一种架空导线暂态载流量概率预测方法及系统

1.本发明属于架空导线暂态载流量预测技术领域，尤其涉及一种架空导线暂 态载流量概率预测方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在 先技术。
3.当输电元件故障并由保护装置切除后将引发电网潮流转移，这会导致其他 相关输电元件载流瞬间越限。载流越限输电元件的保护装置即刻动作于载流判 据，切除相应输电元件，防止过大载流造成输电元件的绝缘老化甚至损坏。保 护装置的快速动作阻止了输电元件由于载流跃升带来的温度骤增，充分保障了 输电元件的自身安全。但这种保障未考虑输电元件的电热平衡规律，即输电元 件具有热惯性，当载流瞬间越限后，输电元件的温度需经过相对缓慢的过程才 会达到限值，这就使得输电元件可以短时过载运行，但保护装置的快速切除忽 视了输电元件的这一短时载流能力，由此造成了架空导线传输容量的浪费，降 低了电力系统的经济效益。
4.为解决这一问题，研究人员从电热平衡本质出发，从热限制的视角看待架 空导线的过负荷状态，以此使架空导线的短时载流能力得以应用，从而为电力 系统实施校正控制来消除导线的过负荷状态提供了相应支持。但要使这一方法 得以实现，需要提前预测架空导线的短时载流能力，并将其与保护装置相配合， 才能保证校正控制的顺利实施。为此，国内外众多学者对架空导线短时载流能 力的预测展开了研究。其中，有的学者基于反时限电流保护的设计思路，提出 根据经验提前设定不同允许温升时间下输电元件载流越限的倍数予以粗略反映 架空导线的短时载流能力，并以此结果整定线路的保护装置，而后当载流越限 时通过计算越限倍数快速预测架空导线的短时载流能力并采取相应的校正控制 措施，消除导线的紧急状态。此外，有的学者基于架空导线静态热定值的确定 思路，基于实际情景将系统在事故发生后的线路短时允许过载限值设定为正常 热载荷容量限值的1.2倍，通过保守的静态短时热载荷量简化系统的优化调度模 型。同时还有学者根据输电线路的温度变化时间常数保守地将线路在事故后的 允许运行时间设定为10min，以统一的短时允许标准分析事故后的载流安全风险 问题。
5.上述方法基于载流越限程度或保守边界条件简化了预测步骤，使得运行人 员可以快速掌握架空导线的短时载流能力。但发明人发现，目前这些做法未考 虑到不同运行条件下架空导线的热变化规律并非是一成不变的，这会使得架空 导线短时载流能力的预测结果保守或冒进，这使其在与保护相配合下指导校正 控制会留有一定的安全隐患，由此带来系统运行风险。


技术实现要素：

6.为了解决上述背景技术中存在的技术问题，本发明提供一种架空导线暂态 载流
量概率预测方法及系统，其以暂态载流量表征架空导线的短时载流能力， 对架空导线暂态载流量的概率进行预测，以此掌握未来时刻架空导线的短时载 流能力，进而指导调度方案的制定，提高架空导线运行的安全性。
7.为了实现上述目的，本发明采用如下技术方案：
8.本发明的第一个方面提供一种架空导线暂态载流量概率预测方法，其包括：
9.获取dtr(dynamic thermal rating,动态热定值)历史量测数据；其中， 所述dtr历史量测数据包括架空导线历史运行温度和导线周围历史气象数据；
10.基于dtr历史量测数据，对目标时段起始点处导线温度及目标时段内各目 标时刻的气象要素分别进行概率预测，对应得到导线温度概率密度函数及相应 的气象要素概率密度函数；
11.对获得的概率密度函数进行抽样，生成全时段时间序列场景集，进而得到 不同允许温升时间下各场景的架空导线暂态载流量；
12.统计所述架空导线暂态载流量的概率分布，预测出架空导线暂态载流量的 概率，以挖掘出目标时段内架空导线的短时载流能力来指导调度方案的制定。
13.作为一种实施方式，所述导线周围历史气象数据包括导线周围历史日照强 度、气温、风速和风向。
14.作为一种实施方式，采用长短期记忆神经网络分位数回归模型对目标时段 起始点处导线温度进行概率预测。
15.作为一种实施方式，采用长短期记忆神经网络分位数回归模型对目标时段 内各目标时刻的气象要素进行概率预测。
16.作为一种实施方式，计算架空导线暂态载流量i
t
的公式为：
[0017][0018]racmax
＝r
ac
(1 β(t
max-20))
[0019]
k2＝(πλfnu πdσεt
∑
)/mc
p
[0020]
其中，t
c0
为导线的初始温度；t
max
为导线最大允许运行温度；r
ac
为20℃下 单位长度导体的交流电阻，β为电阻温度系数；α为导体表面的光照吸收率，qs为日照强度，d为导体直径，ta为气温，m为单位长度导体质量，c
