隨環(huán)境條件變化的輸電線路輸送容量概率建模研究

張 斌， 林章歲， 葉 榮， 胡臻達(dá)， 金 濤， 溫步瀛

(1. 福州大學(xué)電氣工程與自動(dòng)化學(xué)院， 福建 福州 350108；2. 國(guó)網(wǎng)福建省電力有限公司經(jīng)濟(jì)技術(shù)研究院， 福建 福州 350003)

隨環(huán)境條件變化的輸電線路輸送容量概率建模研究

張 斌1， 林章歲2， 葉 榮2， 胡臻達(dá)2， 金 濤1， 溫步瀛1

(1. 福州大學(xué)電氣工程與自動(dòng)化學(xué)院， 福建 福州 350108；2. 國(guó)網(wǎng)福建省電力有限公司經(jīng)濟(jì)技術(shù)研究院， 福建 福州 350003)

充分挖掘線路的輸電潛能，提高現(xiàn)有電網(wǎng)的輸電效率，是當(dāng)前研究的一個(gè)熱點(diǎn)。通常輸電線路中靜態(tài)載流量的計(jì)算是在保守的環(huán)境下獲得，未考慮到實(shí)際運(yùn)行環(huán)境。而動(dòng)態(tài)載流量的計(jì)算是通過對(duì)運(yùn)行環(huán)境的實(shí)時(shí)監(jiān)測(cè)值，即結(jié)合實(shí)際環(huán)境溫度、風(fēng)速等因素，來確定其傳輸?shù)臉O限容量，由此可以提高線路的輸電效率。本文通過BP神經(jīng)網(wǎng)絡(luò)對(duì)某地區(qū)的歷史氣象數(shù)據(jù)進(jìn)行分析和預(yù)測(cè)，由于該方法對(duì)氣象預(yù)測(cè)效果較好，故將預(yù)測(cè)獲得的數(shù)據(jù)作為概率模型的源數(shù)據(jù)，并提出一種基于電流密度函數(shù)的概率建模的動(dòng)態(tài)增容研究方法。通過動(dòng)態(tài)增容方法在某地區(qū)的應(yīng)用分析，表明在迎峰度夏時(shí)可適當(dāng)提高輸電線路載流量，且可確保輸電線路的供電可靠性。

輸電能力；動(dòng)態(tài)載流量；BP神經(jīng)網(wǎng)絡(luò)；概率建模；動(dòng)態(tài)增容

1 引言

隨著社會(huì)經(jīng)濟(jì)的發(fā)展和人們用電水平不斷增加，電網(wǎng)的輸電能力呈現(xiàn)不足。大部分輸電線路受到載流量熱穩(wěn)定限額的制約[1]，遠(yuǎn)遠(yuǎn)不能滿足電網(wǎng)的實(shí)際需要。在電力市場(chǎng)運(yùn)行的環(huán)境下，電網(wǎng)的輸電能力也是一種市場(chǎng)信號(hào)，其輸電能力反映在輸送容量上，各運(yùn)營(yíng)中的電網(wǎng)都希望盡可能地多輸出容量。

20世紀(jì)70年代，美國(guó)電力研究學(xué)者M(jìn). W. Davis針對(duì)電力傳輸線提出動(dòng)態(tài)熱定值這一概念[2,3]，隨后在80年代，美國(guó)電力研究院(EPRI)針對(duì)電力輸送過程提出了采用電量參數(shù)測(cè)定設(shè)備結(jié)合氣象監(jiān)測(cè)系統(tǒng)對(duì)電力線路進(jìn)行容量實(shí)時(shí)監(jiān)控的思想，設(shè)計(jì)出DTCR檢測(cè)系統(tǒng)[4,5]，隨后這一系統(tǒng)被SRP公司應(yīng)用在兩條大容量輸電線路上，使線路容量大幅度提升，延緩5年建設(shè)新的線路，節(jié)省了大量費(fèi)用。

