(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211205641.1 (22)申请日 2022.09.30 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路2号 (72)发明人 孙辉　高正男　胡姝博　卢雪立　 金田　窦亚楠　朱宝航　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 专利代理师 许明章　王海波 (51)Int.Cl. G06Q 10/04(2012.01) G06F 16/2458(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 50/06(2012.01) (54)发明名称 一种可追踪环境因素时变特性的输电线动 态热容量极限预测方法 (57)摘要 本发明一种可追踪环境因素时变特性的输 电线动态热容量极限预测方法， 属于电力系统中 输电网线路运行状态评估领域。 首先， 确定D TR的 主要影响因素； 建立考虑环境因素影 响程度时变 特性的DTR预测模型。 其次， 获取DTR时序预测模 型训练数据， 训练DTR时序预测模型。 最后， 利用 DTR时序预测模型进行DTR预测， 最终实现滚动预 测。 本发明采用时变权值结构的ForecastNet预 测模型可以有效地克服传统时序预测模型环境 输入特征权值时不变的问题， 动态追踪环境因素 影响程度的变化， 提高DTR的预测精度。 权利要求书2页 说明书5页 附图3页 CN 115456301 A 2022.12.09 CN 115456301 A 1.一种可追踪环境因素时变特性的输电线动态热容量极限预测方法， 其特征在于， 包 括以下步骤： 步骤1.确定DTR的主 要影响因素； 步骤2.建立 考虑环境因素影响程度时变特性的DTR预测模型 步骤3.获取DTR时序预测模型训练数据 步骤4.训练DTR时序预测模型 步骤5.利用DTR时序预测模型进行DTR预测 步骤6.实现滚动预测。 2.根据权利要求1所述的一种可追踪环境因素时变特性的输电线动态热容量极限预测 方法， 其特 征在于， 具体步骤如下： 步骤1.确定DTR的主 要影响因素 为了实现对DTR的预测， 需要确定DTR输电线在未来时段环境温度、 风速、 风向及光照强 度的预测值； 且为确保DTR预测精度， 需要在预测中考虑到 输入特征的时空 互异性； 步骤2.建立 考虑环境因素影响程度时变特性的DTR预测模型 基于ForecastNet神经网络建立DT R时序预测模型； 基于ForecastNet神经网络的DTR时 序预测模型采用时变权值结构， 克服传统DTR时序预测模 型的权值参数时不变性的缺陷， 以 日前24小时为DTR预测的时间尺度， 构建改进后的ForecastNet预测模型 结构； 步骤3.获取DTR时序预测模型训练数据 DTR时序预测模型的训练数据包含输入数据及输出数据， 训练数据都来自于历史数据 库； 其中， 训练输入数据从数值 天气预报NWP历史数据库中获取， 读取NWP历史数据库中每个 时段的环境温度、 风速、 风向及光照强度， 构成训练集的自变量； 输出数据从电网历史监测 数据库中获得， 利用历史真实的天气数据和输电线路量测数据计算历史DTR值， 构成训练集 的因变量； 步骤4.训练DTR时序预测模型 利用训练数对DTR时序预测模型进行训练； 首先选取ForecastNet串联预测单元中隐藏 层的神经网络类型； 其次， 选取超参数寻优方法； 最后， 确定预测时间尺度和预测时间间隔， 并将对应时段的输入数据和输出 数据送入ForecastNet预测模型中进行训练； 步骤5.利用DTR时序预测模型进行DTR预测 通过模型训练， 可以得到某条线路的DTR预测模型； 从NWP中获取该条线路所处区域的 环境预报数据： 环境温度、 风速、 风向、 日照强度； 其中， 数据选取的时间尺度及时间间隔要 与训练模型相同； 将未来一段时间的气象环境输入特征序列输入模型中， 并得到未来一段 时间各时段的DTR预测值； 步骤6.实现滚动预测 为实现DTR的滚动预测， 将已发生时段的NWP预测数据与DTR实测数据， 并入历史数据库 中， 作为训练数据参与模型训练， 完成下一个时段的DTR预测模型。 3.根据权利要求2所述的一种可追踪环境因素时变特性的输电线动态热容量极限预测 方法， 其特 征在于， 所述的步骤2中， 基于ForecastNet的DTR预测模型改进如下： 1)串联结构， 并入并出 ForecastNet神经网络为多步前馈时序神经网络， 该时序预测网络将代表24时段的24权　利　要　求　书 1/2 页 2 CN 115456301 A 2个预测单元串联； 在模型训练过程中， 通过历史数据的训练得到24个串联单元的权值及参 数； 在预测过程中， 采用并行输入、 并行输出的方式， 将未来24小时的气象预报数据并行输 入预测模型， 得到未来24小时的DTR预测值； 2)权值时变网络 ForecastNet神经网络的隐藏层采用时变结构， 其隐藏层映射方程如式(1 1)所示： ht＝ft(Wt·ht‑1,Vt·it,Ut·ot‑1)                   (11) 式中， ft为隐藏层预测单元的映射函数， 隐藏层预测单元可由BP神经网络或卷积神经网 络构成； Wt、 Vt和Ut分别为前一级隐藏层状态量、 气象环境输入特征以及前一级输出量的权 值矩阵； ht‑1为t‑1时刻隐藏层状态量； it为t时刻环境特征输入数据； ot‑1为t‑1时刻输出 的 DTR值； Vt为气象环境数据输入特征的权值参数， 由历史数据训练得到， 可以实现对输入特征影 响程度的动态追踪， 气象环境输入特征在一日内不同时段对DTR影响程度不同， 由此造成Vt 在不同时段 数值不同； Wt和Ut也为时变量， 可以反应DTR的时间关联 特性； 通过上述基于ForecastNet神经网络的DTR时序预测模型即可以建立一种可追踪环境 因素时变特性的DTR时序预测模型。权　利　要　求　书 2/2 页 3 CN 115456301 A 3