一种基于BILSTM-MDN的传输线路动态热定值概率预测方法技术

本发明专利技术提供一种基于BILSTM

【技术实现步骤摘要】
一种基于BILSTM
‑
MDN的传输线路动态热定值概率预测方法


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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 rat本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BILSTM
‑
MDN的传输线路动态热定值概率预测方法，其特征在于，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和DTR序列数据进行归一化处理，其值域范围为[0,1]，其中，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；步骤2：分别计算风速序列、风向序列、环境温度序列、太阳辐照序列以及DTR序列的自相关系数；取自相关系数第一次小于0.6的时间点之前的序列的长度作为该序列的输入长度，并选取所有输入长度中最大的一个作为所有序列的共同输入长度M；步骤3：将数据按照步骤2计算出的共同输入长度生成滑窗特征和标签；当计算得到的输入长度为M时，将数据集中风速序列、风向序列、环境温度序列、太阳辐照序列以及DTR序列的第1到第M行作为输入数据矩阵，而DTR数据的第M+1个作为目标数据，并滚动生成滑窗数据集；将滚动生成的滑窗数据集分为训练部分和预测部分，训练部分用于模型的参数学习，预测部分用于对训练结果进行检验和评估；步骤4：搭建BILSTM
‑
MDN神经网络，设定超参数后，输入滑窗数据集的训练部分进行学习从而得到训练部分误差，再调整超参数直至误差达到最小；将传统的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，对DTR进行精确的概率预测；步骤5：保存训练好的模型，通过步骤3中分出的预测部分数据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；通过BILSTM
‑
MDN预测出概率密度后，通过积分计算其置信区间；计算出其置信区间之后，对预测的准确性进行评估。2.根据权利要求1所述的一种基于BILSTM
‑
MDN的传输线路动态热定值概率预测方法，其特征在于，所述的步骤4中，搭建的BILSTM
‑
MDN神经网络结构从前往后分别为输入层、BILSTM层、全连接层、MDN层、输出层；网络通过输入层输入训练数据，通过BILSTM提取数据中的时序特征，再通过MDN层得到预测值的概率密度，积分得到的概率密度即得到概率分布；其中：BILSTM是由从前往后运算的前向LSTM神经网络和从后往前运算的后向LSTM神经网路堆叠起来组成；混合密度网络MDN的网络结构包含两个隐含层和一个输出层，输出层输出高斯混合模型的σ、μ以及π参数；当给定输入变量x，高斯混合模型通过公式(3)的形式给出条件概率分布p(y|x)：其中，m为混合分布组件数，π

【专利技术属性】
技术研发人员：孙辉，卢雪立，高正男，胡姝博，金田，窦亚楠，朱宝航，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：