近年來國(guó)內(nèi)也開始重視動(dòng)態(tài)增容技術(shù)。文獻(xiàn)[6]提出電熱耦合的潮流模型，實(shí)時(shí)把握電網(wǎng)潮流與輸電元件溫度間變化的關(guān)系，以達(dá)到在各種情況下由輸電元件溫度決定其輸送能力的目的；文獻(xiàn)[7]提出了對(duì)架空輸電線路實(shí)施實(shí)時(shí)監(jiān)測(cè)并結(jié)合相關(guān)的數(shù)學(xué)模型計(jì)算線路的熱載流量，從而最大限度地發(fā)揮線路的輸送能力；文獻(xiàn)[8]提出一種對(duì)超高壓輸電線路進(jìn)行動(dòng)態(tài)增容研究的方法，即將靜態(tài)增容和動(dòng)態(tài)增容的兩個(gè)方法結(jié)合起來，使增容效果更明顯；文獻(xiàn)[9]提出了一種基于狀態(tài)估計(jì)的實(shí)時(shí)載流計(jì)算方法，主要考慮線路的熱穩(wěn)定制約、電壓制約、功角穩(wěn)定制約三種因素；文獻(xiàn)[10]對(duì)載流量算法進(jìn)行改進(jìn)，減小了載流量的波動(dòng)，并增加了動(dòng)態(tài)增容技術(shù)的實(shí)用性；文獻(xiàn)[11]基于Bayes時(shí)間序列統(tǒng)計(jì)方法，根據(jù)實(shí)時(shí)運(yùn)行狀態(tài)的數(shù)據(jù)進(jìn)行輸電容量的概率故障預(yù)測(cè)和風(fēng)險(xiǎn)評(píng)估，但該方法是在低質(zhì)量數(shù)據(jù)上進(jìn)行粗略的檢驗(yàn)，精度不足。

本文提出的方法不增加輸電線路實(shí)時(shí)在線監(jiān)測(cè)設(shè)備的數(shù)量，基于BP神經(jīng)網(wǎng)絡(luò)對(duì)歷史氣象數(shù)據(jù)進(jìn)行統(tǒng)計(jì)并預(yù)測(cè)，將預(yù)測(cè)結(jié)果用于熱平衡方程，對(duì)輸電線路載流量進(jìn)行概率分析。

2 理論分析

2.1 載流量的計(jì)算

導(dǎo)線處于最高允許溫度工作狀態(tài)下，若其電流能使線路吸熱與散熱達(dá)到平衡，此時(shí)的電流值即為最大允許載流量。最大允許載流量的計(jì)算有多種方案，常見的有IEEE 2006-738標(biāo)準(zhǔn)、《110kV～750kV架空輸電線路設(shè)計(jì)規(guī)范》、摩根公式[12]。其計(jì)算的原理都來源于熱平衡方程：

I2R(TC)+WS=WR+WF

(1)

式中，WS為日照吸熱功率；WR為輻射散熱功率；WF為對(duì)流散熱功率；TC為導(dǎo)線溫度；R(TC)為溫度TC時(shí)導(dǎo)線交流電阻；I為導(dǎo)線載流量。由式(1)可推導(dǎo)出導(dǎo)線載流量的計(jì)算公式為：

(2)

本文采用IEEE標(biāo)準(zhǔn)計(jì)算載流量，其基本公式仍為熱平衡方程。

(1)輻射散熱公式WR為：

(3)

式中，D為導(dǎo)線直徑；ε為導(dǎo)線輻射散熱系數(shù)，取值區(qū)間為[0.9,0.95]；ta、tp分別為導(dǎo)線環(huán)境溫度和最大允許溫度。

(2)對(duì)流散熱功率WF為：

(4)

式中，vw為風(fēng)速；ρ為空氣密度，其值為：

(5)

其中，He為導(dǎo)線高度；HC為太陽高度角，其值為：

HC=arcsin[cosLatcosδcosω+sinLatsinδ]

