亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        微氣象分析與載流量預(yù)測(cè)結(jié)合的動(dòng)態(tài)線路增容方法

        2023-01-09 03:18:30嚴(yán)伯倫謝紅剛
        關(guān)鍵詞:預(yù)測(cè)值卷積流量

        嚴(yán)伯倫,謝紅剛,楊 明

        (湖北工業(yè)大學(xué)電氣與電子工程學(xué)院,武漢 430068)

        隨著我國經(jīng)濟(jì)的快速增長,以及對(duì)節(jié)能減排要求的不斷提高,在現(xiàn)有輸電條件下提升線路傳輸能力是目前電網(wǎng)的主要研究方向之一[1-2]。提高線路的輸電能力既能滿足經(jīng)濟(jì)增長所需的電力需求,也能提高資源利用率,減少資源消耗。但輸電線路的輸電能力受到線路發(fā)熱情況的影響,因此線路工作時(shí)必須保證其在安全的線路溫度下運(yùn)行,否則會(huì)存在許多安全隱患。為此,國際上給出IEEE 783標(biāo)準(zhǔn)熱平衡方程[3],用來反映線路載流量和風(fēng)速、風(fēng)向、環(huán)境溫度和太陽輻射之間的關(guān)系,電網(wǎng)根據(jù)熱平衡方程計(jì)算出輸電線路在不利氣象條件下(低風(fēng)速、高環(huán)境溫度和高太陽輻射值)的靜態(tài)恒定值SLR(static line rating),并將其設(shè)定為線路運(yùn)行時(shí)的最大載流量限值,該方法保證線路的安全性、可靠性,但浪費(fèi)了輸電能力。由于線路并不會(huì)一直運(yùn)行在不利條件下,因此根據(jù)實(shí)際氣象情況來動(dòng)態(tài)設(shè)定載流量限值的動(dòng)態(tài)增容DLR(dynamic line rating)技術(shù)成為一種替代方案。該技術(shù)根據(jù)線路周邊氣象環(huán)境的動(dòng)態(tài)狀況信息,計(jì)算實(shí)時(shí)或未來時(shí)刻線路允許的載流量值,在用電高峰期提升線路的輸電能力,保證用戶的用電質(zhì)量。

        目前,電網(wǎng)采用的DLR技術(shù)是將傳感器監(jiān)測(cè)導(dǎo)線的溫度、物理狀態(tài)(應(yīng)力、弧垂)與熱平衡方程中的各項(xiàng)參數(shù)相結(jié)合,通過提升熱力模型的準(zhǔn)確性來提升線路的輸電容量[4]。但這種DLR技術(shù)的實(shí)施依賴傳感器對(duì)線路環(huán)境數(shù)據(jù)和導(dǎo)線數(shù)據(jù)的在線監(jiān)測(cè),而架空輸電線路通常在室外,這就導(dǎo)致傳感器的工作環(huán)境較為惡劣,因傳感器損耗而造成的維護(hù)成本過高在一定程度上限制了DLR技術(shù)的進(jìn)一步推廣應(yīng)用。

        因此,一些學(xué)者提出了DLR的另一種實(shí)現(xiàn)方式,即將環(huán)境因素與線路負(fù)載值相結(jié)合,分析影響線路發(fā)熱的環(huán)境參數(shù)有哪些,構(gòu)建出更加精確的物理模型,以此來設(shè)定輸電線路載流量的安全限值[5-6]。該類物理模型通常以熱平衡方程為基礎(chǔ),但是引入了熱平衡方程中忽略的影響因素(例如降雨、覆冰等),通過改進(jìn)基礎(chǔ)熱平衡方程,提高載流量限值[7]。這種構(gòu)建物理模型的方式雖然原理簡(jiǎn)單,具有較好的可解釋性,但由于其通??紤]理想狀況下的線路情況(例如線路表面絕緣層完整、線路無污損等),而線路實(shí)際狀況較為復(fù)雜多變,因此,在對(duì)運(yùn)行年限較長的輸電線路進(jìn)行計(jì)算時(shí)會(huì)產(chǎn)生較大偏差。

