FR3083380A1 - Ampacite des lignes aeriennes basee sur les previsions - Google Patents

Ampacite des lignes aeriennes basee sur les previsions Download PDF

Info

Publication number
FR3083380A1
FR3083380A1 FR1856090A FR1856090A FR3083380A1 FR 3083380 A1 FR3083380 A1 FR 3083380A1 FR 1856090 A FR1856090 A FR 1856090A FR 1856090 A FR1856090 A FR 1856090A FR 3083380 A1 FR3083380 A1 FR 3083380A1
Authority
FR
France
Prior art keywords
capacity
model
transport capacity
forecast
transport
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.)
Granted
Application number
FR1856090A
Other languages
English (en)
Other versions
FR3083380B1 (fr
Inventor
Romain Dupin
Andrea Michiorri
Georges Kariniotakis
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.)
Association pour la Recherche et le Developpement des Methodes et Processus Industriels
Original Assignee
Association pour la Recherche et le Developpement des Methodes et Processus Industriels
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 Association pour la Recherche et le Developpement des Methodes et Processus Industriels filed Critical Association pour la Recherche et le Developpement des Methodes et Processus Industriels
Priority to FR1856090A priority Critical patent/FR3083380B1/fr
Publication of FR3083380A1 publication Critical patent/FR3083380A1/fr
Application granted granted Critical
Publication of FR3083380B1 publication Critical patent/FR3083380B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution 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"
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02G—INSTALLATION OF ELECTRIC CABLES OR LINES, OR OF COMBINED OPTICAL AND ELECTRIC CABLES OR LINES
    • H02G1/00—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines
    • H02G1/02—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines for overhead lines or cables
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • 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
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Power Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

L'invention concerne un procédé de prévision de la capacité maximale de transport de courant électrique, consistant: - à préparer au moins un modèle mathématique représentatif de la capacité de transport en fonction d'une pluralité de variables météorologiques - à enregistrer les données historiques représentatives de la capacité de transport de la ligne considérée - à enregistrer l'évolution historique des variables réelles ou estimées météorologiques - à estimer la capacité de transport prévisionnelle par l'injection desdites données historiques dans ledit modèle prédictif.