(6)

其中，δ為太陽傾斜角；Lat為導(dǎo)線所處的維度；ω為小時(shí)角，其值為與中午 12∶00 相差的小時(shí)數(shù)乘以 15°。μ為空氣動(dòng)態(tài)粘度，其值為：

(7)

kf為空氣熱傳導(dǎo)率，其值為：

(8)

ka為風(fēng)向因子，其值為：

(9)

其中，φ為風(fēng)與導(dǎo)線軸向的夾角。由于風(fēng)速大于零，且本文研究的是垂直于導(dǎo)線的風(fēng)速，即φ=90°，故ka值為1。

(3)日照吸熱功率WS為：

WS=αKSQSDsinθ

(10)

式中，α為導(dǎo)體對(duì)光照的吸收率；QS為單位面積的光照熱量，其值為：

(11)

其中，系數(shù)A～G取決于環(huán)境的清潔程度。

θ為太陽光入射有效角，其值為：

θ=C+arccos[cosHCcos(ZC-ZL)]

(12)

其中，ZC為太陽方向角；ZL為線路方位角。

KS為熱量高度修正因子，其值為：

(13)

(4)交流電阻值為：

(14)

式中，R(Thigh)為溫度為Thigh時(shí)的導(dǎo)線交流電阻；R(Tlow)為溫度為Tlow時(shí)的導(dǎo)線交流電阻。由經(jīng)驗(yàn)值可得，當(dāng)選取Thigh為75℃、Tlow為25℃溫度下導(dǎo)線的電阻值與實(shí)際的電阻值之間的誤差是可以忽略的。

2.2 基于BP神經(jīng)網(wǎng)絡(luò)的天氣預(yù)測(cè)

2.2.1 BP神經(jīng)網(wǎng)絡(luò)的原理

在機(jī)器學(xué)習(xí)和認(rèn)知科學(xué)中，人工神經(jīng)網(wǎng)絡(luò)(ANNs)專門指由生物神經(jīng)系統(tǒng)啟發(fā)的統(tǒng)計(jì)學(xué)習(xí)的數(shù)學(xué)模型。人工神經(jīng)元模型如圖1所示。

圖1 人工神經(jīng)元模型 Fig.1 Artificial neuron model

神經(jīng)元n維的輸入為x0,x1,x2,… ,xn，用列向量表示如下：

X=[x0,x1,x2,…,xn]T

(15)

神經(jīng)元輸出用yi來表示； 各神經(jīng)網(wǎng)絡(luò)之間的連接權(quán)值為wi0,wi1,wi2, …,win，用列向量表示如下：

W=[wi0,wi1,wi2, ...,win]T

(16)

θ為神經(jīng)元的閾值，當(dāng)輸入的信號(hào)和超過θ時(shí)，就可激活神經(jīng)元；net為輸入信號(hào)加權(quán)求和值，即

(17)

輸出值yi表示如下：

yi=f(net)=f(XW)

(18)

BP神經(jīng)網(wǎng)絡(luò)可以對(duì)輸入、輸出之間的非線性函數(shù)關(guān)系進(jìn)行反映，因此無需過分依賴數(shù)學(xué)模型，并且在連接權(quán)值中輸入一旦出現(xiàn)部分神經(jīng)元損壞的現(xiàn)象也不會(huì)導(dǎo)致大面積連接權(quán)值的改變，因此對(duì)系統(tǒng)整體輸入輸出影響較小，使得BP神經(jīng)網(wǎng)絡(luò)具有十分強(qiáng)大的容錯(cuò)能力。另外BP網(wǎng)絡(luò)還具有靈活性超強(qiáng)的網(wǎng)絡(luò)拓?fù)?如圖2所示)。在氣候預(yù)測(cè)上，神經(jīng)網(wǎng)絡(luò)有很廣泛的應(yīng)用，它可以利用歷史天氣的氣象特征，以及對(duì)應(yīng)的數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)的訓(xùn)練，從而達(dá)到預(yù)測(cè)天氣的目的。