        采用機(jī)器學(xué)習(xí)模型分析環(huán)境因素和載流量之間的依賴關(guān)系也是DRL技術(shù)的研究方向之一[8-9]。將載流量數(shù)據(jù)和氣象條件數(shù)據(jù)輸入到機(jī)器學(xué)習(xí)模型中,模型通過對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練來給每個(gè)輸入?yún)?shù)設(shè)定權(quán)重值,然后將訓(xùn)練好的權(quán)重值存儲(chǔ)在隱藏層中,用來反映氣象環(huán)境對(duì)載流量的影響程度,以此來提高線路載流量限值,達(dá)到DRL的目的[10]。機(jī)器學(xué)習(xí)模型雖然不依賴特定參數(shù)的選取,但由于歷史數(shù)據(jù)的體量大、跨度長,以及機(jī)器學(xué)習(xí)模型難以擬合數(shù)據(jù)之間的非線性關(guān)系,使得模型對(duì)數(shù)據(jù)的擬合效果有限,從而造成模型精度下降等問題。

        綜上所述,本文通過分析載流量和氣象條件歷史數(shù)據(jù)的時(shí)序特性,將Transformer[11]用于線路增容技術(shù)領(lǐng)域,并與卷積神經(jīng)網(wǎng)絡(luò)CNN(convolutional neural networks)、自回歸模塊AR(auto-regressive)組合,針對(duì)研究對(duì)象的數(shù)據(jù)特性設(shè)計(jì)了一個(gè)雙通道Transformer自回歸網(wǎng)絡(luò)DT-AR(double-channel transformer-autoregressive)。該網(wǎng)絡(luò)不僅能對(duì)時(shí)間序列自身的非線性關(guān)系進(jìn)行擬合,而且能夠獲取序列之間的非線性關(guān)系,通過DT-AR網(wǎng)絡(luò)來對(duì)線路在極端環(huán)境下多時(shí)步載流量進(jìn)行預(yù)測(cè),得到一個(gè)端對(duì)端的載流量輸出值,并將多時(shí)步載流量預(yù)測(cè)結(jié)果的谷值設(shè)定為最大載流量限值,在保障線路安全運(yùn)行的同時(shí)提升線路輸電能力,達(dá)到DLR的目的,為電網(wǎng)在用電高峰期的電力分配提供參考。

        1 相關(guān)工作

        IEEE 783[3]給出了架空線路輸電線路載流量及溫度計(jì)算標(biāo)準(zhǔn),根據(jù)IEEE 78所給出的導(dǎo)線熱平衡方程,載流量和氣象條件(風(fēng)速、日照輻射、環(huán)境溫度等)會(huì)影響導(dǎo)線的溫度變化。文獻(xiàn)[12-13]通過將熱平衡方程中各種影響因素的多元?dú)v史數(shù)據(jù)作為變量,利用神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí),對(duì)影響因素進(jìn)行預(yù)測(cè),將預(yù)測(cè)值輸入模型中設(shè)置線路載流量限值。文獻(xiàn)[14]將環(huán)境氣象條件作為影響DLR值的隱性因素、導(dǎo)線溫度作為影響DLR值的主要因素,對(duì)不同影響程度的影響因素構(gòu)建不同的數(shù)學(xué)方程來對(duì)DLR值進(jìn)行建模和預(yù)測(cè)。由此可知,氣象條件和線路狀態(tài)是影響載流量預(yù)測(cè)精度的關(guān)鍵,模型的預(yù)測(cè)精度越高,對(duì)電網(wǎng)設(shè)定最大載流量限值越具有實(shí)際指導(dǎo)意義。

        綜上所述,需要收集載流量值Xa、線路溫度Xl、環(huán)境溫度Xc、風(fēng)速Xw及日照輻射Xs的歷史時(shí)間序列數(shù)據(jù),并獲取各影響因素對(duì)載流量值Xa的影響權(quán)重進(jìn)而進(jìn)行最大載流量預(yù)測(cè)。

        根據(jù)文獻(xiàn)[15]所述的Pearson相關(guān)系數(shù)法,對(duì)所采集的數(shù)據(jù)進(jìn)行分析,判斷載流量和各氣象因素之間是否同時(shí)存在線性和非線性的混合關(guān)系,便于后續(xù)針對(duì)數(shù)據(jù)特性來進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)。Pearson相關(guān)系數(shù)法的計(jì)算公式為

