[发明专利]一种基于奥恩斯坦-乌伦贝克过程求解的配网线路负荷预测方法

说明书

本发明提供一种基于奥恩斯坦‑乌伦贝克(Ornstein‑Uhlenbeck)过程求解的配电线路的负荷预测方法，通过考虑天气条件的隐性因素对线路负荷的影响，对线路负荷值进行建模和预测。属于电力系统结合深度学习的技术领域。本方法包括下列步骤：数据采集与数据预处理；利用气象数据风速、温度确定奥恩斯坦‑乌伦贝克过程参数表达；对不同气候条件的数据样本进行分组训练；根据训练结果更新隐藏因子强度；利用ITO微分方程解奥恩斯坦‑乌伦贝克过程过程进行线路负荷预测。

技术领域

本发明涉及配网线路负荷预测领域，具体是一种基于奥恩斯坦-乌伦贝克过程求解的配网线路负荷预测方法。

背景技术

目前，风能等可再生能源在电力系统中的应用迅速增加。尽管如此，在输电线路扩建项目中，输送此类电源的发电量的进展甚微。此外，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，增加可再生能源并不能促进电力公司将投资成本用于输电扩建项目。动态增容(线路负荷)的概念被引入以应对这一问题。为了安全可靠地运行，线路传输电流通常受静态线路额定值的限制。根据架空导线的热模型，利用历史数据统计的最坏天气情况，估算出SLR值。最近，研究人员检查了在线天气测量对确定线路负荷的影响。

通过引入时间序列的概念，一些研究人员已经能够证明线路负荷的未来值可以被高精度地预测。然而，到目前为止回顾的所有研究都存在这样一个事实：两种线路负荷预测模型都忽略了一些信息。历史气象资料一般用于预测未来风速、气温等天气条件的数值。然后，在基于热平衡的线路负荷预报模型中，利用预报的气象资料计算线路负荷值。因此，基于热平衡的线路负荷预报模型漏掉了与线路负荷过去值偏差有关的信息，因此，天气预报的误差会降低线路负荷预报的精度。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，这些模型无法检测线路负荷的波动。

发明内容

本发明的目的在于提供一种基于奥恩斯坦-乌伦贝克过程求解的配网线路负荷预测方法，提高了预测结果的准确性。线路负荷的波动可以被高精度地检测出来。

本发明的技术方案：

一种基于奥恩斯坦-乌伦贝克过程求解的配网线路负荷预测方法，包括以下具体步骤：

1)在收集数据之后，并预处理后，将混合因子的奥恩斯坦-乌伦贝克方程应用到天气和时间序列信息求解中；

2)将天气数据代入混合因子的奥恩斯坦-乌伦贝克方程中，通过混合因子的奥恩斯坦-乌伦贝克方程确定隐藏因子，并描述这些隐藏因子的参数对线路负荷曲线估计的影响；

3)对不同条件的参数进行训练，通过训练更新隐藏因子的选取范围、参数的确定性以及隐藏因子的抽样选择，找出每个聚类的隐藏因子强度,使线路负荷预测误差最小化；

4)利用数据集对所提出的模型进行测试，对用于预测风速和气温隐藏因子的布朗预测方法进行评价；

5)将上述步骤获得的参数导入到混合因子的奥恩斯坦-乌伦贝克方程中进行求解，获得线路负荷预测值。

基于ITO随机微分方程，考虑线路负荷时间序列，建立混合因子的奥恩斯坦-乌伦贝克方程的数学模型，见公式1。

k为隐藏因子的个数，在方程定义中，确定为2，主要考虑，温度、风速的影响，参数是第k^th个隐藏因子的强度，线路负荷时间序列X_t，平均向量μ，向量Ψ^t∈R^1×d，μ∈R^d×1，参数d表示观察时间跨度值。

依据公式(1)，假设ITO求解公式为e^Ψt(x_t-μ)，公式(1)可以重新表述为：