Krótkoterminowe prognozowanie dynamicznej obciążalności linii z wykorzystaniem techniki sztucznej inteligencji

W referacie przedstawiono sposób prognozowania parametrów pogodowych takich jak temperatura, prędkość i kierunek wiatru oraz natężenie promieniowania słonecznego, które są podstawą do wyznaczania dynamicznej obciążalności linii napowietrznych. Do krótkoterminowej prognozy warunków pogodowych wykorzystano jedną z metod technik sieci neuronowych tj. dynamiczną nieliniową autoregresyjną sieć neuronową (NAR). Przykład obliczeniowy prognoz warunków pogodowych wykorzystuje rzeczywiste dane z kilku stacji pogodowych ze zbioru ponad 350 stacji mierzących dane pogodowe na terenie kraju. Przyjmując symetryczny bezwzględny błąd procentowy (SMAPE) oszacowano dokładność prognozy oraz porównano ją z pomiarami rzeczywistymi oraz z prognozą pozyskiwaną od podmiotu komercyjnego. Obliczenia i symulacje przeprowadzono w środowisku MATLAB, umożliwiając wykorzystanie opisanej metody prognozowania w istniejących systemach Dynamicznej Obciążalności Linii (DOL).

The paper presents the method of forecasting weather parameters such as temperature, wind speed and direction, as well as the solar irradiation, which are the basis for determining the dynamic load capacity of overhead lines. For the short-term forecast of weather conditions one of the methods of neural network techniques was used, i.e. a dynamic non-linear autoregressive neural network (NAR). The calculation example of weather forecasts uses real data from several weather stations from a set of over 350 stations measuring weather data across the country. Assuming a symmetrical absolute percentage error (SMAPE), the accuracy of the forecast was estimated and compared with the actual measurements and the forecast obtained from the commercial entity. Calculations and simulations were carried out in the MATLAB environment, enabling the use of the described prediction method in the existing Dynamic Line Rating systems (DOL).