        式中:Xa,l,c,w,s為由上述各類數(shù)據(jù)組成的向量矩陣:cov()表示計(jì)算各影響因素時(shí)間序列之間的協(xié)方差;var()表示計(jì)算時(shí)間序列的方差;Ypearsons為Pearsons系數(shù),表示不同時(shí)間序列之間的關(guān)系,取值范圍為[-1,1]。Ypearsons接近1表示兩組時(shí)間序列呈線性正相關(guān);Ypearsons接近0表示兩時(shí)間序列不相關(guān);Ypearsons接近-1表示兩組時(shí)間序列呈負(fù)相關(guān)。各影響因素之間的Pearson系數(shù)如表1所示,其中載流量和導(dǎo)線溫度數(shù)據(jù)通過國網(wǎng)華中分部監(jiān)測(cè)中心獲取,氣象數(shù)據(jù)源自氣象站采集的公開歷史數(shù)據(jù)。

        表1 各影響因素之間的Pearson系數(shù)Tab.1 Pearson coefficient values among various influencing factors

        從表1計(jì)算結(jié)果可以看出,載流量與環(huán)境溫度、日照強(qiáng)度之間存在著較強(qiáng)的線性相關(guān)性,而載流量與線路溫度和風(fēng)速為其他復(fù)雜關(guān)系。隨著長短期記憶網(wǎng)絡(luò)LSTM(longshorttermmemory)[16]、Transformer[11]等深度學(xué)習(xí)模型的出現(xiàn),由于這些模型對(duì)自身特性及非線性關(guān)系具有較好的擬合效果而受到關(guān)注。因此,本文根據(jù)時(shí)序數(shù)據(jù)的特性,將Transformer模塊、CNN和AR模塊進(jìn)行組合,用來擬合各時(shí)間序列的線性及非線性關(guān)系,有針對(duì)性地設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)。

        2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

        根據(jù)上述分析可知,網(wǎng)絡(luò)既要具有擬合數(shù)據(jù)周期性、季節(jié)性、趨勢(shì)性及線性關(guān)系的能力,又需要擬合氣象條件與載流量之間的非線性關(guān)系。因此,網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)必須同時(shí)滿足這些條件才能使得預(yù)測(cè)具有較高精度,模型的設(shè)計(jì)方法如下。

        DT-AR網(wǎng)絡(luò)如圖1所示。該網(wǎng)絡(luò)結(jié)構(gòu)針對(duì)數(shù)據(jù)的周期性、季節(jié)性和趨勢(shì)性,引入卷積核長度不同的CNN;對(duì)于不同時(shí)序數(shù)據(jù)之間的非線性關(guān)系通過Transformer模塊對(duì)其進(jìn)行擬合;AR模塊用來增強(qiáng)對(duì)多元時(shí)間序列的線性擬合。下面對(duì)網(wǎng)絡(luò)中的各個(gè)模塊進(jìn)行詳細(xì)分析,并對(duì)其數(shù)學(xué)原理進(jìn)行介紹。

        圖1 DT-AR網(wǎng)絡(luò)Fig.1 DT-AR network

        2.1 雙通道長短時(shí)域CNN卷積模塊

        對(duì)于載流量預(yù)測(cè)而言,載流量和各氣象因素時(shí)序特性存在著不同程度的差異。卷積長度較長的CNN的滑動(dòng)窗口能包含較長時(shí)段內(nèi)的數(shù)據(jù)信息;滑動(dòng)窗口長度較短的CNN能夠獲取較短時(shí)段和相鄰時(shí)步之間的數(shù)據(jù)影響關(guān)系及變化趨勢(shì)。

        因此,針對(duì)載流量和各氣象因素時(shí)間序列,設(shè)計(jì)一個(gè)雙通道長短時(shí)步卷積模塊,用來獲取其自身的數(shù)據(jù)特性。長時(shí)域卷積模塊的滑動(dòng)窗口T跨度較長,通常以w為單位,確保能夠包含一個(gè)較長時(shí)段內(nèi)的數(shù)據(jù)信息,用來擬合各時(shí)序數(shù)據(jù)的周期性、季節(jié)性;短時(shí)間卷積模塊的滑動(dòng)窗口長度為窗口較短,通常以h為單位,用以擬合短時(shí)間段內(nèi)載流量的變化趨勢(shì)。長時(shí)域CNN卷積和短時(shí)域CNN卷積并行構(gòu)成一個(gè)雙通道結(jié)構(gòu),能夠更好地獲取載流量和各氣象因素的時(shí)序數(shù)據(jù)特性。