Description

AMPACITE DES LIGNES AERIENNES BASEE SUR LES PREVISIONS Domaine de 1'invention
La présente mesure concerne le domaine de la prévision de la capacité de transport d'énergie électrique d'un équipement électrique tel qu'une ligne haute tension aérienne, ou enterrée ou encore le bobinage d'un transformateur.
La capacité de transport, parfois désignée par le terme « ampacité » formé par la contraction entre « ampère » et « capacité », lorsqu'il concerne les lignes du réseau électrique, est parfois associé au sigle IMAP (intensité maximale admissible en permanence) pour désigner le courant permanent, dans les limites maximales de température et de vent supposées, dans le cas d'une alimentation de secours de longue durée. De façon équivalente, le sigle 1ST (intensité de secours temporaire) est employé pour désigner l'intensité maximale transportée, dans des conditions définies de cycle et de température, sans limite dans le temps.
La capacité de transport (courant maximum) d'un équipement électrique est exprimée en ampères. Cette capacité est liée à 1'échauffement des conducteurs par effet Joule. Elle dépend du type de conducteur et de sa localisation.
Pour une ligne aérienne, l'intensité maximum du courant dans le câble doit être contrôlée pour que la flèche maximum admissible de la chaînette ne touche pas la végétation et ne se rapproche trop des activités humaines. Il faut aussi tenir compte des conditions météorologiques maximales (température, vent, etc.) — qui ont également une influence sur la température du conducteur et sur son allongement par dilatation thermique — et de la dégradation de 1'installation au fil du temps.
Pour les câbles enterrés ou un transformateur, la contrainte thermique supportée dépend du courant qu'ils doivent supporter et de la capacité du sol dans lequel est enterré le câble ou de l'environnement du transformateur à absorber la chaleur dissipée si aucun système de refroidissement n'est prévu.
Sur les lignes de grande longueur, l'installation du câble doit prévoir les variations de température et lui donner une certaine liberté pour se dilater/ contracter en fonction de la température.
La prévision des valeurs d'ampacité future est utilisée dans la gestion de réseau un jour à l'avance ainsi que dans la gestion de marché d'énergie plusieurs jours à l'avance, voire à très long terme pour la planification.
La connaissance de l'ampacité future, associée à la prévision des consommations et des capacités de production, pour les énergies renouvelables, permet d'optimiser l'utilisation des infrastructures de production et de transport d'électricité.
La capacité d'une ligne haute tension (c'est-à-dire, l'ampacité) peut être estimée dynamiquement en utilisant des capteurs intelligents disposés sur la ligne. Les valeurs prévues à moyen et long termes, c'est-à-dire de plus d'environ quatre heures, sont basées sur les données météorologiques prévisionnelles, tandis que les prévisions d'ampacité en temps réel et à court terme sont basées sur 1 ' analyse en temps réel et éventuellement récente des conditions réelles agissant sur les lignes haute tension, comme des séries temporelles. Ces conditions, comprenant la vitesse du vent, la direction du vent, et la température ambiante par exemple, peuvent être mesurées localement, calculées ou déduites à partir d'observations réelles sur site ou à proximité du site. Plus généralement, les mesures, calculs et observations réelles peuvent être combinés par des outils stochastiques appropriés afin de déduire les valeurs de capacité prévues de ligne haute tension.
Pour fournir des valeurs prévisionnelles d'ampacité, on connaît deux approches. L'une est basée sur l'acquisition en temps réel de paramètres représentatifs de l'état du câble assurant le transport d'énergie, par exemple sa flèche pour estimer l'évolution de ce paramètre. Le brevet US 8,184,015 décrit par exemple une solution basée sur la surveillance continue des lignes haute tension aériennes pour détecter à temps des conditions anormales qui pourraient mener à une panne d'alimentation. La mesure de la flèche des portées de ligne haute tension entre des supports successifs pour déterminer si la flèche est supérieure à une valeur maximum est devenue une exigence obligatoire dans certains pays.
Une deuxième approche exploite des modèles prévisionnels paramétrables en fonction de données météorologiques provenant de stations généralement proches de l'équipement électrique considéré.
Etat de la technique
Le brevet US5933355 divulgue un tel exemple de solution pour évaluer 11ampacité d'une ligne haute tension. Il est basé sur un modèle thermique et le concept de portée équivalente. L'évaluation de 1'ampacité proposé par cette solution de l'art antérieur prévoit :
- des moyens pour acquérir et stocker un conducteur de ligne électrique, un paramètre de conception de ligne électrique, un emplacement géographique de ligne électrique, une station météorologique et des données de prévision météorologique ;
- des moyens pour mettre en œuvre des règles dérivées d'une base de connaissances de système expert pour fournir des informations de conseil indiquant des erreurs ou des conflits dans les données acquises;
- des moyens pour effectuer une analyse dudit système de ligne de transmission d'énergie sur la base des données acquises, dans lequel ledit système de ligne de transmission d'énergie est analysé pendant des conditions d'état stable, d'état dynamique et transitoire; et
- des moyens pour prédire les valeurs horaires de l'ampacité dudit système de ligne de transport d'énergie jusqu'à sept jours à l'avance, en utilisant les résultats obtenus à partir de ladite analyse.