圖2 BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)Fig.2 Topological structure of BP neural network

圖2中，BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程包括信息的正向傳播過程和誤差信息的反向傳播。信息在BP神經(jīng)網(wǎng)絡(luò)的正向傳播過程中，輸入信號(hào)經(jīng)過多個(gè)隱含層傳輸至輸出層，則輸出值要和期望值進(jìn)行對(duì)比，若期望值與輸出結(jié)果之間存在超出接受范圍的誤差，則通過誤差的反向傳輸過程對(duì)權(quán)值系數(shù)進(jìn)行修正，盡量縮減輸出信號(hào)與期望值的誤差。信息輸入、輸出對(duì)應(yīng)關(guān)系如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖Fig.3 BP neural network training flow chart

2.2.2 預(yù)測(cè)模型的建立

以某地區(qū)逐日環(huán)境溫度和風(fēng)速為例。首先統(tǒng)計(jì)近幾年的環(huán)境溫度和風(fēng)速數(shù)據(jù)，然后利用BP神經(jīng)網(wǎng)絡(luò)完成預(yù)測(cè)模型的構(gòu)建，同時(shí)為了確保所建模型相對(duì)獨(dú)立，建模的數(shù)據(jù)樣本選取近幾年[13]，故預(yù)測(cè)對(duì)象可為環(huán)境溫度和風(fēng)速。由于能夠預(yù)測(cè)未來某段時(shí)間的環(huán)境溫度和風(fēng)速，該模型可以很好地用于氣候條件的預(yù)測(cè)，同時(shí)能減少在線監(jiān)測(cè)設(shè)備的數(shù)量，降低成本。

在建立的預(yù)測(cè)模型中，輸入為環(huán)境溫度和風(fēng)速的時(shí)間序列，輸出為環(huán)境溫度和風(fēng)速值。該模型中有一個(gè)輸入層節(jié)點(diǎn)，兩層隱含層且每層有10個(gè)節(jié)點(diǎn)，輸出層1個(gè)節(jié)點(diǎn)，學(xué)習(xí)率、訓(xùn)練次數(shù)分別設(shè)置為0.001和10000次。

2.2.3 預(yù)測(cè)效果分析

采用Matlab工具對(duì)所建立模型進(jìn)行訓(xùn)練、測(cè)試和檢驗(yàn)。采用動(dòng)量梯度的下降算法有利于檢驗(yàn)，使擬合精度和預(yù)測(cè)精度更高。表1為訓(xùn)練10000次后的收斂和擬合情況?？梢钥闯?，該模型對(duì)環(huán)境溫度和風(fēng)速的預(yù)測(cè)擬合效果比較理想。其預(yù)測(cè)的時(shí)間尺度是以天為單位，預(yù)測(cè)出來的數(shù)據(jù)作為概率模型求解的源數(shù)據(jù)。

表1 2011～2015年某地區(qū)預(yù)測(cè)的收斂和擬合情況Tab.1 Convergence and fitting of a region forecast from 2011 to 2015

3 概率模型計(jì)算與分析

3.1 概率模型的建立

在氣象要素中，溫度遵從正態(tài)分布[14]，其正態(tài)分布密度函數(shù)如式(19)所示；風(fēng)速服從威布爾分布[15]，其威布爾密度函數(shù)如式(20)所示。由2.2.1節(jié)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的數(shù)據(jù)樣本，擬合可得參數(shù)μ=25.8695,σ=8.7995,a=6.6494,b=11.6480。在Matlab實(shí)驗(yàn)環(huán)境中，結(jié)合熱平衡方程和載流量計(jì)算式(2)，可畫出環(huán)境溫度、風(fēng)速和電流的關(guān)系，如圖4～圖6所示。

(19)

(20)

圖4 環(huán)境溫度對(duì)電流變化的影響Fig.4 Influence of ambient temperature on current variation