        2.2 Transformer模塊

        長短時(shí)域CNN卷積模塊擬合各單變量時(shí)間序列自身的數(shù)據(jù)特征。而在實(shí)際問題中,氣象條件的變化也會(huì)對(duì)線路的散熱造成影響,從而影響載流量,這就要求DT-AR網(wǎng)絡(luò)有擬合氣象環(huán)境和載流量之間非線性關(guān)系的能力。而Transformer模塊在時(shí)間序列非線性相互關(guān)系擬合方面的能力突出[5],因此給網(wǎng)絡(luò)結(jié)構(gòu)中加入Transformer模塊,用來擬合載流量和氣象環(huán)境相互時(shí)序之間的依賴關(guān)系。Transformer模塊如圖2所示。

        圖2 Transformer模塊Fig.2 Module of Transformer

        在圖2中,Transformer由自注意力層(self-attention)和前饋層(feed forward)兩部分組成。在自注意力層中將載流量數(shù)據(jù)映射到矩陣Q1×T(L)中。Q1×T(L)可表示為

        將前文所提到影響載流量的氣象環(huán)境時(shí)序數(shù)據(jù)Xl、Xc、Xw、Xs組成的二維矩陣映射到矩陣K4×T(L)中。K4×T(L)可表示為

        在自注意力層中,矩陣Q1×T(L)和矩陣進(jìn)行點(diǎn)乘運(yùn)算,并將結(jié)果除以矩陣緯度dk=4,用來計(jì)算載流量和各氣象因素兩兩之間的相關(guān)程度,從而得到一個(gè)維度為1×4的權(quán)重矩陣。該權(quán)重矩陣中的數(shù)值表示各氣象因素對(duì)載流量的影響關(guān)系和程度。因此,在對(duì)載流量進(jìn)行第T+h個(gè)時(shí)步的預(yù)測(cè)時(shí),將T+h個(gè)時(shí)步組成的氣象條件矩陣V4×h與權(quán)重矩陣相乘,可以得到載流量第T+h個(gè)時(shí)步的預(yù)測(cè)值,其中T為用以訓(xùn)練的數(shù)據(jù)長度,矩陣V4×h可表示為

        自注意力層輸出的預(yù)測(cè)結(jié)果輸入到前饋層。在前饋層中,將預(yù)測(cè)的載流量和采集的載流量真實(shí)值通過損失函數(shù)softmax進(jìn)行歸一化處理和回歸,以此來不斷更新所需的權(quán)重矩陣,降低預(yù)測(cè)誤差,得到第T+h個(gè)時(shí)步的載流量預(yù)測(cè)值,預(yù)測(cè)結(jié)果用矩陣Z1×h表示,即

        最后,得到Transformer模塊輸出的多時(shí)步載流量預(yù)測(cè)矩陣Z。預(yù)測(cè)矩陣Z可表示為

        式(6)中,矩陣緯度dk用以對(duì)Q1×T(L)和點(diǎn)乘出的權(quán)重矩陣進(jìn)行平均化處理。

        2.3 AR模塊

        Transformer模塊描述了各時(shí)間序列之間非線性關(guān)系。為了反映載流量時(shí)間序列的線性關(guān)系,本文引入AR模塊。AR模塊在DT-AR網(wǎng)絡(luò)中用作提取線性關(guān)系,其將載流量時(shí)間序列的每個(gè)時(shí)步的觀測(cè)值作為輸入,通過回歸方程得到第n+h個(gè)時(shí)步的載流量預(yù)測(cè)值A(chǔ)n+h。AR模塊預(yù)測(cè)值A(chǔ)n+h為

        式中:An+h為n+h時(shí)刻的預(yù)測(cè)值;c0為AR模塊訓(xùn)練出的特值常數(shù)項(xiàng);ci為AR模塊訓(xùn)練后得到前面i個(gè)時(shí)步對(duì)應(yīng)預(yù)測(cè)值的權(quán)重;An-i為與ci相對(duì)應(yīng)的第i個(gè)時(shí)步的載流量;εn為預(yù)測(cè)值和實(shí)際值之間的絕對(duì)誤差,在AR模塊訓(xùn)練時(shí)用以作回歸計(jì)算;n為AR模塊滑動(dòng)窗口長度。為了保證上下兩個(gè)通道的輸入輸出大小一致,n選用短時(shí)域卷積模塊的長度,相比于長時(shí)域卷積模塊,較短的滑動(dòng)窗口更能模擬時(shí)間序列的線性關(guān)系。

        AR模塊利用預(yù)測(cè)點(diǎn)之前時(shí)間序列的線性組合來描述預(yù)測(cè)點(diǎn)及其以后時(shí)步的對(duì)應(yīng)值,任何時(shí)步的預(yù)測(cè)值A(chǔ)n+h都由前面n個(gè)時(shí)步的實(shí)際值來表示。

