利用机器学习预测高压输电线路上的 Corona 损失

《IEEE Transactions on Power Delivery》：Forecasting Corona Losses on High Voltage Transmission Lines Using Machine Learning

本文提出基于机器学习的电晕损失预测方法，利用XGBoost和集合随机森林模型，结合两年天气数据及PMU测量，分析不同时间步、季节、多线路及特征减少对预测精度的影响，结果显示误差范围±0.5 kW/km（98%数据点），均方根误差0.16 kW/km，为电网运营商降低成本、提高可靠性提供支持。

　　

摘要：

本文探讨了机器学习在预测高压架空输电线路上的电晕损耗中的应用。由于天气条件与电晕损耗之间存在高度复杂的关系，因此对其进行预测具有挑战性。为了开发电晕损耗预测模型，我们分析了沿输电线路布置的不同气象站两年内的天气数据以及线路两端的逆流式光电式测距仪（PMU）测量数据。所采用的机器学习算法包括XGBoost和集成随机森林（ERF）回归模型，这些模型能够处理多种天气输入因素。预测场景被划分为四个部分：基于不同时间步长的预测、季节性预测、针对较大电网网络的输电线路电晕损耗综合预测，以及减少天气参数对预测电晕损耗精度的影响。最佳预测结果表现为98%的数据点误差在±0.5 kW/km范围内，均方根误差为0.16 kW/km。精确预测电晕损耗有助于输电系统运营商节省成本并提高电力系统的可靠性。

引言

电晕放电现象主要发生在高压架空输电线上，在有利条件下可能导致网络中出现过度损耗。为了平衡日前能源市场，输电系统运营商必须准确预测系统损耗。通常，任何不平衡成本都需由输电系统运营商通过在日内不平衡市场上进行额外采购来承担，这会增加能源成本。电晕损耗的预测并非易事，它依赖于多种相互关联的因素。尽管文献中有多种预测方法，但在处理具有不同天气参数的复杂天气条件时存在局限性。这些方法通常用于长期规划或分析特定场景，而非运营预测。