区域天气预报用于地区电网架空线路热定值概率预测方法与流程

本发明涉及电网技术领域，特别是涉及区域天气预报用于地区电网架空线路热定值概率预测方法。

背景技术

当前，随着发电、负荷的不断增长、新能源发电的大规模接入使电网载荷能力面临挑战，成为制约电力系统经济运行及新能源消纳的重要因素之一，如何充分利用现有输电元件载荷能力，提高其使用效率已成为电力工作者关注的焦点问题。

架空输电线路的最大允许载流量(热定值)与气象环境密切相关，目前工程中广泛使用的静态热定值(staticthermalrating,str)是在假设较为不利的气象条件(高气温、低风速，强日照)同时发生的情况下计算得到的，具有明显的保守性。对此，上世纪70年代美国学者davis提出了动态热定值(dynamicthermalrating,dtr)的技术框架，旨在根据输电线路微气象量测实时计算其热定值。dtr体现了输电元件载荷能力的时变性，研究表明在多数情况下架空线路dtr均显著高于str。

在此基础上，文献“王孔森，盛戈皞.基于径向基神经网络的输电线路动态容量在线预测[j].电网技术，2013，37(6)：1719-1725.”基于架空线路微气象量测的历史数据，利用径向基神经网络进行风速、光照强度及环境温度变化规律的在线学习和预测，进而实现了输电线路动态热定值的点预测。

文献“任丽佳，江秀臣，盛戈皞，等.输电线路允许输送容量的混沌预测[j].中国电机工程学报，2009，29(25)：86-91”则基于动态热定值的历史数据，运用混沌预测理论实现架空线路热定值的短期预测。

文献“junpengzhan.timeseriesmodellingfordynamicthermalratingofoverheadlines.ieeetransactionsonpowersystems,2017,32(3):2172-2182”进一步考虑到对热定值预测结果不确定性的描述，基于微气象历史数据，结合累积式自回归积分滑动平均(arima)时间序列模型以及多项式分位点回归的方法实现了架空线路热定值的概率密度预测。

此外，文献“fulinfan,keithbell,davidinfield.probabilisticreal-timethermalratingforecastingforoverheadlinesbyconditionallyheteroscedasticauto-regressivemodels.ieeetransactionsonpowerdelivery，2017，32(4)：1881-1890”采用自回归条件异方差模型滚动预测架空线路半小时内每十分钟的各气象要素，并实现架空线路动态热定值的概率密度预测。

以上热定值预测的研究为dtr技术与电网运行调控的结合奠定了基础，对实现输电线路载荷能力的充分利用具有重要意义。然而，现有架空线路热定值预测的研究主要依据架空线路微气象的在线监测数据，虽然架空线在线监测的相关技术已较为成熟(如dtr系统)但其实施也必然增加相关量测、通信设备的投资以及日常的运维成本，这在一定程度上限制了架空线路动态热定值计算及预测技术的广泛应用。

目前，随着全国范围内气象监测数据的日趋完善及开放平台的建设，区域天气预报(如各城市天气预报或网格化区域的数值天气预报)已能够提供多种气象要素的预报信息且易于获取，而区域内或附近的微气象变化与区域整体天气变化之间存在密切关联。

技术实现要素：

为了解决现有技术的不足，本发明提供了区域天气预报用于地区电网架空线路热定值概率预测方法，本发明的方法可摆脱对在线监测设备的依赖，便于工程应用。

区域天气预报用于地区电网架空线路热定值概率预测方法，包括：

对区域天气预报历史数据作为训练集进行预处理剔除天气预报不良数据；

在训练集中提取相同季度下气象要素环境温度、风速、风向以及光照强度的区域天气预报值以及对应小时内的架空线路的微气象数据；

计算在各气象区间内的各气象要素预报值与微气象之间的偏差，建立气象偏差的样本集合；

基于气象偏差样本集合，估计各季度下各个气象要素在各预报区间内的气象偏差的概率密度分布；

在获得气象偏差的概率密度分布曲线后，拟合得到不同季度下各个气象要素在各预报区间内的气象偏差的概率密度函数；

根据预测时段内各个气象要素的区域天气预报值选择其所在区间的气象偏差的概率密度函数，通过随机抽样获得各个气象要素偏差，与预测时段天气预报叠加，获得预测时段内架空线路关键线档的微气象数据，计算预测时段内的架空线路热定值；