        2.4 DT-AR網(wǎng)絡(luò)輸出

        各時(shí)間序列通過長短時(shí)域CNN卷積模塊、Transformer模塊和AR模塊學(xué)習(xí)后,得到線性分量和非線性分量預(yù)測(cè)值,DT-AR的輸出為線性分量和非線性分量的混合。首先使用1個(gè)全連接層將長短時(shí)域兩個(gè)通道的Transformer輸出相結(jié)合,得到訓(xùn)練過后的非線性預(yù)測(cè)值,然后再與AR模塊的線性預(yù)測(cè)值輸出向量相加,得到最終預(yù)測(cè)值。因此,若要得到第h個(gè)時(shí)步的預(yù)測(cè)值,則將第h個(gè)時(shí)步的氣象數(shù)據(jù)輸入Transformer通道得到預(yù)測(cè)值ZT+h,并得到第h個(gè)時(shí)步AR模塊的預(yù)測(cè)值A(chǔ)n+h,最終將兩預(yù)測(cè)值相加得到第h個(gè)時(shí)步的最終預(yù)測(cè)值XT+h。XT+h可表示為

        3 數(shù)據(jù)分析

        為了驗(yàn)證DT-AR網(wǎng)絡(luò)的有效性,選取國網(wǎng)華中分部的咸夢(mèng)Ⅱ架空輸電線路數(shù)據(jù)組成數(shù)據(jù)集對(duì)其開展實(shí)驗(yàn)測(cè)試,分析本文網(wǎng)絡(luò)預(yù)測(cè)的準(zhǔn)確性,并與其他的深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行比較,最后通過對(duì)比Max/Min歸一化后的性能參數(shù)指標(biāo)衡量網(wǎng)絡(luò)的預(yù)測(cè)效果,并對(duì)本文網(wǎng)絡(luò)的性能進(jìn)行評(píng)估。性能參數(shù)指標(biāo)包括均方根誤差RMSE(root mean square error)、平均絕對(duì)誤差 MAE(mean absolute error)、最大誤差MaxE(max error),計(jì)算公式為

        式中:X為載流量的真實(shí)值;Xmin、Xmax分別為時(shí)間序列數(shù)據(jù)中的載流量最小值及最大值。

        3.1 數(shù)據(jù)來源

        由于長距離線路走廊需要跨越不同氣象環(huán)境的地理區(qū)域,而DLR值是由不利于導(dǎo)線散熱的環(huán)境來決定,因此選取咸寧到夢(mèng)山之間的咸夢(mèng)Ⅱ架空輸電線路位于不利環(huán)境的161塔桿(北緯29.368°,西經(jīng)114.848°)作為研究對(duì)象。該條架空線路選用了LGJ-400/35的鋼芯鋁絞線,每根導(dǎo)線的直徑為2.68 mm,根據(jù)標(biāo)準(zhǔn)規(guī)定導(dǎo)線的最高溫度為70℃。通過國網(wǎng)華中分部監(jiān)測(cè)中心獲取各耐張線夾最高溫度及其對(duì)應(yīng)的載流量;氣象數(shù)據(jù)源自巴黎高等礦業(yè)學(xué)院開設(shè)的太陽輻射數(shù)據(jù)(SoDa)和現(xiàn)代回顧性再分析應(yīng)用數(shù)據(jù)(MERRA),可由全球任意經(jīng)緯度查到所需的歷史氣象數(shù)據(jù)。從上述平臺(tái)中收集了夏、冬兩季(2020年5月31日—8月31日、2020年10月1日—12月31日)用電高峰期的各項(xiàng)歷史數(shù)據(jù),數(shù)據(jù)密度以h為單位,將各類數(shù)據(jù)整理成時(shí)間序列的形式,并且剔除錯(cuò)誤數(shù)據(jù)后得到4 484組數(shù)據(jù),其中2 690組作為訓(xùn)練集,1 345組作為驗(yàn)證集,449組用作測(cè)試集。

        3.2 DT-AR參數(shù)選取

        利用獲取的各項(xiàng)數(shù)據(jù),對(duì)DT-AR網(wǎng)絡(luò)設(shè)置不同的參數(shù),得到訓(xùn)練結(jié)果,對(duì)比各數(shù)據(jù)的差異性,以此來獲得時(shí)間序列的復(fù)雜關(guān)系。由圖3(a)可以看出,當(dāng)長卷積長度T=(24×7)h時(shí),RMSE、MAE、MaxE均為不同長時(shí)域卷積長度下的最小值。由此可得出,各變量時(shí)間序列本身存在7 d為1個(gè)周期的周期性,因此設(shè)置長時(shí)域卷積長度為(24×7)h。