Le brevet espagnol ES2569431 décrit un autre exemple de solution de prédiction de 1'ampacité dans les lignes électriques aériennes, pour permettre l'augmentation de la capacité de transport électrique des lignes aériennes, et qui comprend les étapes suivantes:
- sélection des lignes les plus susceptibles de voir leur capacité augmentée;
- réaliser une étude microclimatique, permettant ainsi 1'identification des zones de la ligne où un moindre refroidissement du câble conducteur peut se produire;
- disposer en un point de ces zones obtenues par l'étude microclimatique, les stations météorologiques et les capteurs de courant et de température du conducteur;
après au moins un an, effectuer les études statistiques des enregistrements de température du conducteur et: du vent effectif, de la température ambiante et du rayonnement solaire, obtenant ainsi les sections critiques;
- calculer 1'intensité admissible estimée au moyen de la réglementation, et appliquer à cette intensité une correction due à la flèche maximale de la ligne, et à l'appareillage existant dans la ligne;
- calculer la température de surface dans le câble conducteur estimée par la réglementation;
- mesurer la température de surface dans le câble conducteur avec au moins un capteur de température;
- réaliser une étude des différentes corrélations qui existent entre 1'erreur dans 1'estimation de la température du conducteur et les variables qui affectent le calcul, et obtenir les corrélations les plus critiques:
calculer la température corrigée pour chaque variable et condition d'application;
- prédire les variables météorologiques pour le calcul de la prédiction d'ampacité à court et à moyen terme.
Le brevet européen EP2050176 décrit un autre exemple de procédé d'estimation de paramètres de modèle (A, B, . .., Cl, ...) d'un modèle thermique d'une ligne de puissance, consistant à:
- mesurer des valeurs de mesure d'une grandeur électrique (I, P) de la ligne de puissance et de grandeurs météorologiques (Ta, S, W) représentant les conditions ambiantes de la ligne électrique, et
- calculer des valeurs des paramètres du modèle à partir desdites valeurs mesurées,
- mesurer de façon répétée pendant le fonctionnement de la ligne, les valeurs instantanées (I1, T\, S1, W1) des grandeurs électriques et météorologiques,
- mesurer simultanément une valeur momentanée (Tri) d'une température (Tl) de la ligne de puissance, et calculer, de manière répétée en cours de fonctionnement de la ligne de puissance, les valeurs (A1, B1; Ch, . . . ) des paramètres du modèle à partir desdites valeurs mesurées.
Ce brevet de l'art antérieur propose aussi l'utilisation d'un modèle thermique avec des valeurs de paramètre de modèle momentané (A1, B1; Ch, · · · ) estimé pour prédire une température (TS) de la ligne électrique, consistant à :
- fournir des valeurs prévues (uf) des grandeurs électriques et météorologiques,
- calculer une prévision de température de ligne de puissance (Tri) basée sur les paramètres du modèle momentané et les valeurs prévues des grandeurs électriques et météorologiques.
Inconvénients de l'art antérieur
Les solutions de l'art antérieur s'appuient sur des modèles prédictifs appliqués à des paramètres provenant de données historiques et de données de terrain acquises en temps réel.
Le modèle prédictif est bien sur imparfait, et impose de prendre en compte une marge d'erreur pour apprécier l'ampacité future à un instant donné. De même, les données de terrain sont acquises à des positions proches de la ligne électrique, mais néanmoins à une certaine distance introduisant également une incertitude.
Le principe de précaution et plus généralement l'impératif de ne pas dépasser une valeur critique d'ampacité qui pourrait entraîner des dégâts majeurs sur la ligne électrique et une interruption de service conduit à surpondérer l'ampacité estimée.
La conséquence est que la ligne n'est pas utilisée de manière optimale, ce qui conduit dans des périodes critiques de très forte consommation à réduire inutilement, dans certaines situations, l'énergie transportée, ou à surdimensionner les infrastructures.
Solution apportée par l'invention
La présente invention vise à remédier à ces inconvénients en proposant une solution pour la détermination dynamique de la capacité d'échange des lignes aériennes (Dynamic Line Rating en Anglais).
Elle peut être appliquée sur des lignes aériennes de transport ou distribution de l'électricité où des congestions sont attendues pour planifier des actions correctives, ou plus souvent, pour éviter de les mettre en place. Appliquée sur les lignes d'interconnexions entre marchés électriques, l'invention peut augmenter la capacité d'échange avec une réduction globale des prix de l'électricité.
L'invention peut être utilisée par les gestionnaires de réseau de transmission ou de distribution.
Elle concerne selon son acception la plus générale un procédé de prévision de la capacité maximale de transport de courant électrique, consistant :
à préparer au moins un modèle mathématique représentatif de la capacité de transport en fonction d'une pluralité de variables météorologiques à enregistrer les données historiques représentatives de la capacité de transport de la ligne considérée à enregistrer l'évolution historique des variables réelles ou estimées météorologiques estimer la capacité de transport prévisionnelle par l'injection desdites données historiques dans ledit modèle prédictif caractérisé en ce qu'il comporte en outre des étapes consistant :
à enregistrer l'évolution historique des variables prévisionnelles météorologiques à entraîner le modèle avec les valeurs mesurées et les valeurs estimées des variables météos, avec les prévisions météos estimées, et les valeurs estimées de la capacité de transport à un instant t,
a) prendre en compte la valeur mesurée des variables météo
b) prendre en compte les valeurs prévisionnelles pour les variables météo, pour une période t à t+h