估计预测时段内架空线路热定值的概率密度分布。

进一步优选的技术方案，对区域天气预报历史数据作为训练集进行预处理时，采用模糊等价矩阵的聚类分析方法，以区域天气预报误差为特征对区域天气预报历史数据进行聚类分析，确定不良数据检测门槛值以辨识并剔除天气预报不良数据。

进一步优选的技术方案，计算在各气象区间内的各气象要素预报值与微气象之间的偏差时，具体的计算方式为：

式中，向量yi为某气象要素区域天气预报在第i个区间内时的气象偏差统计向量；为某气象要素第i个预报区间中第n个小时内第m个微气象量测数据，设某气象要素在该季度中共有n个小时的区域天气预报值落在第i区间内；i为单位向量，λi,n为某气象要素第i个预报区间中第n小时的区域天气预报值，b为区间的个数。

进一步优选的技术方案，基于气象偏差样本集合，估计各季度下各个气象要素在各预报区间内的气象偏差的概率密度分布时，使用高斯函数作为parzen窗估计的窗口函数，概率密度估计式的表示如下：

其中，pi(x)为某气象要素第i区间中气象偏差x的概率密度；k(·)为高斯核函数；yi.u为某气象要素第i预报区间中第u个偏差样本；h为带宽系数。

进一步优选的技术方案，计算预测时段内的架空线路热定值，计算公式为：

其中，tmax为架空导线长期连续运行的最大允许温度，qs为日照吸热量(w/m)，主要与日射强度有关，qc为单位长度导体的空气对流散热量(w/m)，与风速、风向以及导体与环境温差等因素有关；qr为热辐射散热量(w/m)，主要与导体和环境的温差有关，r(tma)为温度tma下单位导线长度电阻。

进一步优选的技术方案，在获得气象偏差的概率密度分布曲线后，利用高斯函数拟合得到不同季度下4个气象要素在各预报区间内的气象偏差的概率密度函数。

进一步优选的技术方案，计算预测时段内的架空线路热定值时，反复对预测时段内的微气象数据进行抽样并计算热定值，直至热定值的概率密度分布基本不变时计算结束。

进一步优选的技术方案，各气象要素按区域天气预报数值分区间统计气象偏差的分布。

进一步优选的技术方案，区域天气预报数据与周边架空线微气象数据偏差的分布呈近似正态分布。

进一步优选的技术方案，利用parzen窗法估计预测时段内架空线路热定值的概率密度分布。

与现有技术相比，本发明的有益效果是：

本发明首先结合实测微气象及区域天气预报数据分析了两者之间的相关性及偏差的分布规律，在此基础上提出了将区域天气预报用于架空线路热定值概率预测的思路及实施步骤，最后结合某架空线实测微气象数据及小时级区域天气预报验证了所提出热定值概率预测方法的有效性。在根据历史微气象及区域天气预报数据统计两者偏差分布规律的基础上，本申请方法可依据区域天气预报信息给出预测时段内热定值可能的波动范围及概率分布，预测结果对帮助调度高效利用输电线路载荷能力，提高电力系统安全经济运行水平具有实际意义。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为3个线档的区域天气预报与微气象的相关系数；

图2(a)-图2(d)为线档1各气象要素偏差的频率分布直方图；

图3(a)-图3(d)为线档2各气象要素偏差的频率分布直方图；

图4(a)-图4(d)为线档3各气象要素偏差的频率分布直方图；

图5区域天气预报用于热定值概率预测的思路；

图6(a)-图6(d)各气象要素偏差的概率密度分布；

图7架空线路热定值概率密度分布；

图8预测时段内不同分位数预测值、静态热定值与实测值；

图924小时架空线路动态热定值不同分位数滚动预测；

图1024小时架空线实际热定值与预测值分位数滚动预测；

图11(a)-图11(d)各气象要素区域天气预报与实际气象数据对比；

图122015年dtr预测结果采样与实际热定值对比；

图132016年dtr预测结果采样与实际热定值对比；

图142017年dtr预测结果采样与实际热定值对比。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

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申请的示例性实施方式。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。

