一种基于多源数据融合的线路动态增容方法技术

本发明专利技术公开了一种基于多源数据融合的线路动态增容方法，本发明专利技术的有效果是在基于概率稀疏自注意力机制的神经网络结构模型中，通过融合特征序列信息、层次时序信息等多源信息，建立神经网络嵌入层，利用这些变量进行建模，用以提取输电线路容量变化的周期规律，基于历史序列实现长时间序列预测，对未来工况变化趋势进行合理预判。本发明专利技术的好处是可以实现对未来一段时间内的预测判断，通过一段时间的判断可以知道某条线路或者多条线路在未来一段时间内的综合变化情况，有利于对输电线路的额定荷载量提前进行更佳合理的调配。荷载量提前进行更佳合理的调配。荷载量提前进行更佳合理的调配。

A method of line dynamic capacity increase based on multi-source data fusion

【技术实现步骤摘要】
一种基于多源数据融合的线路动态增容方法


[0001]本专利技术属于电力系统
，涉及一种对高压线路的动态增容方法，特别是基于多源数据融合时的线路动态增容深度学习建模的方法。

技术介绍

[0002]目前输电线路的动态增容技术相对成熟，它主要是对输电线路和环境条件进行监测，在不突破现行技术规定的前提下，根据摩尔根等载流量模型计算出导线的最大允许载流量，充分利用线路客观存在的隐性容量，提高输电线路的实际输送容量。其中实时监测的参数包括导线的温度、张力、弧垂、温度、日照、风俗等参数特征，依据实时的上述参数特征进行及时地改变每条输电线路上的最大允许载流量，进而充分发挥每条线路上的性能，以便输送更大的电量载荷，提高输电线路输送能力的补偿能力。
[0003]目前随着新能源的兴起和科技的进步，在我国西部地区建设了更多的新能源发电厂，包括太阳能、风能。这些新能源的输电特点就是它们属于可再生能源，但也带来了一些问题。由于距离远、能量高，虽然可以额外增加输电线路，但同样得利用现有的输电线路进行运载，那么如此高能量的新能源电能是否可以使现有输电线的载荷量所承受，同时还要考虑如何更高效率地利用与调配现有输电线的输电能力。
[0004]现有技术在输电线动态增容的过程中大多采用单工况预测，如公开号为CN110321601A的专利，其公开了一种架空线路动态载流能力超前预测方法及系统，它通过引入注意力机制的循环神经网络进行预测，这样的结果只是能够预测未来一段时间内的一个点或者几个点，例如预测未来15分钟的一个线路点，这个线路在那个时间节点时所需要的容量，这种预测方式不能进行迭代学习。而对于多源电力数据融合的时代，仅仅这样预测显然达不到预测的目的。例如需要预测未来一小时这个时间段多条线路上的额定载荷量，以便在大规模输电高压、高峰时进行合理的调配。

