一种结合SOM聚类与IFOU方程的线路容量预测方法技术

本发明专利技术公开了一种结合SOM聚类与IFOU方程的线路容量预测方法，属于电力系统结合机器学习的技术领域。本方法是：

【技术实现步骤摘要】
一种结合SOM聚类与IFOU方程的线路容量预测方法


[0001]本专利技术属于电力系统结合机器学习的
，尤其涉及一种结合SOM聚类与IFOU方程的线路容量预测方法，用来评估提升输电线路传输容量。

技术介绍

[0002]目前，太阳能、风能等可再生能源在电力系统中的应用迅速增加。由于可再生能源的间歇性，输电线路扩容后不能全天运行。因此，可再生能源特点不足以促进电力公司增加成本用于输电线路的扩建，线路动态增容(DLR)技术可以应对这一问题。为了安全可靠地运行，但线路传输电流通常受静态线路额定值(SLR)的限制，该数值是基于极端气候制定的保守理论数值。结合架空输电线路的热模型，利用环境气候数据，可以估算出输电线路的实际SLR值，在保障线路安全运行的基础上，提高线路的传输容量。
[0003]近年来，相关技术通过引入时间序列预测的概念，已经能够证明DLR的未来值可以被高精度地预测。然而，截至目前为止，相关领域所采用的DLR预测模型都忽略了一些关联信息。如：常见的预测方法采用历史气象资料，用于预测未来风速、气温等天气条件的数值。然后，基于热平衡的DLR预报模型利用预测的气象资料计算DLR值，但基于热平衡的DLR预测模型漏掉了与DLR过去值偏差有关的信息，因此，天气预报的误差会降低DLR预报的精度。此外，在时间序列预测方法中，忽略了风速和太阳辐射的影响。因此，这些模型无法检测DLR的波动。
[0004]因此，首先利用输电线路DLR监测仪器记录了历史天气和DLR数据。在收集数据之后，将OU方程扩展到天气和时间序列信息。此外，还采用SOM聚类方法对数据进行分类，并开展训练。该训练算法能够确定多因子分的解IFOU方程，并能检测气象数据对DLR值的影响。与传统预测方法相比，该方法的实施提高了预测结果的准确性。此外，DLR的波动可以被高精度地检测出来。