区域内或附近的微气象变化与区域整体天气变化之间存在密切关联，本申请利用这一关联关系，在统计分析区域天气预报相对架空线微气象偏差的分布规律的基础上，提出区域天气预报用于输电线路动态热定值概率预测的方法，为在一定程度上摆脱架空线路热定值预测对在线监测系统的依赖提供支持，并为运行人员合理设定架空线路热定值，改善str的保守性提供依据。

架空输电线路热定值计算模型：根据ieee标准，架空线路稳态热平衡模型可由式(1)描述：

qi(t(t))+qs(t)＝qc(t(t))+qr(t(t))(1)

式(1)中，t表示时间(s)，t表示导线温度(℃)；等式左侧qi为考虑导体电阻温度效应下的单位长度导线的电阻发热量(w/m)，与导线载流和温度有关；qs为日照吸热量(w/m)，主要与日射强度有关。等式右侧qc为单位长度导体的空气对流散热量(w/m)，与风速、风向以及导体与环境温差等因素有关；qr为热辐射散热量(w/m)，主要与导体和环境的温差有关。式(1)描述了导体热稳态下吸热与散热之间的平衡关系，式中各吸、散热项的具体计算式如下：

qi(t)＝i²r(t)(2)

qs＝αqsesin(θ)a′(4)

式(2)～式(6)中，i为架空线路载流(a)，r(t)为温度t下单位导线长度电阻(ω)，[tlow,thigh]为电阻-温度线性关系的存续区间，本申请设定tlow为25℃,thigh为75℃；d为导线直径(mm),ε为导体的散热系数,α为导体光照吸收率，a’为单位长度的导体投影面积(mm/m²)，由导线材料及型号决定；kf为空气导热系数(w/(m·℃))；qc1为低风速时计算的单位长度导体的空气对流散热量，qc2适用于高风速。在任何风速下，应使用两个计算式中对流散热量较大者。在零风速下，发生自然对流，应采用qc3计算空气对流散热量；qse为光照强度(w/m²)，ρf为空气密度(kg/m³)，μf为空气的动态粘度(pa·s)，θ为有效的太阳光线入射角(°)，与导线所处地理位置及海拔有关；ta为导线周围环境温度(℃)；vw为风速(m/s)；kangle为风向因子，和架空线路与风向的夹角有关。

由式(2)～式(6)可见，一旦架空线路架设地点及导线型号确定，输电线路热定值主要取决于环境温度(ta)、风速(vw)、风向(kangle)以及光照强度(qse)4个气象要素。考虑到架空导线沿线气象分布的差异性，通常在分析架空线沿线弧垂及气象分布规律的基础上选择少量关键线档安装在线监测装置(如dtr设备)以节省成本，并以关键线档中的最小热定值代表整条线路的热定值。在已知某关键线档4要素微气象数据的情况下，架空线路热定值可由式(7)计算：

式(7)中tmax为架空导线长期连续运行的最大允许温度，我国通常取为70℃。

架空线路微气象与区域天气预报的关联关系分析：如上所述，架空线热定值的计算需要关键线档的微气象信息，本节结合实际数据分析架空线微气象与附近区域天气预报的关联关系，以说明将区域天气预报用于架空线路热定值概率预测的可行性。本申请采用的区域天气预报为城市气象站小时级的天气预报，本申请方法也适用于更为精细的网格化、分层化的区域数值天气预报。