圖5 風(fēng)速對(duì)電流變化的影響Fig.5 Effect of wind speed on current variation

圖6 環(huán)境溫度和風(fēng)速對(duì)電流變化的影響Fig.6 Ambient temperature and wind speed on current changes

由圖4可以看出，環(huán)境溫度升高會(huì)使線路載流能力下降，但是同時(shí)用戶用電需求量更大，所以在夏季需要采取相應(yīng)的增容措施。由圖5可以看出，隨著風(fēng)速的增加，導(dǎo)線散熱加快，使得線路載流能力升高。由圖6可以看出，在風(fēng)速較大和環(huán)境溫度適中的條件下，輸電線路載流量較大。

以LGJ400/25導(dǎo)線為例，根據(jù)式(2)，在已知環(huán)境溫度和風(fēng)速分布函數(shù)條件下，可畫出載流量全天24h的概率密度分布，如圖7所示。

圖7 載流量概率密度函數(shù)Fig. 7 Current probability density function

根據(jù)該地區(qū)氣候具體情況，在春夏秋冬四個(gè)季節(jié)中各選2個(gè)典型工況，并計(jì)算其電流，結(jié)果如表2所示。由圖7的電流概率密度函數(shù)，并通過三次樣條插值的方法獲得更加密集的點(diǎn)，然后通過積分得到表2對(duì)應(yīng)的區(qū)間概率，如表3所示。由表2可以看出，在同為5m/s風(fēng)速狀態(tài)下，環(huán)境溫度越高，線路的輸電容量越低；對(duì)于環(huán)境溫度同樣為22℃的輸電線路，風(fēng)速越高對(duì)應(yīng)越高的線路容量；相對(duì)于春天，冬天的風(fēng)速較高且環(huán)境溫度較低，輸電線路容量也較高，這與實(shí)際情況相吻合。

表2 典型工況的電流值Tab.2 Typical operating conditions of current value

表3 電流區(qū)間概率值Tab.3 Current range probability values

3.2 概率模型的誤差分析

在概率模型建立過程中，誤差的來源主要是環(huán)境溫度和風(fēng)速的預(yù)測(cè)。從第2節(jié)中基于BP神經(jīng)網(wǎng)絡(luò)對(duì)環(huán)境溫度和風(fēng)速的預(yù)測(cè)可以看出，預(yù)測(cè)效果較好，但仍然存在誤差，故會(huì)給電流密度函數(shù)的概率建模帶來一定的誤差。在BP神經(jīng)網(wǎng)絡(luò)中，采用測(cè)試數(shù)據(jù)來監(jiān)測(cè)預(yù)測(cè)的效果，然后將某年份夏季40天預(yù)測(cè)的氣象數(shù)據(jù)和真實(shí)的氣象數(shù)據(jù)代入載流量計(jì)算公式(2)中，畫出載流量誤差率，如圖8～圖10所示。

圖8 環(huán)境溫度對(duì)載流量誤差率變化的影響Fig.8 Ambient temperature on impact of changes in carrier current error rate

圖9 風(fēng)速對(duì)載流量誤差率變化的影響Fig.9 Wind speed on impact of changes in carrier current error rate

圖10 環(huán)境溫度和風(fēng)速對(duì)載流量誤差率變化的影響Fig.10 Influence of ambient temperature and wind speed on variation of carrier current error rate

圖8中，環(huán)境溫度的預(yù)測(cè)誤差對(duì)載流量的誤差率波動(dòng)范圍為[0.009,0.118],誤差率均方根為0.049；圖9中，風(fēng)速預(yù)測(cè)誤差對(duì)載流量的誤差率波動(dòng)范圍為[0.091,0.187]，誤差率均方根為0.134；圖10中，環(huán)境溫度和風(fēng)速預(yù)測(cè)誤差引起載流量誤差率波動(dòng)范圍為[0.002,0.502],誤差率均方根為0.094，且環(huán)境溫度在4℃～10℃和12℃～14℃預(yù)測(cè)范圍對(duì)載流量誤差率影響較大，而風(fēng)速在4～6 m/s預(yù)測(cè)范圍引起載流量誤差率也相對(duì)大些。從圖8和圖9計(jì)算的誤差率均方根可以看出，基于BP神經(jīng)網(wǎng)絡(luò)對(duì)環(huán)境溫度和風(fēng)速的預(yù)測(cè)誤差引起的載流量誤差在可接受的范圍內(nèi)。

