[发明专利]一种基于BILSTM-MDN的传输线路动态热定值概率预测方法

说明书

本发明提供一种基于BILSTM‑MDN的传输线路动态热定值概率预测方法，属于电力系统线路运行状态评估领域。首先，对传输线周围环境数据和DTR序列数据进行归一化处理，并计算其自相关系数。其次，将数据按照共同输入长度生成滑窗特征和标签，滚动生成滑窗数据集，并划分训练集和预测集。第三，搭建BILSTM‑MDN神经网络，设定超参数后，输入训练集进行学习，调整超参数直至误差达到最小。最后，通过预测集对模型的预测准确度进行评估，并得到最终的预测结果和预测误差。本发明将MDN的前置网络替换为BILSTM，结合BILSTM的时序特征提取能力和MDN输出概率密度的能力，从而可以对DTR进行精确的概率预测，并能够减少环节间的人为因素的影响。

技术领域

本发明属于电力系统线路运行状态评估领域，通过电力大数据和神经网络的结合对传输线路的动态热定值进行评估，涉及一种结合BILSTM和MDN的时序型概率预测方法。

背景技术

在2020年提出的双碳大背景下，大量新能源被接入电网，使得新能源在电力系统中的比例显著增加。高比例新能源的电力系统在对新能源的消纳能力、电力系统的优化调度能力以及资源配置能力等方面的要求显著提高。而利用热定值对电力系统的线路运行状态进行评估是评估线路输送能力的基本方式，在此条件下有必要根据动态热定值来提升线路的输送能力。

在当前阶段，电力工作者对架空输电线路的热稳定条件限制采取了以静态热定值(static thermal rating，STR)为代表的保守方式，即STR是在假设较为不利的气象条件(高环境温度、低风速，强日照)同时发生的情况下计算得到的，设定后便长期不变，虽然便于使用但也具有明显的保守性。动态热定值(dynamic thermal rating，DTR旨在根据导线微气象的实时量测数据计算架空导线载流量。实际应用表明，在多数情况下架空线路DTR均显著高于STR，充分揭示了架空导线载流量的时变性和发掘潜力，以及充分利用这一输电潜力所能带来的巨大节能减排效益。

与只预测未来值期望的点预测方法相比，概率预测能够预测未来值的概率分布，因此可以高度量化由环境因素导致的不确定性，为系统的安全稳定运行提供更全面的信息，从而更好地指导日前调度的进行。

现有运用于DTR概率预测的方法有梯度提升决策树(gradient boostingdecision tree，GBDT)，随机森林(random forest，RF)以及混合密度网络(mixturedensity network，MDN)。GBDT和RF通过分位数回归和核密度估计的方式得到预测值的概率密度。分位数预测虽然易于实现且应用较广，但是分位数预测中往往忽视了分位数交叉的问题，造成实际的分位数预测结果不合理，而核密度估计在选取核函数和带宽时其估计效果会受到较大的主观因素的影响。MDN没有分位数回归和核密度估计造成的问题，但是单一的MDN网络无法很好地学习到数据中的时序性特征，对提升预测的精度不利。与上述方法相比，BILSTM-MDN没有分位数回归和核密度估计造成的问题，也考虑到了数据的时序性特征，有着最全面准确的概率预测能力。

发明内容

针对现有技术存在的问题，本发明提供一种利用电力大数据及神经网络技术进行输电线路DTR概率预测的方法，以考虑环境数据的不确定性并提升DTR预测的准确性。

为达到上述目的，本申请采用以下技术方案：

一种基于BILSTM-MDN的输电线路DTR概率预测方法，所述方法包括以下步骤：

步骤1：选取一段传输线，对传输线周围环境数据(包含风速序列、风向序列、环境温度序列以及太阳辐照序列)和DTR序列数据进行归一化处理，其值域范围为[0,1]，公式如下：

其中，x为待处理的数据，x_min为数据中的最小值，x_max为数据中的最大值，x^*为归一化后的值。