技术实现思路

[0005]本专利技术的目的就在于提供一种结合SOM聚类与IFOU方程的线路容量预测方法。
[0006]本专利技术的目的是这样实现的：
[0007]具体地说，本方法包括下列步骤：
[0008]①
数据获取和预处理
[0009]首先分别获取一段时间的线路检测数据和当地天气数据，对缺失数据进行补齐，对不必要的数据进行剔除，其中历史线路数据为线路温度、线路载流量、线路环境历史天气数据包括温度、风速和太阳辐射；
[0010]②
引入布朗运动状态方程确定为IFOU方程
[0011]用布朗运动矢量来模拟天气数据的影响，确定隐藏因子的个数，包括风速、气温和太阳辐射，分析每个因子布朗运动的强度以及对DLR预测值的影响，形成多因子的IFOU方程表达式；
[0012]③
对不同的参数进行分组训练并构建出SOM模型
[0013]构建SOM模型对不同条件历史数据进行聚类，通过训练进行更新隐藏因子的选取范围、参数的确定性、隐藏因子的抽样选择和隐藏因子的强度参数，使DLR预测误差最小化；
[0014]④
根据SOM模型更新确定性因子参数
[0015]通过检测其跨距，计算出平均值、协方差和对数似然比最大值再代入求解IFOU方程第一项的确定性因子；
[0016]⑤
根据SOM模型更新隐藏因子强度
[0017]依据布朗运动矢量方程求解IFOU方程第二项的隐藏因子参数；同时结合SOM聚类分组样本数据更新IFOU中的确定性因子与隐藏因子参数；
[0018]⑥
利用IFOU过程进行DLR预测
[0019]将更新后参数代入IFOU方程，求解获得输电线路可承载传输容量预测值。
[0020]本专利技术具有下列优点和积极效果：
[0021]①
将OU方程应用于输电线路传输容量预测中，同扩展模型获得IFOU方程；传统的OU预测模型不能综合多种混合因子，因此需要考虑DLR时间序列数据的波动检测，但OU方程扩展到IFOU方程后，它可以确定隐藏的因素并描述这些隐藏因素对DLR曲线估计的影响。
[0022]②
本专利技术是一种新的方程参数更新方法，通过应用SOM网络聚类方法和最小化误差来设置，对样本数据进行分类处理，应用协方差矩阵和极大似然估计来分配IFOU过程的确定性参数，在确定相应的数据分布概率和抽样方法的基础上，对因子指示过程的样本进行了更新。
附图说明
[0023]图1是本方法的步骤图；
[0024]图2是SOM聚类流程图；
[0025]图3是方程参数更新流程图。
[0026]符号说明
[0027]A、指标：
[0028]k—隐藏因子的指数，
[0029]t—预测从1到T的区间的指数，
[0030]s—临界跨距数建模指数；
[0031]B、参数：
[0032]—k
th
个隐因子、为s
th
的临界跨距和时间t的布朗运动矢量，
[0033]—因子显示的过程样本，
[0034]—第k次布朗运动的强度，
[0035]—第k个隐藏因子的预测值，
[0036]Ψ—确定性加权矩阵IFOU的大小1
×
d，
[0037]μ—通过1
×
d确定IFOU的加权向量，
[0038]X
t
—t时刻的线路容量，
[0039]—隐因子预测的期望向量，
[0040]—隐因子预测的标准差向量；
[0041]C、缩写：
[0042]DLR—动态增容，
[0043]OU—Ornstein-Uhlenbeck方程，
[0044]IFOU—综合因子分解的Ornstein-Uhlenbeck方程，
[0045]SLR—静态线路额定值，
[0046]RMSE—均方根误差，
[0047]SOM—自组织映射。
具体实施方式
[0048]一、方法
[0049]1、本方法的步骤
[0050]如图1，本方法包括下列步骤：
[0051]①
数据获取和预处理-101；
[0052]②
根据布朗运动方程确定IFOU方程-102；
[0053]③
对不同的参数进行分组训练并构建出SOM模型-103；
[0054]④
更新确定性因子参数-104；
[0055]⑤
根据训练结果更新隐藏因子强度-105；
[0056]⑥
利用IFOU过程进行DLR预测-106。
[0057]2、工作机理
[0058]以下对本专利技术的工作机理进行简要说明：
[0059]传统的OU预测模型不能综合多种混合因子，因此需要将OU方程扩展到利用时间序列分析和天气数据来模拟天气对DLR预报的影响，考虑DLR时间序列数据的波动检测，因此将OU方程扩展到IFOU方程中，它可以确定隐藏的因素并描述这些隐藏因素对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合SOM聚类与IFOU方程的线路容量预测方法，其特征包括以下步骤：
①
数据获取和预处理(101)首先分别获取一段时间的线路检测数据和当地天气数据，对缺失数据进行补齐，对不必要的数据进行剔除，其中历史线路数据为线路温度、线路载流量、线路环境历史天气数据包括温度、风速和太阳辐射；
②
引入布朗运动状态方程确定为IFOU方程(102)用布朗运动矢量来模拟天气数据的影响，确定隐藏因子的个数，包括风速、气温和太阳辐射，分析每个因子布朗运动的强度以及对DLR预测值的影响，形成多因子的IFOU方程表达式；
③
对不同的参数进行分组训练并构建出SOM模型(103)构建SOM模型对不同条件历史数据进行聚类，通过训练进行更新隐藏因子的选取范围、参数的确定性、隐藏因子的抽样选择、隐藏因子的强度参数，使DLR预测误差最小化；
④
根据SOM模型更新确定性因子参数(104)通过检测其跨距，计算出平均值、协方差和对数似然比最大值再代入求解IFOU方程第一项的确定性因子；
⑤
根据SOM模型更新隐藏因子强度(105)依据布朗运动矢量方程求解IFOU方程第二项的隐藏因子参数；同时结合SOM聚类分组样本数据更新IFOU中的确定性因子与隐藏因子参数；
⑥
利用IFOU过程进行DLR预测(106)将更新后参数代入IFOU方程，求解获得输电线路可承载传输容量预测值。2.按权利要求1所述的线路容量预测方法，其特征在于：所述的数据获取和预处理(101)是：首先分别获取一段时间的线路检测数据和当地天气数据，对缺失数据进行补齐，对不必要的数据进行剔除，其中历史天气数据为导体温度、线路载流量、湿度、风速和太阳辐射，这些数据已经被证明是与DLR预测相关性较高的因素。3.按权利要求1所述的线路容量预测方法，其特征在于：所述的引入布朗运动状态方程确定为IFOU方程(102)：将OU过程扩展到利用时间序列分析，引入布朗运动状态方程来模拟天气对DLR预测的影响，基于ITO随机微分方程、DLR时间序列预测方法并考虑隐藏因子对DLR值的影响，建立IFOU方程的数学模型公式(1)；4.按权利要求1所述的线路容量预测方法，其特征在于：对所述不同的参数进行分组训练并构建出SOM模型(103)：对天气数据对线路载流量的影响，通过聚类的方法将样本数据分成三类，通过构建SOM模型对样本进行更新,分配确定性参数，对不同条件的隐藏因子训练其选取范围、抽样选择、对强度进行更新，使DLR预测误差最小化；其流程如下：a、确定网络架构(201)；
b、确定需要使用的数据数量(202)；c、确定需要用到的神经元数量(203)；d、确定合适的神经元(204)；e、计算变量对神经元的影响(205)；f、更新神经元的权重(206)。5.权按利要求1所述的线路容量预测方法，其特征在于：所述的根据SOM模型更新确定性因子的参数104：获取分类后的天气数据，分为确定性因子和影响因子两组分别处理，确认IFOU方程第一项的确定性参数，通过第一项转移向量Ψ
T
来确定DLR时间序列X
t
如何围绕平均向量μ而变化；其中，向量Ψ
T
∈R1×
d
和μ∈R
d
×1体现了过去DLR与预测点的关系，由历史数据互相关矩阵与方差计算获得；其流程如下：<...

【专利技术属性】
技术研发人员：刘志成，董向明，张梦雅，吴亚骏，王雄伟，易本顺，
申请(专利权)人：武汉大学，
类型：发明
国别省市：