4 算例分析

根據(jù)第2和第3節(jié)的模型及其相應(yīng)的公式，利用Matlab軟件編寫載流量計(jì)算程序分析動(dòng)態(tài)增容在該地區(qū)110kV輸電線路的實(shí)際應(yīng)用情況。計(jì)算中，根據(jù)氣象監(jiān)測(cè)中心的實(shí)時(shí)微氣象數(shù)據(jù)，導(dǎo)線最大允許運(yùn)行溫度設(shè)為70℃，結(jié)合熱平衡方程對(duì)線路的每天最大允許載流量進(jìn)行計(jì)算，所得結(jié)果和線路實(shí)際載流量進(jìn)行比較并分析。表4為10天最大允許載流量計(jì)算值、監(jiān)測(cè)的實(shí)際載流量的統(tǒng)計(jì)情況。

表4 動(dòng)態(tài)允許載流量計(jì)算Tab.4 Dynamic allowable ampacity calculation

由表4中可以看出，導(dǎo)線實(shí)際運(yùn)行的載流量有很大提升空間，從這10組數(shù)據(jù)比較可得，最大允許載流量的最小值也達(dá)813.8A，比該10組中實(shí)際運(yùn)行的載流量最大值(502.9A)及原限額(600A)都有顯著提高。由此可見，采用實(shí)時(shí)動(dòng)態(tài)增容技術(shù)可有效挖掘線路的輸電潛能，在用電高峰期可適當(dāng)提高輸送容量，緩解用電緊張。

2013年8月1日～8月31日期間，采用該模型對(duì)該地區(qū)某風(fēng)電場(chǎng)的輸電容量進(jìn)行分析，且對(duì)環(huán)境溫度、風(fēng)速、實(shí)際運(yùn)行載流和安全載流限額進(jìn)行統(tǒng)計(jì)與計(jì)算，結(jié)果如圖11～圖13所示。

圖11 環(huán)境溫度曲線Fig.11 Ambient temperature curve

圖12 風(fēng)速曲線Fig.12 Wind speed curve

圖13 動(dòng)態(tài)增容情況曲線Fig.13 Dynamic capacity increase curve

圖11和圖12為某地區(qū)夏季高溫月的環(huán)境溫度和風(fēng)速的變化曲線圖。圖13中，在近一個(gè)月的時(shí)間段里，根據(jù)SCADA系統(tǒng)采集的電流數(shù)據(jù)，在8月21日0∶00時(shí)，出現(xiàn)導(dǎo)線最大的實(shí)際載流值，為502.9A。動(dòng)態(tài)增容的電流安全限額比原限額600A大很多，且在8月4日達(dá)到最低計(jì)算值766.4A，相比與原限額增加了166.4A，約提高了28%。由表3可知，電流區(qū)間在750～900A的概率值最大，為0.5693，而電流區(qū)間在750～1050A的概率值達(dá)到0.9548。當(dāng)圖7中的電流概率密度值處于峰值時(shí)，電流值為886.2A,即其值出現(xiàn)的頻率是最高的，所以在夏季，當(dāng)企業(yè)和居民家里開始使用空調(diào)等制冷設(shè)備時(shí)，用電需求量大大增加，輸電線路的輸送容量可適當(dāng)提高限額至886.2A，以滿足用電高峰期用電量的需求。