        在確定長時(shí)域卷積長度的基礎(chǔ)上,改變短時(shí)域卷積長度得到性能結(jié)果如圖3(b)所示??梢钥闯?,當(dāng)短時(shí)卷積長度L=6 h時(shí),各誤差值均為最小值,表明短時(shí)步內(nèi)當(dāng)前時(shí)步的值與未來6個(gè)時(shí)步的值存在聯(lián)系。圖3(c)為短卷積模塊中濾波器長度的選取,可以看出,雖然不同濾波器長度的RMSE、MAE相差不大,但在濾波器的長度參數(shù)f=3時(shí)最大誤差最小,因此選取濾波器的長度參數(shù)f=3。由此可以看出,多元時(shí)間序列存在著周期性和短時(shí)步依賴性的混合關(guān)系。

        對(duì)DT-AR網(wǎng)絡(luò)進(jìn)行消融實(shí)驗(yàn),分析各模塊在網(wǎng)絡(luò)中是否起到了優(yōu)化作用。具體來說,在DT-AR網(wǎng)絡(luò)中分別單獨(dú)刪除長時(shí)域卷積、短時(shí)域卷積和AR分量,觀察預(yù)測(cè)精度的變化。消融實(shí)驗(yàn)結(jié)果如圖3(d)所示??梢?,當(dāng)沒有AR模塊時(shí),網(wǎng)絡(luò)預(yù)測(cè)誤差顯著提升,表明AR模塊有著至關(guān)重要的作用。當(dāng)刪除長時(shí)域卷積和短時(shí)域卷積時(shí),網(wǎng)絡(luò)性能也受到損失,但比AR模塊損失小。這是因?yàn)閮蓚€(gè)卷積部分所學(xué)習(xí)的時(shí)間序列特性一致,當(dāng)1個(gè)卷積模塊被刪除時(shí),丟失的特性可從另外一個(gè)卷積模塊獲得。消融實(shí)驗(yàn)結(jié)果表明,各模塊均提升了網(wǎng)絡(luò)預(yù)測(cè)的準(zhǔn)確性。

        圖3 DT-AR網(wǎng)絡(luò)參數(shù)對(duì)比Fig.3 Comparison of DT-AR network parameters

        3.3 預(yù)測(cè)對(duì)比

        本文將數(shù)據(jù)放入向量自回歸模型VAR(vector autoregressive model)、雙向長短記憶神經(jīng)網(wǎng)絡(luò)BiLSTM(bi-directional long short-term memory)和卷積-雙向長短期記憶CNN-BiLSTM(convolutional neural networks bi-directional long short-term memory)中進(jìn)行學(xué)習(xí),將預(yù)測(cè)結(jié)果與DT-AR網(wǎng)絡(luò)訓(xùn)練出的預(yù)測(cè)值進(jìn)行比較,對(duì)比不同深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)咸夢(mèng)Ⅱ線路DLR預(yù)測(cè)結(jié)果的準(zhǔn)確性。

        從表2可以看出,DT-AR的預(yù)測(cè)精度優(yōu)于VAR、BiLSTM和CNN-BiLSTM??梢姡捎趯W(xué)習(xí)多時(shí)間序列之間復(fù)雜的非線性依賴性,DT-AR網(wǎng)絡(luò)更能解決復(fù)雜的預(yù)測(cè)任務(wù)。DT-AR對(duì)具有動(dòng)態(tài)周期模式或非周期模式的多變量時(shí)間序列具有更高的準(zhǔn)確性。

        表2 不同深度學(xué)習(xí)網(wǎng)絡(luò)預(yù)測(cè)誤差值Tab.2 Prediction error values of different deep learning networks

        BiLSTM和CNN-BiLSTM是通過前面時(shí)刻的結(jié)果來預(yù)測(cè)下一個(gè)或幾個(gè)時(shí)步的值。VAR主要擬合數(shù)據(jù)的線性關(guān)系,而線路的實(shí)時(shí)容量是受多方面因素共同影響,網(wǎng)絡(luò)無法獲取時(shí)間序列之間的依賴關(guān)系,因此預(yù)測(cè)結(jié)果與實(shí)際值存在著較大誤差。圖4為不同預(yù)測(cè)網(wǎng)絡(luò)的MAE。可以看出,針對(duì)于咸夢(mèng)Ⅱ回線負(fù)荷預(yù)測(cè),DT-AR網(wǎng)絡(luò)完成的預(yù)測(cè)任務(wù)在1~12個(gè)時(shí)步內(nèi),預(yù)測(cè)值和實(shí)際值的MAE均在60 A以下,誤差率最大僅為10%左右,相較其他網(wǎng)絡(luò),DT-AR在單步和多步預(yù)測(cè)的精確度上有一定提升,能夠較好地完成預(yù)測(cè)任務(wù)。