p
为导体比 热容，λf为空气热传导率，nu为努塞尔数，σ为斯蒂芬-玻尔兹曼常数，ε为导体 辐射率，t
∑
为时间变量，r
acmax
为20℃下单位长度导体的交流电阻的最大值，k2为 中间变量。
[0021]
本发明的第二个方面提供一种架空导线暂态载流量概率预测系统，其包括：
[0022]
历史量测数据获取模块，其用于获取dtr历史量测数据；其中，所述dtr 历史量测数据包括架空导线历史运行温度和导线周围历史气象数据；
[0023]
概率密度函数计算模块，其用于基于dtr历史量测数据，对目标时段起始 点处导线温度及目标时段内各目标时刻的气象要素分别进行概率预测，对应得 到导线温度概率密度函数及相应的气象要素概率密度函数；
[0024]
暂态载流量计算模块，其用于对获得的概率密度函数进行抽样，生成全时 段时间序列场景集，进而得到不同允许温升时间下各场景的架空导线暂态载流 量；
[0025]
暂态载流量概率预测模块，其用于统计所述架空导线暂态载流量的概率分 布，预测出架空导线暂态载流量的概率，以挖掘出目标时段内架空导线的短时 载流能力来指导调度方案的制定。
[0026]
本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程 序，该程序被处理器执行时实现如上述所述的架空导线暂态载流量概率预测方 法中的步骤。
[0027]
本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在 存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现 如上述所述的架空导线暂态载流量概率预测方法中的步骤。
[0028]
与现有技术相比，本发明的有益效果是：
[0029]
(1)本发明考虑了不同运行条件下架空导线的热变化规律，以暂态载流量 表征架空导线的短时载流能力，对架空导线暂态载流量的概率进行预测，以此 掌握未来时刻架空导线的短时载流能力，在保证计算精度的前提下快速预测不 同允许温升时间下的架空导线暂态载流量，从而为运行人员提供全面的预防控 制参考信息，以指导调度方案的制定，提高了架空导线运行的安全性。
[0030]
(2)本发明采用长短期记忆神经网络分位数回归模型对目标时段起始点处 导线温度及目标时段内各目标时刻的气象要素分别进行概率预测，能够挖掘数 据本身在时间上的关联特性，改善导线温度和气象要素的概率预测结果，从而 提高架空导线暂态载流量的预测精度。
[0031]
(3)本发明通过对获得的概率密度函数进行抽样，生成全时段时间序列场 景集，其中提出的全时段时间序列场景集生成方法考虑了时段内气象环境的时 变性，相比于传统方法本章所用方法的各项评价指标更优，预测结果更符合实 际情况。
[0032]
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述 中变得明显，或通过本发明的实践了解到。
附图说明
[0033]
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发 明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
[0034]
图1是本发明实施例的架空导线暂态载流量概率预测方法流程图；
[0035]
图2是本发明实施例的长短期记忆神经网络模型结构；
[0036]
图3(a)是利用长短期记忆神经网络分位数回归模型得到的导线温度概率 预测结果；
[0037]
图3(b)是利用分位数回归模型得到的导线温度概率预测结果；
[0038]
图3(c)是利用神经网络分位数回归模型得到的导线温度概率预测结果；
[0039]
图4(a)是利用长短期记忆神经网络分位数回归模型得到的日照强度预测 结果；
[0040]
图4(b)是利用长短期记忆神经网络分位数回归模型得到的气温预测结果；
[0041]
图4(c)是利用长短期记忆神经网络分位数回归模型得到的风速预测结果；
[0042]
图4(d)是利用长短期记忆神经网络分位数回归模型得到的风向预测结果；
[0043]
图5是传统方法和基于场景集i的暂态载流量概率预测结果对比。
具体实施方式
[0044]
下面结合附图与实施例对本发明作进一步说明。
[0045]
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。 除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的 普通技术人员通常理解的相同含义。