城市天气预报主要反映距地高度2～10m范围内的城市及周边整体气象变化情况^[18]，而架空线横担高度多在15～50m范围内，受高差及微地形的影响，架空线沿线微气象与区域气象之间必然存在差异。然而，由于架空线关键线档与城市的相对位置、所处的微地形状况及高度一定，且环境温度、光照强度本身具有较强的区域一致性，因此，架空导线微气象与附近区域天气预报之间也必然存在联系，以下结合实测架空线路微气象及附近城市区域天气预报数据分析两者之间的相关性，并发掘两者相对偏差的统计规律。

本申请收集了某220kv架空线路沿线3个关键线档(分别记为1、2、3号线档，横担高度分别为18m、24m和33m，距离附近某城市中心分别约为20km、30km和50km)2013～2017年分钟级微气象数据以及附近城市气象站的小时级历史天气预报数据。其中，以2013～2014年气象数据作为训练集，2015～2017年气象数据作为测试集验证本申请方法。

基于本申请方法对测试集内不同年份(2015年-2017年)热定值概率密度分布进行预测，架空线热定值不同分位数预测结果与实际热定值均值(黑色实线)对比如下所示(在不同季度内共随机抽取3000个点)：

由图12、图13和图14可见，由于夏季光照强度及温度偏高而风速偏低，因此夏季热定值总体看来较低。本申请方法的预测结果较好的反映了架空线动态热定值的变化趋势和波动范围，可为电力系统调度决策提供帮助。

考虑到在特殊情况下，如当气象环境波动剧烈时，天气预报可能出现较大误差(不良数据)。因此，本申请结合模糊等价矩阵的聚类分析方法，对历史区域天气预报数据进行预处理，剔除不良数据。在此基础上，经统计，训练集中3个线档不同气象要素区域天气预报与微气象的相关系数变化如图1所示。可见，各气象要素区域天气预报与微气象的相关性较强(相关系数高于0.5)，其中环境温度和光照强度的区域天气预报与微气象的相关性最强，且随着线档与城市之间距离的增大相关系数下降并不明显。相比之下，风速、风向的区域天气预报值与微气象之间的相关系数则有较为明显的下降，但从数值上看相关性仍然较强。

为进一步分析区域天气预报与周边架空线档微气象之间偏差(下文中简称气象偏差)的分布规律，本申请对各气象要素按区域天气预报数值分区间统计气象偏差的分布。例如，根据历史区域天气预报中夏季气温数据，将气温预报分为[10℃,20℃]、(20℃,30℃]及(30℃,45℃]3个区间，其中第3区间代表夏季高气温区间，而后分别统计区域天气预报在此3个区间内的气象偏差分布情况。同理，其它气象要素，如风速分为[0m/s,3m/s]、(3m/s,6m/s]、(6m/s,9m/s]及9m/s以上4个区间；风向按与导线夹角分为[0,90°]、(90°,180°]、(180°,270°]及(270°，360°]4个区间；光照强度分为[0w/m²,200w/m²]、(200w/m²,400w/m²]、(400w/m²,600w/m²]、(600w/m²,800w/m²]、800w/m²以上5个区间。

图2(a)-图2(d)、图3(a)-图3(d)和图4(a)-图4(d)分别给出了架空线沿线3个关键线档在区域天气预报处于夏季高气温(第4区间)、低风速(第1区间)、强光照(第4区间)以及小风向夹角(第1区间)的情况下，气象偏差的分布情况。

可见，距离城市较近的各气象要素偏差呈近似正态分布，以距离市中心20km的线档1为例，该极端气象条件下环境温度的区域天气预报与微气象偏差主要集中在[-1℃,2℃](偏差落在该区间的概率大于0.95)，风速的偏差主要集中在[-2m/s,2m/s]，光照强度的偏差主要集中在[-40w/m²，40w/m²]；当关键线档距离市区较远时，风速、风向的气象偏差则出现偏离正态分布的趋势。以上分析表明，区域天气预报与周边微气象之间存在较强相关性，且在区域周边一定范围内的气象偏差分布具有规律性，可为热定值的概率预测提供参考。