c) injecter ces valeurs mesurées et prévisionnelles dans ledit modèle entraîné pour calculer une distribution des probabilités de la capacité de transport future, pendant la période t à t+h
d) à déterminer une courbe de référence de seuil de dépassement de la capacité de transport en sélectionnant, dans ladite distribution, fonction d'une valeur correspondant à une tolérance de dépassement acceptée.
De préférence, lesdites données historiques sont constituées par les prévisions météorologiques pour l'instant t+h, comprenant une partie au moins des paramètres suivants : Vitesse du vent, direction du vent, température de l'air, irradiation solaire.
Selon une variante, lesdites données historiques comprennent l'estimation de la capacité de transport à l'instant t+h calculée et un modèle thermique du conducteur en question.
Selon une autre variante, ledit modèle mathématique représentatif de la capacité de transport en fonction d'une pluralité de variables météorologiques est de type lt+h\t,a = Fh,a(Xt) où est un modèle « Quantile Random Forest » ou un modèle Gradient Boosting Regresion Tree.
Selon un mode de réalisation particulier, ledit modèle mathématique représentatif de la capacité de transport en fonction d'une pluralité de variables météorologiques est de type lt+h\t,a = Fh,a(Xt) où la fonction est le résultat d'un entrainement du modèle choisi sur un set de données historiques. Ce set se compose, pour chaque instant t+h dans le passé de prévisions historiques des paramètres mentionnés en haut et des observations historiques de la capacité de transport de la ligne
Description détaillée d'un exemple non limitatif de 1'invention
La présente invention sera mieux comprise à la lecture de la description détaillée d'un exemple non limitatif de l'invention qui suit, se référant aux dessins annexés où :
- la figure 1 représente le schéma fonctionnel de la première étape d'entrainement du modèle de régression quantile multivariée et de la correction pour valeurs faibles
- la figure 2 représente le schéma fonctionnel de la deuxième étape de révision, d'amélioration des valeurs faibles et de calcul de l'ampacité optimale
- la figure 3 représente la légende des différentes parties de la base de données nécessaire la figure 4 représente un exemple de partitionnement fait sur des prévisions probabilistes de la capacité de transport d'une ligne pour des horizons de prévisions allant de 24 à 30 heures.
- Les figures 5 et 6 représentent des diagrammes PIT pour les quantiles inférieurs à 2% des prévisions réalisées avec le modèle QRF sans corrections (figure 5) et la correction avec fonction exponentielle (figure 6)
- la figure 7 représente la courbe d'un exemple de prévisions de la capacité de transport d'une ligne aérienne fournies avec un modèle QRF modifié avec des queues exponentielles dont les paramètres sont associés à 5 clusters faits sur les couples de quantiles (5%,10%).
Contexte de l'invention
La capacité de transport des lignes électriques aériennes dépend de l'équilibre thermique entre la chaleur dissipée dans l'environnement et celle générée par effet de joule. Ce paramètre est fortement dépendant de la météorologie ce qui le rend fortement variable. Pour des raisons de sécurité, des valeurs conservatives sont traditionnellement utilisées avec une perte considérable de la capacité de transport. La présente invention propose une solution pour définir une valeur dynamique de la capacité future de transport des lignes aériennes avec un horizon temporel allant d'une heure à plusieurs jours. Le procédé objet de la présente invention prend en compte des prévisions probabilistes de la capacité de transport en temps réel, des prévisions améliorées pour les évènements plus rares mais potentiellement plus dangereux, les risques associés à des éventuels dépassements de la valeur fixée et le profil de risque de l'opérateur de la ligne.
La présente invention concerne un procédé pour fournir à une échéance temporelle de l'ordre de l'heure à plusieurs journées, se décomposant en trois parties principales
Prévision probabiliste de la capacité d'échange en temps réel
Amélioration des prévisions pour la partie basse de la distribution
Détermination de la capacité de transport optimale.
Schéma fonctionnel de l'invention
Les figures 1 et 2 représentent respectivement le schéma fonctionnel de la première étape d'entrainement du modèle de régression quantile multivariée et de la correction pour valeurs faibles et le schéma fonctionnel de la deuxième étape de révision, d'amélioration des valeurs faibles et de calcul de l'ampacité optimale.
La première étape concerne l'entrainement du modèle de régression.
Il consiste à charger depuis une base de données BdD les données historiques (A, B C), et à entraîner un modèle de prévision It+h pour stocker le résultat D dans la base de données.
Les prévisions historiques sont calculées et stockées sous la forme d'un résultant E.
Le modèle est ensuite à nouveau entraîné pour une amélioration avec une variance inférieure à 5%, et le résultat F est stocké dans la base de données.
La deuxième étape consistant à charger les données (A', B', C') historiques récentes et les données obtenues en temps réel depuis une base de données contenant l'enregistrement des données historiques.
On calcule ensuite une prévision It+h en fonction de ces données et on enregistre le résultat de ce traitement dans la base de données sous forme d'une variable G.
On calcule ensuite une amélioration de la prévision It+h en fonction des données (A', B', C') historiques et en temps réel, et du résultat G du traitement précédent et on enregistre le résultat de ce traitement dans la base de données sous forme d'une variable H.