5 結(jié)論

本文通過BP神經(jīng)網(wǎng)絡(luò)對(duì)某地區(qū)的歷史氣象數(shù)據(jù)進(jìn)行統(tǒng)計(jì)并擬合回歸，由于對(duì)環(huán)境溫度和風(fēng)速擬合效果較好，所以采用該網(wǎng)絡(luò)對(duì)該地區(qū)的環(huán)境溫度和風(fēng)速進(jìn)行一段時(shí)間的預(yù)測(cè)來獲得一系列預(yù)測(cè)數(shù)據(jù)樣本。然后用預(yù)測(cè)數(shù)據(jù)樣本對(duì)環(huán)境溫度和風(fēng)速的分布函數(shù)中的參數(shù)進(jìn)行擬合，同時(shí)結(jié)合熱平衡方程和IEEE2006-738載流量計(jì)算公式，計(jì)算出四季典型工況下的載流量和畫出電流概率密度函數(shù)圖。從載流量的分析結(jié)果可知，環(huán)境溫度越高，輸電線路的載流能力呈下降趨勢(shì)；風(fēng)速越高，對(duì)導(dǎo)線散熱作用越快，故線路的載流能力會(huì)有所升高。從電流概率密度函數(shù)可以看出，電流在750～900A范圍的概率較大，故輸送載流量可適當(dāng)提高到886.2A。為了迎峰度夏，夏季采取一定增容措施是很有必要的。

[1] 彭向陽，周華敏，鄭曉光，等(Peng Xiangyang, Zhou Huamin, Zheng Xiaoguang, et al.).提高廣東架空送電線路輸送容量研究(Study on raising transmission capacity of overhead transmission line in Guangdong power grid)[J]. 南方電網(wǎng)技術(shù)(Southern Power System Technology), 2009, 3(6):77-81.

[2] Davis M W. A new thermal rating approach: The real time thermal rating system for strategic overhead conductor transmission lines - Part I [J]. IEEE Transactions on Power Apparatus and Systems, 1977, 96(3): 803-809.

[3] Davis M W. A new thermal rating approach: The real time thermal rating system for strategic overhead conductor transmission lines - Part II [J]. IEEE Transactions on Power Apparatus and Systems, 1977, 96(3): 810-825.

[4] Douglass D A, Edris A. Field studies of dynamic thermal rating methods for overhead lines[A]. IEEE Transmission and Distribution Conference [C]. 1999. 2: 842-851.

[5] Douglass D A, Lawry D C, Edris A A, et al. Dynamic thermal ratings realize circuit load limits[J]. IEEE Computer Applications in Power, 2000, 13(1): 38-44.

[6] 丁希亮，韓學(xué)山，張輝，等(Ding Xiliang, Han Xue-shan, Zhang Hui, et al.). 電熱協(xié)調(diào)潮流及輸電線路溫度的變化過程分析(Analysis on electrothermal coordination power flow and transmission line temperature variation process)[J]. 中國(guó)電機(jī)工程學(xué)報(bào)(Proceedings of the CSEE), 2008, 28(19):138-144.

[7] 李莉華，高翔(Li Lihua, Gao Xiang). 大截面導(dǎo)線技術(shù)(Large cross section conductor technology for power transmission)[J]. 上海電力(Shanghai Electric Power), 2007, (6):590-593.

[8] 吉興全，杜彥鑌，李可軍，等(Ji Xingquan, Du Yanbin, Li Kejun, et al.). 一種超高壓輸電線路動(dòng)態(tài)增容方法(A method of dynamic rating of ultra high voltage transmission line)[J]. 電力系統(tǒng)保護(hù)與控制(Power System Protection and Control), 2015,43 (3):102-106.

[9] 梁立凱，韓學(xué)山，王艷玲，等(Liang Likai, Han Xueshan, Wang Yanling, et al.). 輸電線路載荷能力在線定值(Online valuation of transmission line load ability)[J]. 電工技術(shù)學(xué)報(bào)(Transactions of China Electrotechnical Society), 2013, 28(2):279-284.