区域天气预报用于架空线路动态热定值概率密度预测的方法：由式(7)可知，在设定的最大允许运行温度下，架空导线的热定值随4个气象要素的变化而变化。从架空线在线监测的角度，目前对架空线路微气象要素的测量周期可达分钟级。然而，从调度决策的角度则需要在一定决策周期内(如实时调度决策周期为15～60min)具有代表性的、唯一的热定值预测值以构建输电线路载荷能力约束。因此，实现未来决策周期内架空线路热定值可能的变化范围及其概率分布预测，合理确定热定值，对高效利用输电设备进而提高电力系统的安全经济运行水平具有重要意义。

区域天气预报与周边架空线微气象偏差的分布呈近似正态分布。因此，在通过历史数据学习该分布规律的基础上，结合区域天气预报即可获得未来架空线各气象要素微气象的分布情况，进而实现热定值的概率预测。预测思路如下图5所示。

按此思路，本申请结合分钟级架空线路实测微气象历史数据及附近城市气象站的小时级天气预报历史数据，提出基于区域天气预报的架空线热定值概率密度预测方法，具体计算步骤如下：

(1)首先对区域天气预报历史数据进行预处理。本申请采用模糊等价矩阵的聚类分析方法^[19]，以区域天气预报误差为特征对区域天气预报历史数据进行聚类分析，确定不良数据检测门槛值以辨识并剔除天气预报不良数据；

本申请利用模糊聚类分析法辨识并剔除区域天气预报中的不良数据。首先根据区域历史天气预报及实测气象的历史数据，统计训练集中区域天气预报误差并标准化，并以此作为特征指标结合模糊聚类分析法建立模糊关系矩阵，对良数据和不良数据进行分类，获得不良数据检测门槛值，超过检测门槛值即判为不良数据。

图11(a)-图11(d)给出了在数据预处理前区域天气预报与气象站实测气象数据的对比(在全年不同季节内随机采样2000次)。其中，蓝色曲线为区域气象实际值，红色曲线为区域气象站预报数据。表1、表2分别给出了预处理前后的区域天气预报准确率。

表1.数据预处理前各气象要素未来1小时城市气象站预报准确率(％)

表2.数据预处理后各气象要素预报数据准确率％

由以上数据预处理前的准确率情况可知，本申请建立气象偏差概率模型所采用的未来1小时城市气象站天气预报在大多数情况下是可信的。在此基础上，本申请对少数不良数据进行了辨识和剔除，进一步提高了数据源的准确性。

(2)在训练集中提取相同季度下4个气象要素的区域天气预报值以及对应小时内的架空线路的微气象数据，而后利用式(8)分别计算在各气象区间i(i＝1…b)内的各气象要素预报值与微气象之间的偏差，建立气象偏差的样本集合。

式中，向量yi为某气象要素区域天气预报在第i个区间内时的气象偏差统计向量；为某气象要素第i个预报区间中第n个小时内第m个微气象量测数据(设某气象要素在该季度中共有n个小时的区域天气预报值落在第i区间内)；i为单位向量，λi,n为某气象要素第i个预报区间中第n小时的区域天气预报值；。

(3)基于气象偏差样本集合，采用parzen窗法分别估计各季度下4个气象要素在各预报区间内的气象偏差的概率密度分布。本申请使用高斯函数作为parzen窗估计的窗口函数，概率密度估计式的表示如下：

其中，pi(x)为某气象要素第i区间中气象偏差x的概率密度；k(·)为高斯核函数；yi.u为某气象要素第i预报区间中第u个偏差样本；h为带宽系数；

(4)在获得气象偏差的概率密度分布曲线后，利用高斯函数拟合得到不同季度下4个气象要素在各预报区间内的气象偏差的概率密度函数；

(5)根据预测时段内4个气象要素的区域天气预报值选择其所在区间的气象偏差的概率密度函数，通过随机抽样获得4个气象要素偏差，与预测时段天气预报叠加，获得预测时段内架空线路关键线档的微气象数据，并利用式(7)计算预测时段内的架空线路热定值。反复对预测时段内的微气象数据进行抽样并计算热定值，直至热定值的概率密度分布基本不变时计算结束，经大量计算发现当模拟次数达到5000次后基本能够获得稳定的热定值概率密度函数。因此，本申请设定图5中n＝5000次时计算结束。