[0046]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图 限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确 指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说 明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、 组件和/或它们的组合。
[0047]
实施例一
[0048]
参照图1，本实施例提供一种架空导线暂态载流量概率预测方法，其包括：
[0049]
s101：获取dtr历史量测数据；其中，所述dtr历史量测数据包括架空 导线历史运行温度和导线周围历史气象数据。
[0050]
在本实施例中，所述导线周围历史气象数据包括导线周围历史日照强度、 气温、风速和风向。
[0051]
此处需要说明的是，在其他实施例中，导线周围历史气象数据也可包括其 他气象要素数据。
[0052]
s102：基于dtr历史量测数据，对目标时段起始点处导线温度及目标时段 内各目标时刻的气象要素分别进行概率预测，对应得到导线温度概率密度函数 及相应的气象要素概率密度函数。
[0053]
例如：于dtr历史量测数据(导线温度以及影响导线温度的微气象数据， 时间分辨率为30分钟)，对目标时段(一个前瞻时段)起始点处导线温度实施 概率预测，获得导线温度概率密度函数。
[0054]
基于dtr历史微气象数据(时间分辨率为30分钟)，对时段内各目标时刻 的气象要素实施概率预测(时段长度t
p
为30分钟，时刻间隔r
p
为5分钟)，获 得相应的气象要素概率密度函数。
[0055]
s103：对获得的概率密度函数进行抽样，生成全时段时间序列场景集，进 而得到不同允许温升时间下各场景的架空导线暂态载流量。
[0056]
依据cigre标准，在忽略导线径向温差将导线视作等温体的假设下，单位 长度架空导线热平衡方程可表示为：
[0057][0058]
其中，tc为导体温度(℃)，m为单位长度导体质量(kg
·
m-1
)，c
p
为导体比 热容(j
·
kg-1
·
k-1
)，pj为单位长度导体通过电流的焦耳发热量(w
·
m-1
)，ps为单 位长度导体的光照吸热量(w
·
m-1
)，pc为单位长度导体的对流散热(w
·
m-1
)， pr为单位长度导体的辐射散热(w
·
m-1
)。式(1)中右侧各项的具体表达如下：
[0059]
pj＝i2r
ac
(1 β(t
c-20))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0060]
ps＝αq
sdꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0061]
pc＝πλfnu(t
c-ta)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0062][0063]
pr＝πdσε[(tc 273)
4-(ta 273)4]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0064]
式(2)～式(6)中，i为导体电流(a)，r
ac
为20℃下单位长度导体的交 流电阻(ω)，β为电阻温度系数(k-1
)；α为导体表面的光照吸收率，qs为日 照强度(w
·
m-2
)，d为导体直径(m)；λf为空气热传导率(w
·
m-1
·
k-1
)，nu为努塞尔数，ta为气温(℃)，b、c、k1、k2、k3为条件系数，v为风速(m
·
s-1
)， γ为空气密度(kg
·
m-3
)，μf为空气动态粘度(kg
·
m-1
·
s-1
)，δ为风速与导体间的 夹角(
°
)，σ为斯蒂芬-玻尔兹曼常数(w
·
m-2
·
k-4
)，ε为导体辐射率。
[0065]
本实施例在对式(1)进行线性化的基础上求得其解析解。首先，对pj的 计算进行保守化处理，将式(2)中的tc取为导线最大允许运行温度t
max
，有 r
acmax
＝r
ac
(1 β(t
max-20))，而后对含有tc的4次多项式的式(6)右侧提取出(t
c-ta)， 并将余项中的tc取为常数t(令t＝t
max
)。最后，对简化处理后得到的一阶线 性微分方程求得解析解如下：
