火力发电机组冷端管理平台优化调节系统
CN114971007A (zh) 基于多尺度图卷积神经网络的光伏发电预测方法及系统
CN115579887B (zh) 一种传输线路动态增容方法、系统及介质
Wei et al. Using a model structure selection technique to forecast short-term wind speed for a wind power plant in North China
CN110768294B (zh) 一种分布式电源随机调度方法和装置
CN115438591A (zh) 一种平衡多连接线路损耗的动态增容方法、系统及介质
CN111769587A (zh) 一种光伏发电参与的电网调频控制方法和装置
CN113988491B (zh) 光伏短期功率预测方法、装置、电子设备及存储介质
CN116108989B (zh) 一种风电超短期功率预测方法、系统、存储介质及设备

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