[10] 李天助，汪沨，牛雪松，等(Li Tianzhu, Wang Feng, Niu Xuesong, et al.).架空導(dǎo)線動(dòng)態(tài)載流量的分析及改進(jìn)算法(Analysis of dynamic carrying capacity of overhead conductor and its improved algorithm)[J]. 電工電能新技術(shù)(Advanced Technology of Electrical Engineering and Energy), 2016, 35(11):59-64.

[11] 朱文俊，劉文山，彭向陽，等(Zhu Wenjun, Liu Wenshan, Peng Xiangyang, et al.). 提高輸電線路輸送容量的短期風(fēng)險(xiǎn)評(píng)估(Short-term risk assessment of dynamic line rating)[J]. 廣東電力(Guangdong Electric Power), 2010, 23(3): 7-11.

[12] 韓曉燕，黃新波，趙小惠，等(Han Xiaoyan, Huang Xinbo, Zhao Xiaohui, et al.). 輸電線路摩爾根載流量簡(jiǎn)化公式的初步研究(Preliminary study on morgan transmission capacity simplified formula of transmission lines)[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)(Proceedings of the CSU-EPSA), 2009, 21(5):92-96.

[13] 福清歷史天氣(Historical weather of Fuqing)[EB/OL]. http://lishi.tianqi.com, 2016-01-07.

[14] 黃嘉佑，李慶祥(Huang Jiayou, Li Qingxiang). 氣象數(shù)據(jù)統(tǒng)計(jì)分析方法(Meteorological data statistical analysis method)[M].北京：氣象出版社(Beijing: China Meteorological Press), 2014.

[15] 李慧, 孫宏斌, 張芳,等(Li Hui, Sun Hongbin, Zhang Fang, et al.).風(fēng)電場(chǎng)風(fēng)速分布模型研究綜述(Summarization on wind speed distribution model of wind farm)[J]. 電工電能新技術(shù)(Advanced Technology of Electrical Engineering and Energy), 2014, 33(8):62-66.

Probabilisticmodelingoftransmissioncapacityoftransmissionlineswithchangingenvironmentalconditions

ZHANG Bin1, LIN Zhang-sui2, YE Rong2, HU Zhen-da2, JIN Tao1, WEN Bu-ying1

(1. College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350108，China;2. Economic and Technological Research Institute, State Grid Fujian Electric Power Co. Ltd., Fuzhou 350003, China)

How to calculate the transmission capacity of the transmission lines, fully extend the transmission potential of lines and improve the transmission efficiency of the existing power grid is a focus of the current research. Usually current-carrying capacity of transmission lines is obtained in conservative weather conditions. The actual operating environment is not taken into consideration. The calculation of dynamic-carrying capacity is made through the real-time monitoring of operating environment, including the actual environment temperature, wind speed and other factors. Then the ultimate capacity of the transmission is determined, which greatly improves the power transmission efficiency of lines. In this paper, the historical meteorological data of a certain area are fitted and forecast by BP neural network in the experimental environment of Matlab. Because weather at the network is better forecast, the data obtained from the forecast is the source of the probability model. And a research method of dynamic capacity increase based on the probability model of the current density function is proposed. The application of dynamic capacity increase in this area can be analyzed: At the peak or in the summer, transmission lines can be appropriately increased to 800A, and the reliability of power supply for transmission lines can be ensured.

transmission capacity; dynamic-carrying capacity; BP neural network; probabilistic modeling; dynamic capacity-increase

2016-11-21

福建省自然科學(xué)基金項(xiàng)目(2013J01176)

張 斌(1992-)， 男， 福建籍， 碩士研究生， 研究方向?yàn)檩旊娋€路的動(dòng)態(tài)增容分析；林章歲(1964-), 男， 福建籍， 高級(jí)工程師， 碩士， 研究方向?yàn)殡娋W(wǎng)規(guī)劃設(shè)計(jì)及管理。

10.12067/ATEEE1611047

1003-3076(2017)12-0046-07

TM751