[0066][0067]
k1＝(i2r
acmax
αqsd)/mc
p
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0068]
k2＝(πλfnu πdσεt
∑
)/mc
p
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0069]racmax
为20℃下单位长度导体的交流电阻的最大值。k1和k2为中间变量。
[0070]
t
σ
为时间变量，表达式为：
[0071]
t
σ
＝[(t
max
273)2 (ta 273)2](t
max
ta 546)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0072]
其中，t
c0
为导线的初始温度。在热暂态过程起始时刻的导线温度、温升过 程中气象环境等参数给定的情况下，由式(7)仅需一步计算即可获得指定时刻 t的导线温度，相比数值积分方法可显著提高导线热暂态过程的计算速度。
[0073]
本实施例在式(7)基础上，取导线温度tc＝t
max
，推导得到架空导线暂态 载流量i
t
的快速计算表达式：
[0074][0075]
上式中，t代表时间(s)。
[0076]
s104：统计所述架空导线暂态载流量的概率分布，预测出架空导线暂态载 流量的概率，以挖掘出目标时段内架空导线的短时载流能力来指导调度方案的 制定。
[0077]
由式(11)可知，目标时段起始时刻的导线温度是影响架空导线暂态载流 量的主要变量之一，同时影响暂态载流量的其他变量(日照强度、气温、风速 和风向)也影响着起始时刻的导线温度。因此，为实现暂态载流量的概率预测， 首先需要预测目标时段起始时刻的导线温度，而在预测导线温度的过程中，除 考虑自身因素外还需考虑四气象要素对其产生的影响，以此提升预测效果。在 构建导线温度预测模型时，输入变量选择历史3小时的导线温度、气温和风速。
[0078]
为实现较好的预测效果，下面选用分位数回归模型(quantile regression， qr)、神经网络分位数回归模型(quantile regression neural network，qrnn)和 长短期记忆
神经网络分位数回归模型(quantile regression long short termmemory，qrlstm)三种预测模型对导线温度实施概率预测，通过对比分析选 取最优模型，以此用于变量的概率预测。
[0079]
分位数回归模型：
[0080]
20世纪80年代koenker和bassett提出了分位数回归算法。分位数回归算 法由最小二乘算法扩展得来，是一种经典的非参数概率预测方法，已在负荷、 风电预测中得到广泛应用。导线温度τ分位数的预测结果q(τ)可表示为:
[0081]
q(τ)＝β0(τ) β1(τ)x1 β2(τ)x2 l βn(τ)xnꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0082]
其中，xi(i＝1,2，
…
，n)为输入量，β(τ)＝[β0(τ),β1(τ),
…
,βn(τ)]为τ分位数预 测模型的参数向量。
[0083]
参数向量β(τ)表达为：
[0084][0085]
其中，yi为导线温度样本数据，m为样本数量，η
τ
(
·
)为检验函数，其表达式 为：
[0086][0087]
在估计得到β(τ)后，依据式(12)即可实现对导线温度的概率预测。
[0088]
神经网络分位数回归模型：
[0089]
分位数回归算法仅能考虑输入变量和输出变量之间的线性关系，为进一步 挖掘数据之间的关联性，2000年taylor提出了神经网络分位数回归模型。相比 于分位数回归算法，此模型利用神经网络的非线性核函数，可以分析输入变量 和输出变量之间的非线性关系，已在电力负荷预测中被广泛应用。设qrnn模 型采用三层神经网络，即输入层、单个隐含层和输出层。当给定输入变量x
i (i＝1,2，
…
，n)后，包含k个节点的隐含层表达为：
[0090][0091]
其中，τ为分位点，hk(τ)为隐含层节点，fh为隐含层激活函数，可选用relu 函数、tanh函数或sigmoid函数，为隐含层权重参数，为隐含层偏移参 数。以此为基础，输出层表达为：
[0092][0093]
其中，y(τ)为导线温度的τ分位数预测结果，fo为输出层激活函数，可选用 函数同上，为输出层权重参数，bo(τ)为输出层偏移参数。
[0094]