L'étape suivante consiste à calculer des fonctions de coûts et bénéfices et on détermine la prévision optimale It+h, oPt en fonction desdites fonctions de coûts et bénéfices et de la variable H, et on enregistre le résultat M dans la base de données.
Description détaillée des traitements
Prévision probabiliste de la capacité d'échange en temps réel
La première étape concerne la prévision de la capacité d'échange en temps réel, réalisée avec la technique de la régression quantile, à partir d'un historique relatif sur une période d'au moins une année.
Si t est l'instant de calcul, h est l'horizon de la prévision et a est une probabilité entre 0 et 100%, la prévision de la capacité de transport I de la ligne qui ne sera pas dépassée avec une probabilité a peut être calculé comme :
lt+h\t,a = Fh,a(Xt)
La fonction peut être de nature différente, couramment l'utilisation du modèle « Quantile Random Forest » ou du modèle Gradient Boosting Regresion Tree est suggérée.
Les entrées Xt, représentant les informations connues à l'instant t de calcul de la prévision sont :
- Des prévisions météorologiques pour l'instant t+h des paramètres : Vitesse du vent, direction du vent, température de l'air, irradiation solaire
L'estimation de la capacité de transport à l'instant t+h calculée utilisant les prévisions mentionnées à l'étape précédente et un modèle thermique du conducteur en question.
La fonction est le résultat d'un entrainement du modèle choisi sur un set de données historiques. Ce set se compose, pour chaque instant t+h dans le passé de prévisions historiques des paramètres mentionnés en haut et des observations historiques de la capacité de transport de la ligne . Une fonction doit être entraînée pour chaque valeur de a et h.
Par rapport aux valeurs historiques de I, ils doivent être calculés considérant le minimum des estimations de I sur tous les points de mesure disponibles sur la ligne, de façon à identifier la présence de goulot d'étranglement thermique.
Le modèle utilisé est avantageusement de type « Random Forest » ou « Gradient Tree Boosting ». Pour d'autres modèles, il peut être nécessaire d'effectuer un prétraitement des entrées avec la méthode d'analyse par composants principaux.
Amélioration des prévisions pour la partie basse de la distribution
La deuxième étape concerne l'amélioration des prévisions probabilistes obtenues, qui présentent encore une faible fiabilité pour les valeurs extrêmes, à cause du faible nombre d'observations possibles. Cependant, c'est dans cette région que sont observés les évènements les plus graves qui doivent être pris en compte pour la sélection de la capacité de transport optimale.
Pour remédier à cela, la queue de la distribution correspondant aux valeurs les plus faibles (par exemple, aux quantiles inférieurs à 5%) doit être approximée avec une fonction. Plusieurs solutions ont été testées et les meilleures performances ont été observées en utilisant une simple interpolation exponentielle, comme reporté ci-dessous.
F(v o} = [Tiim exp(p (y - Kiim)), y < yÎlim I °’ y>y-nim
Où : F(y,p) est la distribution cumulée de probabilité cherchée, τ et y sont respectivement la probabilité et le quantile associé à la même probabilité, et enfin p est le paramètre de la queue de la distribution.
Le paramètre p peut être défini avec le critère de vraisemblance maximale, en tel cas, en considérant l'échantillon d'observation il peut être calculé comme :
—N ? ΣΓ=ι(7/ - q5%)
Pour une meilleure performance, il est recommandé de définir la valeur de p en tenant compte de la forme de la distribution prévue en utilisant un partitionnement en kmoyennes en fonction des valeurs de deux quantiles prévus, notamment le quantile à 5% et le quantile à 20%. Un exemple de partitionnement des valeurs optimales du paramètre p pour chaque cluster est reporté en Figure 4 correspondant à des prévisions probabilistes de la capacité de transport d'une ligne pour des horizons de prévisions allant de 24 à 30 heures. Quatre clusters sont considérés. Pour chaque cluster, on montre sur la figure 4 la valeur de p associée.
La détermination du nombre optimal de clusters fait partie de la calibration de l'outil de prévision.
Les figures 5 et 6 représentent des diagrammes PIT pour les quantiles inférieurs à 2% des prévisions réalisées avec le modèle QRF sans corrections (figure 5) et la correction avec fonction exponentielle (figure 6).
la figure 7 représente la courbe d'un exemple de prévisions de la capacité de transport d'une ligne aérienne fournies avec un modèle QRF modifié avec des queues exponentielles dont les paramètres sont associés à 5 clusters faits sur les couples de quantiles (5%,10%).
Détermination de la capacité de transport optimale
Une fois définie la fonction de la distribution cumulée de probabilité Ft+h|t pour un horizon h, il est possible de déterminer la valeur optimale de la capacité de transport de la ligne Yopt en identifiant une probabilité optimale τ°^ qui prend en compte le poids relatif des bénéfices π/+Η et des inconvénients π/+11, pesés avec une fonction d'utilité v(x) si nécessaire. La capacité de transport optimale ainsi que le quantile optimal peuvent être calculés comme reporté ci-dessous. Un exemple de fonction d'utilité exponentielle est reporté aussi.
yopt _ Λ-l , opt} It+h rt+h\tiit+hJ opt _____V&t+h)____ Tt+h ν(π++κ) + ν(π~+κ) @β.Χ — £ νβ^ = (,β-γ’β-ΰ
A ce point il est nécessaire de définir le poids des bénéfices et des inconvénients, mais cela doit être fait en phase d'implémentation en tenant compte de l'utilisation de la ligne et des objectifs de son gestionnaire. En général il est nécessaire de prendre en compte les facteurs suivants :
coût de production de l'électricité, coût d'activation des réserves en cas de dépassement de la limite fixée, coût virtuel associé aux risques dus à des situations où le courant d'une ligne est supérieur à la valeur maximale fixée.