        圖4 DT-AR、VAR、BiLSTM、CNN-BiLSTM 網(wǎng)絡(luò)1~12 h預(yù)測(cè)精度對(duì)比Fig.4 Comparison of prediction accuracy for 1~12 h among DT-AR,VAR,BiLSTM and CNNBiLSTM networks

        3.4 DT-AR網(wǎng)絡(luò)多時(shí)步預(yù)測(cè)

        以2020年夏季數(shù)據(jù)作為實(shí)驗(yàn)對(duì)象,觀察測(cè)試集設(shè)置不同時(shí)步長度時(shí)預(yù)測(cè)結(jié)果的準(zhǔn)確性和變化特性,對(duì)DT-AR網(wǎng)絡(luò)預(yù)測(cè)不同時(shí)步長度的預(yù)測(cè)效果進(jìn)行對(duì)比。網(wǎng)絡(luò)的預(yù)測(cè)性能如表3所示。預(yù)測(cè)效果如圖5所示。從實(shí)驗(yàn)結(jié)果可以看出,DT-AR網(wǎng)絡(luò)在進(jìn)行不同時(shí)步長度預(yù)測(cè)時(shí),預(yù)測(cè)值均能較好地跟隨真實(shí)載流量的變化特性,根據(jù)前h個(gè)時(shí)步的環(huán)境條件和載流量真值變化趨勢(shì)進(jìn)行預(yù)測(cè),預(yù)測(cè)結(jié)果與實(shí)際值之間的RMSE的最大值為0.186,MAE的最大值為0.156。多時(shí)步預(yù)測(cè)h>1時(shí)和單時(shí)步預(yù)測(cè)h=1的精度誤差近似,可以得出DT-AR在進(jìn)行多步預(yù)測(cè)時(shí)能較好地獲取數(shù)據(jù)特性,具有較高的準(zhǔn)確性,輸出的數(shù)據(jù)仍具有參考價(jià)值。

        表3 DT-AR設(shè)置不同時(shí)步長度h時(shí)預(yù)測(cè)精度Tab.3 Prediction accuracy of DT-AR with different values of time step length h

        圖5 DT-AR網(wǎng)絡(luò)分別設(shè)置不同時(shí)步長度h時(shí)對(duì)夏季載流量的預(yù)測(cè)結(jié)果Fig.5 PredictionresultsofampacityinsummerbyDT-AR network with different values of time step length h

        3.5 最大載流量限值預(yù)測(cè)

        DRL技術(shù)要求在提升線路輸電能力的同時(shí),也要保證線路在運(yùn)行時(shí)的安全性。由于線路實(shí)際運(yùn)行情況是連續(xù)的,而且在一定時(shí)間段內(nèi)的趨勢(shì)一致[17],但是SLR沒有考慮線路在運(yùn)行中的實(shí)際狀態(tài),使得線路的輸電能力被浪費(fèi)。DT-AR網(wǎng)絡(luò)根據(jù)現(xiàn)有載流量的變化趨勢(shì),與實(shí)際氣象情況相結(jié)合,將當(dāng)前時(shí)間段內(nèi)的預(yù)測(cè)最低值作為線路在未來時(shí)段內(nèi)的最大載流量限值,達(dá)到安全增容的目的。

        根據(jù)電網(wǎng)設(shè)定的輸電線路安全運(yùn)行標(biāo)準(zhǔn),將影響線路載流量的氣象條件設(shè)定為高線溫為70℃、高環(huán)境溫度為40℃、最大日照輻射能為1 000W/m2和風(fēng)速為0.5 m/s。通過DT-AR網(wǎng)絡(luò)對(duì)夏季載流量最高日(2020年7月24日20:00—次日07:00)和冬季載流量最高日(2020年12月14日20:00—次日07:00)12 h進(jìn)行實(shí)驗(yàn),結(jié)果如圖6所示。將DT-AR網(wǎng)絡(luò)輸出12 h時(shí)步內(nèi)的載流量谷值設(shè)為最大載流量限值,線路輸電能力在夏季提升了214.19 A,冬季提升了213.28 A,輸電線路的傳輸能力仍有較大的提升空間。在用電高峰期時(shí),可以將DT-AR網(wǎng)絡(luò)輸出的最大載流量值作為一個(gè)參考值,適當(dāng)提高線路的載流量,保證用電質(zhì)量。