对qrnn模型式(15)和式(16)中的权重参数和偏移参数进行估计，旨 在最小化损失函数：
[0095]
[0096]
其中，m为样本数量，i(
·
)为指示函数，表达如式(18)所示，yj为第j个 导线温度实际样本值，α1和α2为正则化参数，用于约束模型复杂度和避免网络 过拟合，可通过交叉验证计算得到。
[0097][0098]
通过式(17)估计得到模型参数后，结合式(15)和式(16)，给定输入数 据即可对导线温度进行概率预测。
[0099]
长短期记忆神经网络分位数回归模型：
[0100]
qrnn作为一种传统的神经网络预测模型，其本身只对当前时刻的数据进 行处理，不考虑之前时刻的数据对当前的影响。然而导线温度和气象要素本身 在时间上存在一定的关联特性，因此qrnn模型会弱化导线温度的预测效果。 循环神经网络(recurrent neural networks,rnn)是一种改进的多层感知器网络， 可以将之前的运行状态考虑进当前的预测中，能够提高结果的准确性。然而当 历史时刻与当前时刻的时间间隔逐渐增大时，迭代次数会逐步增多，这使得通 过梯度下降法训练模型参数时，偏导数的连续相乘会引发梯度爆炸或梯度消失。 为解决此问题，1997年hochreiter和schmidhuber在rnn的基础上通过重构神 经元结构提出了长短期记忆神经网络。lstm网络的神经元包含三个“门”结构， 即输入门、输出门和遗忘门，以此来控制数据流在网络中的时序状态。其中， 输入门控制数据输入流程，输入数据包括上一时刻的输出和当前时刻的输入； 输出门控制数据输出流程，与上一时刻的记忆单元共同决定当前输出；遗忘门 控制数据保留流程，决定上一时刻记忆单元的遗忘程度。三个门控单元相互配 合以此保留有效数据并遗忘无效数据，具体结构如图2所示。
[0101]
设此lstm神经元的隐含层神经元个数为n，输入数据维度为s，组数为m。 由图2可见，t-1时刻的输出a
《t-1》
(nm)与t时刻的输入x
《t》
(s m)共同作 为lstm神经元的输入数据。图2中遗忘门部分计算表达如下：
[0102]f《t》
＝σ(ωf[a
《t-1》
,x
t
] bf)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0103]
式(19)中，f
《t》
(nm)为遗忘门的输出值，σ为sigmoid激活函数，ω
f (n(n s))为遗忘门权重参数，[a
《t-1》
,x
《t》
]((n s)m)表示由a
《t-1》
和x
《t》
拼接 而成的输入，bf(n 1)为遗忘门偏置参数。遗忘门的输出值f
《t》
与t-1时刻的记 忆单元c
《t-1》
(n m)进行哈达玛积运算得到(nm)，以此完成对记忆单元 中部分信息的剔除。
[0104]
图2中输入门部分计算过程表达如下：
[0105]i《t》
＝σ(ωi[a
《t-1》
,x
《t》
] bi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0106]c《t》
＝tanh(ωc[a
《t-1》
，x
《t》
] bc)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0107]
式(20)中，i
《t》
(n m)为输入门的输出值，ωi为输入门权重参数，bi为 输入门偏置参数。式(21)中，c
《t》
(n m)为临时记忆单元，tanh为激活函数， ωc和bc为相应的权重参数和偏置参数。输入门的输出值i
《t》
与t时刻的临时记忆 单元c
《t》
进行哈达玛积运算得到以此完成对记忆单元的新信息的 提炼。
[0108]
图2中输出门部分计算过程表达如下：
[0109]o《t》
＝σ(ωo[a
《t-1》
,x
《t》
] bo)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)
[0110][0111]
式(22)中，o
《t》
(nm)为输出门的输出值，ωo为输出门权重参数，bo为输出门偏置参数。式(23)中，和相加获得t时刻的记忆单元c
《t》
，在 tanh激活函数的作用下与输出门的输出值o
《t》
进行哈达玛积运算，最终得到t时 刻的输出值a
《t》
。
[0112]
以上为1个lstm神经元的结构分析，当应用lstm神经网络模型进行概 率预测时，应通过输入数据的步长确定网络中lstm神经元的个数，而后结合 式(13)和式(14)对lstm网络的输出进行分位数回归形式的最小化损失运 算(形成qrlstm)，以此估计网络中的各项参数，随后给定输入数据最终完成 概率预测。