Claims (5)

  1. Revendications
    1 - Procédé de prévision de la capacité maximale de transport de courant électrique, consistant ·.
    ~ à préparer au moins un modèle mathématique représentatif de la capacité de transport en fonction d'une pluralité de variables météorologiques
    - à enregistrer les données historiques représentatives de la capacité de transport d'une ligne considérée “ à enregistrer l'évolution historique de variables réelles ou estimées météorologiques estimer la capacité de transport prévisionnelle par l'injection desdites données historiques dans ledit modèle prédictif caractérisé en ce qu'il comporte en outre des étapes consistant :
    à enregistrer l'évolution historique de variables prévisionnelles météorologiques à entraîner le modèle avec des valeurs mesurées et des valeurs estimées des variables météos, avec les prévisions météos estimées, et les valeurs estimées de la capacité de transport à un instant t,
    a) prendre en compte la valeur mesurée des variables météo
    b) prendre en compte les valeurs prévisionnelles pour les variables météo, pour une période t à t+h
    c) injecter ces valeurs mesurées et prévisionnelles dans ledit modèle entraîné pour calculer une distribution des probabilités de la capacité de transport future, pendant la période t à t+h
    d) à déterminer une courbe de référence de seuil de dépassement de la capacité de transport en sélectionnant, dans ladite distribution, ladite courbe de référence étant déterminée en fonction d'une valeur correspondant à une tolérance de dépassement acceptée.
  2. 2 ~ Procédé de prévision de la capacité maximale de transport de courant électrique selon la revendication 1 caractérisé en ce que lesdites données historiques sont constituées par les prévisions météorologiques pour l'instant t+h, comprenant une partie au moins des paramètres suivants : Vitesse du vent, direction du vent, température de l'air, irradiation solaire.
  3. 3 - Procédé de prévision de la capacité maximale de transport de courant électrique selon la revendication 1 caractérisé en ce que lesdites données historiques comprennent 1'estimation de la capacité de transport à l'instant t+h calculée et un modèle thermique du conducteur en question.
  4. 4 - Procédé de prévision de la capacité maximale de transport de courant électrique selon la revendication 1 caractérisé en ce que ledit modèle mathématique représentatif de la capacité de transport en fonction d’une pluralité de variables météorologiques est de type /f+ftji.a = Fh,a(Xt) où FhtS est un modèle « Quantile Random Forest » ou un modèle Gradient Boosting Regresion Tree.
  5. 5 - Procédé de prévision de la capacité maximale de transport de courant électrique selon la revendication 1 caractérisé en ce que ledit modèle mathématique représentatif de la capacité de transport en fonction d'une pluralité de variables météorologiques est de type ” Fh.a(Xt) où la fonction Fb est le résultat d'un entrainement du modèle choisi sur un set de données historiques. Ce set se compose, pour chaque instant t+h dans le passé de prévisions historiques des paramètres mentionnés en haut et des observations historiques de la capacité de transport de la ligne
FR1856090A 2018-07-02 2018-07-02 Ampacite des lignes aeriennes basee sur les previsions Active FR3083380B1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR1856090A FR3083380B1 (fr) 2018-07-02 2018-07-02 Ampacite des lignes aeriennes basee sur les previsions