技术实现思路

[0005]本专利技术的目的是为了使多条输电线路同时预测未来一段时间内的载荷容量，以实现在多源电力数据融合状态下的动态增容效果的技术问题，设计了一种基于多源数据融合的线路动态增容方法及系统，采用基于概率稀疏自注意力机制的神经网络结构对输电线路容量进行建模。训练过程中分为预训练和超参数微调两个过程，首先，基于地区电网多条相同电压等级的线路历史运行数据，进行神经网络模型的预训练，提取各输入特征变量之间、输入特征与预测目标之间、预测目标之间的模糊关联关系，然后，将预训练模型作为初始参数，基于目标线路历史运行数据，对模型网络超参数进行微调。在模型前向预测阶段，基于历史序列实现长时间序列预测，对未来工况变化趋势进行合理预判。
[0006]本专利技术的技术方案是，一种基于多源数据融合的线路动态增容方法，通过构建预测模型后，对未来输电线路的容量进行预测的过程，关键是，所述的线路动态增容方法的具体步骤如下：
[0007]a、构建概率稀疏自注意力机制的神经网络结构模型，增加由层次时序信息、特征序列信息及序列位置信息组成的模型嵌入层，将模型嵌入层作为预训练模型的输入样本集，形成预训练模型；
[0008]b、提取多条相同电压等级的线路历史运行数据，用预训练模型进行预训练，形成模型嵌入层与输电线路容量的关联关系；
[0009]c、当大队目标输电线进行预测时，根据目标输电线路的层次时序信息和目标变量的相关信息运行数据再用预训练模型对目标输电线进行训练，得到最终的目标线路动态增容预测模型；
[0010]d、采用所训练的线路动态增容预测模型对未来多时刻输电线路容量进行长序列预测。
[0011]所述的步骤a中，层次时序信息包括季节、月份、周、日、时信息。
[0012]所述的步骤a中，特征序列信息包括温度、环境湿度、风速、风向、降雨量、辐射强度、历史线路容量。
[0013]所述的步骤b中，模型嵌入层与输电线路容量的关联关系包括各输入特征变量之间、输入特征与预测目标之间的关联关系。
[0014]所述的步骤c中，目标输电线路的层次时序信息和目标变量的相关信息运行数据包括季节、月份、周、日、时信息以及温度、环境湿度、风速、风向、降雨量、辐射强度、历史线路容量。
[0015]本专利技术的有益效果是，
[0016]1、基于地区电网多条相同电压等级的线路历史运行数据，进行神经网络模型的预训练，可以实现当需要评估其中一条线路时，输入这条线路的参数，预训练模型可以对这条线路进行优化，因为存有预训练的记录，进而可以不断地迭代训练，通过模型可以不断地深度学习，以达到接近完美的预判处理能力，最终使得预判结果更佳精准。
[0017]2、本专利技术可以实现对未来一段时间内的预测判断，通过一段时间的判断可以知道某条线路或者多条线路在未来一段时间内的综合变化情况，有利于对输电线路的额定荷载量提前进行更佳合理的调配。
[0018]3、在基于概率稀疏自注意力机制的神经网络结构模型中，通过融合特征序列信息、层次时序信息等多源信息，建立神经网络嵌入层，利用这些变量进行建模，用以提取输电线路容量变化的周期规律，基于历史序列实现长时间序列预测，对未来工况变化趋势进行合理预判。
附图说明
[0019]图1是本专利技术中多源数据融合的线路动态增容模型嵌入层结构。
具体实施方式
[0020]下面结合附图以及具体实施例来说明本专利技术的线路动态增容方法的详细步骤内容。
[0021]本专利技术的重点在于模型的选择以及对模型的改进。其中基础模型采用基于概率稀疏自注意力机制的神经网络结构，通过融合特征序列信息、层次时序信息以及序列位置信
息等多源信息，建立神经网络嵌入层进行模型的预训练的过程。嵌入层的加入使得预测模型分析的更佳全面，可以全景分析影响线路容量的变量因素关系。其中层次时序信息包括：季节、月份、周、日、时信息，特征序列信息包括：温度、环境湿度、风速、风向、降雨量、辐射强度、历史线路容量。用以提取输电线路容量变化的周期规律。
[0022]在模型预训练阶段，基于各个地区电网中多条相同电压等级的线路历史运行数据，进行神经网络模型的预训练，提取各输入特征变量之间、输入特征与预测目标之间、预测目标之间的模糊关联关系；
[0023]针对某一线路中的目标变量训练阶段，预训练后的模型作为初始参数，根据目标输电线路的层次时序信息和目标变量相关信息运行数据进行模型微调；
[0024]在模型前向预测阶段，基于历史序列实现长时间序列预测，对未来工况变化趋势进行合理预判。
[0025]基础模型是基于概率稀疏自注意力机制的神经网络结构。其中，输入数据包括：季节、月份、周、日、时信息以及温度、环境湿度、风速、风向、降雨量、辐射强度、历史线路容量；输出数据为：输电线路容量。基础模型概率稀疏自注意力机制的具体步骤如下：
[0026]步骤1、确定输入：Q∈R
m
×
d
，K∈R
n
×
d
，V∈R
n
×
d
，其中，m、n为输入序列长度，d为模型输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源数据融合的线路动态增容方法，通过构建预测模型后，对未来输电线路的容量进行预测的过程，其特征在于：所述的线路动态增容方法的具体步骤如下：a、构建概率稀疏自注意力机制的神经网络结构模型，增加由层次时序信息、特征序列信息及序列位置信息组成的模型嵌入层，将模型嵌入层作为预训练模型的输入样本集，形成预训练模型；b、提取多条相同电压等级的线路历史运行数据，用预训练模型进行预训练，形成模型嵌入层与输电线路容量的关联关系；c、当大队目标输电线进行预测时，根据目标输电线路的层次时序信息和目标变量的相关信息运行数据再用预训练模型对目标输电线进行训练，得到最终的目标线路动态增容预测模型；d、采用所训练的线路动态增容预测模型对未来多时刻输电线路容量进行长序列预测。2.根据权利要求1所述的一种基于多源数...

【专利技术属性】
技术研发人员：习莉，覃栋，叶蕾，张豫鹏，王周韬，覃威威，梁庆光，
申请(专利权)人：广西电网有限责任公司南宁供电局，
类型：发明
国别省市：