        圖6 夏、冬兩季度中用電峰值時(shí)期根據(jù)DT-AR輸出12 h的最大載流量限值Fig.6 Maximum allowable ampacity limit values predicted by DT-AR for 12 h during peak power consumption period in summer and winter

        4 結(jié)語

        本文通過獲取輸電線路周邊氣象因素、線路狀態(tài)與載流量的時(shí)間序列數(shù)據(jù),根據(jù)數(shù)據(jù)特性構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)DT-AR來擬合三者之間的復(fù)雜關(guān)系。然后將IEEE標(biāo)準(zhǔn)下導(dǎo)線允許運(yùn)行的極端條件設(shè)定為固定值,通過訓(xùn)練好的權(quán)重網(wǎng)絡(luò)輸出多時(shí)步下的最大載流量限值,以此來實(shí)現(xiàn)DLR的目的。在夏、冬兩季用電峰值期間的實(shí)驗(yàn)結(jié)果表明,本文所設(shè)計(jì)的DT-AR網(wǎng)絡(luò)相比其他深度學(xué)習(xí)網(wǎng)絡(luò)的預(yù)測(cè)精確度更高,且在多時(shí)步預(yù)測(cè)的表現(xiàn)上也有顯著提升,線路的輸電能力仍有較大的提升空間,能夠在用電高峰期提升最大載流量的限值,緩解用電壓力,在電網(wǎng)進(jìn)行載流量分配時(shí)具有一定的參考意義。

        猜你喜歡
        預(yù)測(cè)值卷積流量
        IMF上調(diào)今年全球經(jīng)濟(jì)增長預(yù)期
        企業(yè)界(2024年8期)2024-07-05 10:59:04
        冰墩墩背后的流量密碼
        玩具世界(2022年2期)2022-06-15 07:35:36
        加拿大農(nóng)業(yè)部下調(diào)2021/22年度油菜籽和小麥產(chǎn)量預(yù)測(cè)值
        基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
        ±800kV直流輸電工程合成電場(chǎng)夏季實(shí)測(cè)值與預(yù)測(cè)值比對(duì)分析
        張曉明:流量決定勝負(fù)!三大流量高地裂變無限可能!
        尋找書業(yè)新流量
        出版人(2020年4期)2020-11-14 08:34:26
        法電再次修訂2020年核發(fā)電量預(yù)測(cè)值
        國外核新聞(2020年8期)2020-03-14 02:09:19
        從濾波器理解卷積
        電子制作(2019年11期)2019-07-04 00:34:38
        基于傅里葉域卷積表示的目標(biāo)跟蹤算法
        日本黑人乱偷人妻在线播放| 精精国产xxxx视频在线| 久久国产乱子伦精品免费强| 日韩av一区二区三区精品| 亚洲精品一区二区在线免费观看| 国产麻豆剧果冻传媒一区| 丰满老熟妇好大bbbbb| 美女污污网站| 国产一区二区杨幂在线观看性色| 亚洲男女内射在线播放| 在线亚洲午夜理论av大片| JIZZJIZZ国产| 色婷婷久色国产成人免费| 日本丰满老妇bbw| 性动态图av无码专区| 亚洲欧美中文字幕5发布| 国产av一区二区精品久久凹凸| 国产自产av一区二区三区性色| 国产激情视频在线观看首页| 97在线视频人妻无码| 性xxxx视频播放免费| 亚洲色婷婷综合开心网| 亚洲av成人一区二区| 国产精品成人va在线观看| 日韩在线免费| 亚洲国产都市一区二区| 国产内射爽爽大片| 国产人与禽zoz0性伦| 亚洲无码性爱视频在线观看| 熟女一区二区国产精品| 人妻丰满熟妇无码区免费| 亚洲专区欧美| 亚洲av性色精品国产| 天天综合网网欲色| 国产在线观看免费观看| 无码国产精品一区二区免费式芒果 | 亚洲国产精品国自拍av| 欧美黑人性暴力猛交喷水| 91综合在线| 久久精品国产亚洲片| 中国少妇久久一区二区三区|