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
FR1856090A FR3083380B1 (fr) 2018-07-02 2018-07-02 Ampacite des lignes aeriennes basee sur les previsions

Publications (2)

Publication Number Publication Date
FR3083380A1 true FR3083380A1 (fr) 2020-01-03
FR3083380B1 FR3083380B1 (fr) 2021-07-09

Family

ID=65031352

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1856090A Active FR3083380B1 (fr) 2018-07-02 2018-07-02 Ampacite des lignes aeriennes basee sur les previsions

Country Status (1)

Country Link
FR (1) FR3083380B1 (fr)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5933355A (en) 1995-05-04 1999-08-03 Deb; Anjan Kumar Object oriented expert power line ampacity system
EP2050176A1 (fr) 2006-08-11 2009-04-22 Abb Research Ltd. Estimation de parametres pour un modele thermique d'une ligne d'energie electrique
US8184015B2 (en) 2005-09-16 2012-05-22 Université de Liège Device, system and method for real-time monitoring of overhead power lines
ES2569431A1 (es) 2015-12-29 2016-05-10 Universidad De Cantabria Metodología para el cálculo y predicción de la ampacidad en líneas eléctricas aéreas, según la elección de los emplazamientos críticos
CN105787270A (zh) * 2016-02-25 2016-07-20 国网山东省电力公司电力科学研究院 一种输电线路多时间尺度负载能力动态预测方法
WO2017125683A1 (fr) * 2016-01-21 2017-07-27 Rte Réseau De Transport D’Électricité Système et procédé de détermination dynamique de capacités maximales de transport de courant électrique

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5933355A (en) 1995-05-04 1999-08-03 Deb; Anjan Kumar Object oriented expert power line ampacity system
US8184015B2 (en) 2005-09-16 2012-05-22 Université de Liège Device, system and method for real-time monitoring of overhead power lines
EP2050176A1 (fr) 2006-08-11 2009-04-22 Abb Research Ltd. Estimation de parametres pour un modele thermique d'une ligne d'energie electrique
ES2569431A1 (es) 2015-12-29 2016-05-10 Universidad De Cantabria Metodología para el cálculo y predicción de la ampacidad en líneas eléctricas aéreas, según la elección de los emplazamientos críticos
WO2017125683A1 (fr) * 2016-01-21 2017-07-27 Rte Réseau De Transport D’Électricité Système et procédé de détermination dynamique de capacités maximales de transport de courant électrique
CN105787270A (zh) * 2016-02-25 2016-07-20 国网山东省电力公司电力科学研究院 一种输电线路多时间尺度负载能力动态预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ALBERDI R ET AL: "Security and Reliability Assessment of Overhead Lines Ampacity Forecasting", 2018 IEEE INTERNATIONAL CONFERENCE ON ENVIRONMENT AND ELECTRICAL ENGINEERING AND 2018 IEEE INDUSTRIAL AND COMMERCIAL POWER SYSTEMS EUROPE (EEEIC / I&CPS EUROPE), IEEE, 12 June 2018 (2018-06-12), pages 1 - 6, XP033422389, DOI: 10.1109/EEEIC.2018.8493842 *
FERNANDEZ ELVIRA ET AL: "Dynamic line rating forecasting based on numerical weather prediction", 2015 IEEE EINDHOVEN POWERTECH, IEEE, 29 June 2015 (2015-06-29), pages 1 - 6, XP033215679, DOI: 10.1109/PTC.2015.7232611 *
FU J ET AL: "Modelling and prediction techniques for dynamic overhead line rating", 2012 IEEE POWER AND ENERGY SOCIETY GENERAL MEETING ; SAN DIEGO, CALIFORNIA, USA; 22 - 26 JULY 2012, IEEE, PISCATAWAY, NJ, 22 July 2012 (2012-07-22), pages 1 - 7, XP032465381, ISBN: 978-1-4673-2727-5, DOI: 10.1109/PESGM.2012.6344733 *
MOLINAR GABRIELA ET AL: "From Data Points to Ampacity Forecasting: Gated Recurrent Unit Networks", 2018 IEEE FOURTH INTERNATIONAL CONFERENCE ON BIG DATA COMPUTING SERVICE AND APPLICATIONS (BIGDATASERVICE), IEEE, 26 March 2018 (2018-03-26), pages 200 - 207, XP033373263, DOI: 10.1109/BIGDATASERVICE.2018.00037 *
NGOKO BONFACE ET AL: "Methodology for the determination of real-time dynamic line ratings for secure operation of overhead conductors", 2017 IEEE PES INNOVATIVE SMART GRID TECHNOLOGIES CONFERENCE EUROPE (ISGT-EUROPE), IEEE, 26 September 2017 (2017-09-26), pages 1 - 6, XP033301740, DOI: 10.1109/ISGTEUROPE.2017.8260151 *
TILMAN RINGELBAND ET AL: "Probabilistic ampacity forecasting for overhead lines using weather forecast ensembles", ELECTRICAL ENGINEERING, vol. 95, no. 2, 31 March 2012 (2012-03-31), DE, pages 99 - 107, XP055571061, ISSN: 0948-7921, DOI: 10.1007/s00202-012-0244-8 *