(6)利用parzen窗法估计预测时段内架空线路热定值的概率密度分布。

为了使得本领域技术人员能够更加清楚地了解本申请的技术方案，以下将结合具体的算例分析详细说明本申请的技术方案。

本申请以预测某220kv输电线路关键线档(距市区约30km)2017年夏季7月15日10点至11点时段内架空线路热定值为例，根据前文所述的预测流程，首先统计训练集(2013～2014年夏季6月1日-8月31日)中4个气象要素预报值在各气象区间内的气象偏差分布，而后根据测试集中预测时段内区域天气预报的数值选择其所在区间的气象偏差概率密度函数。在本算例中，预测时段(2017年7月15日10点到11点)内4要素区域气象预报信息分别为气温26℃，风速2m/s，风向东东南，光照强度730w/m²，据此分别选择对应区间的气象偏差概率密度曲线如图6(a)-图6(d)所示(4气象要素区域天气预报的区间划分如前文所述)。

对以上4个气象要素偏差的概率密度分布曲线进行高斯函数拟合，得到各气象要素偏差的概率密度函数表达式如下：

环境温度：

风速：

风向：

光照强度：

基于概率密度函数(10)～(13)随机抽样预测时段内各气象要素偏差并与区域天气预报数据相加，而后利用式(7)计算架空线路热定值(共抽样5000次)，可得到预测时段内架空线路热定值概率密度分布以及不同分位数如图7所示，整体计算耗时约50s。图7中0、0.1、0.3、0.5为概率值。

预测时段内的真实热定值(分钟级)，不同分位数的预测值及其与str(str计算对应的气象条件为：气温35℃，风速0.5m/s，风向垂直于导线，光照强度800w/㎡)的对比如图8所示。

由图8可见，预测时段内的实际热定值高于str(650a)且波动性较强，若使用期望预测值(0.5分位数)构建输电线路载荷安全约束用于调度决策会带来较高的安全风险。此外，本申请方法的预测结果显示由0、1分位数构成的热定值区间可完全覆盖真实热定值的变化范围。不同分位数的预测结果表明该时段内架空线热定值高于755.3a(0分位数)的概率为1(相比str提高16.2％)，高于985.5a(0.1分位数)的概率为0.9(相比str提高61.6％)，高于1138.0a(0.3分位数)的概率为0.7(相比str提高75.1％)，预测的期望值为1205.6a。以上述预测结果为例，保守起见运行人员可选取0～0.1分位数作为整个预测时段的热定值，即便如此在多数情况下仍可显著改善str的保守性。

基于每小时更新的区域天气预报数据，对2017年7月15日24小时架空线不同分位数热定值进行滚动预测的结果如图9所示，与实际热定值对比如图10所示。此外，其它年份不同季节的预测结果见附录b。由图9、图10可见，本申请方法预测结果能够较好的反映架空线路动态热定值的变化趋势和波动范围，可帮助调度人员根据风险偏好选择合适的分位数热定值用于调度决策，提高电网利用效率。

本申请针对架空线路热定值的时变性及难以被准确预测的特点，在把握区域天气预报与微气象之间的关联关系的基础上提出区域天气预报用于架空线路热定值概率密度预测方法，有结论如下：(1)不同位置、横担高度的架空线路关键线档的微气象与附近区域天气预报之间存在较强的相关性；(2)本申请方法在充分考虑预测时段内架空线路微气象变化的基础上，结合区域天气预报，能够给出预测时段内热定值概率密度分布和不同分位数下架空线路热定值预测信息，为调度充分利用输电线路载荷能力提供支持；(3)经过对微气象与地区天气预报偏差统计分析建模后，本申请方法可摆脱对在线监测设备的依赖，便于工程应用。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。