[发明专利]架空导线载流量的多时段联合概率密度预测方法及系统

说明书

本公开提出了架空导线载流量的多时段联合概率密度预测方法及系统，获取架空线路关键线档微气象历史数据；在分析载流量变化特性的基础上，结合分位点回归方法，进行载流量逐时段概率预测；运用t‑Copula函数评估多时段载流量概率分布的相关特性，建立未来多时段载流量动态相依模型，实现架空线路关键线档载流量的多时段联合概率密度预测，得到载流量波动区间和分布信息。为调度挖掘输电线路载荷能力提供更为直接且准确的依据。

技术领域

本公开涉及电网技术领域，特别是涉及架空导线载流量的多时段联合概率密度预测方法及系统。

背景技术

架空导线的载流量与气象环境密切相关，美国学者提出了动态载流量计算(Dynamic thermal rating,DTR)技术框架，DTR微气象监测设备安装在关键架空线路的关键线档，根据实测微气象数据计算关键线档载流量，发掘输电线路载荷潜力。在此基础上，研究基于DTR量测数据的架空导线载流量预测方法可帮助运行人员预见关键线档导线未来载流量的变化，为确定线路载流量提供必要的参考信息，对更为充分的利用架空线路载荷能力，提高电力系统安全经济运行水平具有重要意义。

在DTR量测数据基础上，文献“王孔森,盛戈皞.基于径向基神经网络的输电线路动态容量在线预测[J].电网技术,2013,37(6):1719-1725.”同样基于微气象量测的历史数据，利用径向基神经网络进行微气象变化规律的在线学习和预测，进而实现小时级的载流量点预测；文“任丽佳,江秀臣,盛戈皞,等.输电线路允许输送容量的混沌预测[J].中国电机工程学报,2009,29(25):86-91.”则以导线历史载流量数据为输入，结合混沌预测理论，给出了未来1-2小时内每10min的载流量点预测结果；文“Alexander W.Abbouda,KennethR.Fentonb,Jacob P.Lehmera,et.al.Coupling computational fluid dynamics withthe high resolution rapid refresh model for forecasting dynamic line ratings[J].Electric Power Systems Research,2019,170(7):326-337.”则基于数值天气预报数据，实现未来18个小时内每15min载流量的点预测。上述基于DTR量测数据的载流量点预测研究对把握短期内线路载流量变化具有一定参考价值。然而，受气象环境影响，架空导线载流量不确定性较强，点预测误差不可避免，在此情形下，有必要向运行人员提供关键线档载导线载流量的变化区间及其分布情况，为运行人员选择合适保守程度的载流量提供参考信息，而点预测无法对载流量的不确定性作出定量描述。对此，文“FAN F,BELL K andINFIELD D.Probabilistic real-time thermal rating forecasting for overheadlines by conditionally heteroscedastic auto-regressive models[J].IEEETransactions on Power Delivery,2017,32(4):1881-1890.”基于自回归条件异方差模型实现了每10min的载流量概率密度预测，进一步可得到不同置信区间下的载流量预测结果；文“FAN F,BELL K and INFIELD D.Transient-state real-time thermal ratingforecasting for overhead lines by an enhanced analytical method[J].ElectricPower Systems Research,2019,167:213-221.”基于自回归条件异方差方法预测得到架空线档微气象分布，进而预测导线在特定允许温升时间(10min)下的载流量概率分布；文“ZHAN J,et al.Time series modelling for dynamic thermal rating of overheadlines[J].IEEE Transactions on Power Systems,2017,32(3):2172-2182.”则基于多项式回归及累积式自回归积分滑动平均时间序列模型实现了小时级的载流量概率预测。此外，文“L A,SIEBERT N.Dynamic line rating using numerical weatherpredictions and machine learning:A case study[J].IEEE Transactions on PowerDelivery,2017,32(1):335-343.”利用机器学习方法构建数值天气预报与线路微气象关联模型，进而提出基于数值天气预报数据的载流量概率预测方法，可实现每15min的载流量概率预测。然而，现有载流量的概率预测均为逐时段进行，没有考虑载流量变化在各时段间的关联特性，导致载流量波动范围的预测结果较大，不符合载流量变化的实际特点。