Also Published As

Publication number Publication date
FR3083380B1 (fr) 2021-07-09

Similar Documents

Publication Publication Date Title
CN107742125B (zh) 预测和防止在结构资产处的不利状况的深度机器学习
EP2211300B1 (fr) Procédé de prévision de la production électrique d&#39;un dispositif photovoltaïque
Pérez et al. A deep learning model for intra-day forecasting of solar irradiance using satellite-based estimations in the vicinity of a PV power plant
EP2590289B1 (fr) Procédé et dispositif de surveillance d&#39;une ligne de transmission de courant électrique à haute tension
US20140172329A1 (en) System and method for wind generation forecasting
CN107005052B (zh) 用于确定电力线路载流量的方法和系统
Trigo-González et al. Hourly PV production estimation by means of an exportable multiple linear regression model
WO2015001267A1 (fr) Unité et procédé de régulation énergétique d&#39;un système de production et de consommation électrique
EP3406014B1 (fr) Système et procédé de détermination dynamique de capacités maximales de transport de courant électrique
El Kafazi et al. Energy production: a comparison of forecasting methods using the polynomial curve fitting and linear regression
EP4022537A1 (fr) Entretien et sécurité de ligne de service public
EP3648020B1 (fr) Sécurisation d&#39;une intervention sur une branche basse tension d&#39;un réseau de distribution électrique
EP3414729A1 (fr) Procédé et système de prédiction d&#39;un état d&#39;un bien
FR3083380A1 (fr) Ampacite des lignes aeriennes basee sur les previsions
FR3006819A1 (fr) Procede de reglage de tension sur les reseaux de distribution en presence de production decentralisee
CN112016739A (zh) 故障检测方法、装置、电子设备及存储介质
CN112949920B (zh) 一种基于观冰代表站数据的区域覆冰预测及预警方法
EP3975082A1 (fr) Procede de prediction de risques meteorologiques sur une infrastructure de reseau electrique aerien
Ronzio et al. An innovative algorithm for the power loads forecasting in Italian transmission grid: development and main results of the PREVEL software of Osmose project
CA3115353A1 (fr) Methode, systeme et produit logiciel permettant d&#39;identifier des installations susceptibles de presenter une non-conformite electrique
BE1023410B1 (fr) Procede et systeme pour determiner la capacite thermique d’une ligne haute tension
KR20210053606A (ko) 태양광 발전 시스템의 열화율 예측장치 및 방법
EP3721549B1 (fr) Detection a distance d&#39;une anomalie affectant une installation photovoltaique
KR20240036936A (ko) 가공송전선 운전잔여수명 예측 장치
Alberdi Muiño et al. Overhead line ampacity forecasting with a focus on safety

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20200103

PLFP Fee payment

Year of fee payment: 3

PLFP Fee payment

Year of fee payment: 4

PLFP Fee payment

Year of fee payment: 5

PLFP Fee payment

Year of fee payment: 6