[0113]
为对上述3种预测模型展开对比分析，采用某条220kv架空导线(导线型 号为lgj400/35)的历史量测数据，其时间范围为2020年3月1日至2020年5 月2日，时间分辨率为30分钟，选用前61天数据为训练集来训练预测模型， 后2天数据为测试集来检验预测方法的有效性。而后基于上述数据分析结果和 预测方法机理，以历史3小时(6个时段)的导线温度、气温和风速共同作为预 测输入对导线温度实施概率预测，测试集中48小时96个时段的导线起始温度 概率预测结果如图3(a)-图3(c)所示(以30分钟为预测时域滚动向前进行 预测)。
[0114]
由图3(a)-图3(c)可知，相比于qr和qrnn模型，采用qrlstm模 型预测得到的导线温度概率预测区间偏窄且0.5分位点与真实值的重合效果较 好。表1中给出了三者的预测区间平均宽度(average width of the prediction intervals,awpi)、mape和0.5分位数相对于真实值的均方根误差(root mean square error,rmse)。rmse的计算公式如下：
[0115][0116]
其中，n为样本数量(n＝96)，t
ci
为导线温度真实值，为导线温度0.5分 位数预测值。由表1可知，采用qrlstm神经网络模型计算得到的导线温度的 awpi、mape和rmse均最小，这表明qrlstm神经网络模型比qr和qrnn 模型更适应于此类概率预测，因此本实施例选用qrlstm神经网络模型对导线 温度进行概率预测的结果。
[0117]
在上述预测结果的基础上，依据核密度估计和曲线拟合技术生成导线温度 概率密度函数，而后通过数据抽样获得导线温度的预测数据，至此完成目标时 段起始时刻导线温度的概率预测。
[0118]
表1三种预测方法的awpi、mape和rmse
[0119][0120]
由以上分析可知，qrlstm神经网络模型更适合于导线温度的概率预测。 从数据特
性来看，微气象数据与导线温度数据存在一定的相似性，即非线性与 时间关联性，由此可以认为qrlstm神经网络模型同样适用于气象要素的概率 预测，因此选用qrlstm神经网络模型对目标时段内各时刻的气象要素进行概 率预测。构建qrlstm预测模型，输入变量为历史3小时内的气象要素数值， 所用数据为上文仿真数据，而后依据图1中步骤3所述，对目标时段内6个时 刻各气象要素的分位数实施预测，部分结果如图4(a)-图4(d)所示(以时段 内第3个时刻为例)。
[0121]
由图4(a)-图4(d)可知，采用qrlstm模型预测得到的四气象要素概 率预测区间对真实值具有较好的覆盖效果，且区间中的0.5分位点与真实值的重 合度较高，同时当预测所用数据波动性越小时，qrlstm模型的预测区间越窄， 如气温和夜间的日照强度，其数据波动性较小，则预测区间较窄，而风速和风 向的随机性较强，数据波动性较大，则二者的预测区间相对较宽。
[0122]
通过上述方法完成气象要素的分位数预测后，采用核密度估计与曲线拟合 技术生成相应时刻各气象要素的概率密度函数，而后通过数据抽样获得气象要 素时间序列场景集。在此基础上，将气象要素时间序列场景集与导线温度抽样 数据相结合，最终生成目标时段全要素时间序列场景集，以此用于架空导线暂 态载流量的计算。
[0123]
基于所用的220kv架空导线历史量测数据，并结合上述分析结果，取目标 时段长度为30min计算测试集中48h的暂态载流量概率分布，并通过与实测数 据下的计算结果进行对比分析以验证所提方法的有效性。
[0124]
根据图1中所述步骤，首先对测试集中96个时段起始时刻的导线温度进行 概率预测，生成相应的概率密度函数。而后对各时段内与起始时刻间隔 5min
…
30min处的各气象要素进行概率预测并获得相应的概率密度函数。随后对 以上概率密度函数进行2000次抽样，得到各时段时间序列场景集(场景集i)。
[0125]
基于场景集i进行暂态载流量的求解计算，得到96个时段暂态载流量概率 分布的95％置信区间预测结果。同时，计算传统不考虑时段内气象环境变化的 暂态载流量(仅依据96个时段起始时刻的导线温度及气象环境数据计算)，二 者结果对比如图5所示(以允许温升时间取15min为例)。
[0126]
从图5可以看出，基于传统方法和场景集i得到的预测结果的95％置信区间 对真实值均具有较好的覆盖效果，但基于场景集i的预测区间相对较小，预测精 度较高。对预先选定的两情景下的概率预测结果进行评价，如表2所示。由表2 可见，基于场景集i的概率预测结果各项指标均较小，说明考虑时段内气象环境 的变化更符合实际情况。
[0127]
表2 mape、ace和crps的计算结果
[0128][0129]
本实施例以暂态载流量表征架空导线的短时载流能力，在前文研究的基础 上对其实施概率预测，以此掌握未来时刻架空导线的短时载流能力。首先，基 于动态热定值(dynamic thermal rating,dtr)技术对架空线运行温度和运行气 象环境的历史量测数据，通过对多种预测方法进行对比分析，选出适合本问题 的最优方法来对导线温度和气象要素实施概率预测，而后通过曲线拟合与数据 抽样生成全时段时间序列场景集并进行相关性处理，随后依据此场景集数据和 计算公式求解架空导线的暂态载流量，最终对计算结果进行统计分析，完成架 空导线暂态载流量的概率预测，从而为运行人员提供全面的预防控制参考信息， 以指导调度方案的制定，提高了架空导线运行的安全性。
[0130]
实施例二
[0131]
本实施例提供了一种架空导线暂态载流量概率预测系统，其包括：
[0132]
(1)历史量测数据获取模块，其用于获取dtr历史量测数据；其中，所 述dtr历史量测数据包括架空导线历史运行温度和导线周围历史气象数据。
[0133]
在具体实施过程中，所述导线周围历史气象数据包括导线周围历史日照强 度、气温、风速和风向。
[0134]
(2)概率密度函数计算模块，其用于基于dtr历史量测数据，对目标时 段起始点处导线温度及目标时段内各目标时刻的气象要素分别进行概率预测， 对应得到导线温度概率密度函数及相应的气象要素概率密度函数。
[0135]
在具体实施过程中，采用长短期记忆神经网络分位数回归模型对目标时段 起始点处导线温度进行概率预测。
[0136]
采用长短期记忆神经网络分位数回归模型对目标时段内各目标时刻的气象 要素进行概率预测。
[0137]
(3)暂态载流量计算模块，其用于对获得的概率密度函数进行抽样，生成 全时段时间序列场景集，进而得到不同允许温升时间下各场景的架空导线暂态 载流量。
[0138]
其中，计算架空导线暂态载流量i
t
的公式为：
[0139][0140]racmax
＝r
ac
(1 β(t
max-20))
[0141]
k2＝(πλfnu πdσεt
∑
)/mc
p
[0142]
其中，t
c0
为导线的初始温度；t
max
为导线最大允许运行温度；r
ac
为20℃下 单位长度导体的交流电阻，β为电阻温度系数；α为导体表面的光照吸收率，qs为日照强度，d为导体直径，ta为气温，m为单位长度导体质量，c
p
为导体比 热容，λf为空气热传导率，nu为努塞尔数，σ为斯蒂芬-玻尔兹曼常数，ε为导体 辐射率，t
∑
为时间变量，r
acmax
为20℃下单位长度导体的交流电阻的最大值，k2为 中间变量。
[0143]
(4)暂态载流量概率预测模块，其用于统计所述架空导线暂态载流量的概 率分布，预测出架空导线暂态载流量的概率，以挖掘出目标时段内架空导线的 短时载流能力来指导调度方案的制定。
[0144]
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一 对应，其具体实施过程相同，此处不再累述。
[0145]
实施例三
[0146]
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程 序被处理器执行时实现如上述所述的架空导线暂态载流量概率预测方法中的步 骤。
[0147]
实施例四
[0148]
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上 并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所 述的架空导线暂态载流量概率预测方法中的步骤。
[0149]
本发明是参照根据本发明实施例的方法、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。
[0150]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领 域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则 之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之 内。