A power quality prediction method based on in-depth learning model for distribution network with distributed generation includes: acquisition of power quality historical data, variable data of power quality influencing factors and power quality index data; preprocessing of power quality historical data, including data normalization, time series conversion, training data and evaluation data segmentation; long-term and short-term memory neural network of power quality The network includes LSTM prediction model construction, parameter initialization, LSTM prediction model determination based on training data, performance evaluation of prediction model based on Evaluation data, and system power quality index prediction in the future. The advantages of the present invention are as follows: 1. Effective prediction of power quality of distribution network with DG; 2. Higher accuracy can be obtained in dealing with time series prediction problems; 3. Full consideration is given to the influence of each characteristic input variable in the prediction model.
【技术实现步骤摘要】
一种基于深度学习模型的含分布式电源配电网电能质量预测方法
本专利技术涉及一种基于深度学习模型的含分布式电源配电网电能质量预测方法，属电气工程和电能质量领域。
技术介绍
电能作为走进市场的产品，与其他商品一样也应讲求质量。反映电能质量状况的指标项主要包括电压偏差、谐波、电压闪变与波动、电压骤降与中断、频率偏差、谐波与间谐波、三相电压不平衡等。随着绿色能源和智能电网技术的发展，光伏发电、风力发电等分布式电源(DistributedGenerator,DG)广泛接入配电网必将成为未来趋势，它们是传统配电网的有益补充。但是，由于其具有较大的波动性、随机性和多控制模式，含DG配电网中电能质量问题更加严重。若能针对含DG配电网未来时段的电能质量态势进行较准确的预测，系统即可根据电能质量态势感知结果进行有效的预警、预防和改善方案，系统安全性和可靠性也相应提高。随着近年深度学习技术的快速发展，其在预测领域应用的潜能也得到了广大科研工作者的广泛关注。长短时记忆神经网络(LongShort-TermMemory,LSTM)是一种改进的时间循环神经网络，属于深度学习模型范畴。由于记忆时...
【技术保护点】
1.一种基于长短时记忆神经网络，即LSTM深度学习模型的含DG配电网电能质量预测方法，包括如下步骤：步骤1、电能质量历史数据获取：通过读取含DG目标配电网的电能质量历史数据集X，包括电能质量指标项历史数据值以及其影响因素在对应时段的历史数据值，获取N组含24小时时间区段内的输入变量值数据向量、输出变量值数据向量，用于系统电能质量LSTM深度学习预测模型的训练和评估；其中，输入变量值包括时间值、温度值、光照值、系统用电负荷值，输出变量值包括电压偏差、频率偏差、三相不平衡度和谐波畸变率这些电能质量指标项；输入变量值数据和输出变量值数据向量以时间标记进行分组配对；步骤2、电能质量...
【技术特征摘要】
1.一种基于长短时记忆神经网络，即LSTM深度学习模型的含DG配电网电能质量预测方法，包括如下步骤：步骤1、电能质量历史数据获取：通过读取含DG目标配电网的电能质量历史数据集X，包括电能质量指标项历史数据值以及其影响因素在对应时段的历史数据值，获取N组含24小时时间区段内的输入变量值数据向量、输出变量值数据向量，用于系统电能质量LSTM深度学习预测模型的训练和评估；其中，输入变量值包括时间值、温度值、光照值、系统用电负荷值，输出变量值包括电压偏差、频率偏差、三相不平衡度和谐波畸变率这些电能质量指标项；输入变量值数据和输出变量值数据向量以时间标记进行分组配对；步骤2、电能质量历史数据预处理：对步骤1所获取的系统电能质量历史数据集X进行预处理，包括数据归一化、时间序列转换和数据分割；步骤201，数据归一化：由于影响系统电能质量的各个输入变量项之间的数值差别较大具有不同的量纲，为保证各变量项均能够平等地作用于系统电能质量预测，同时考虑到预测模型中非线性激活函数的输入输出范围并避免预测神经元陷入饱和状态，需要对步骤1所获取的系统电能质量历史数据进行归一化处理；针对温度、光照、系统用电负荷以及电能质量各指标项值，选取步骤1所获取的所有历史数据向量组中各个变量项的最大值与最小值，通过公式(1)将其归一化到[0,1]数值区间：式中：x为归一化处理前的任一变量项数据值，xmin为x同类变量项所有历史数据中的最小值，xmax为与x同类变量项所有历史数据中的最大值，x′为x值对应的归一化处理后数据值；处理完毕，获得系统电能质量归一化历史数据集Xc；步骤202，时间序列转换：LSTM深度学习算法中，普通时间序列数据不能满足监督预测学习的要求；在基于监督学习实现多变量预测目标的过程中，需要在时间长度确定的数据集内，抽取各个变量的时间序列值以及预测目标的时间序列值，构成监督学习的数据框架；处理完毕，系统电能质量归一化历史数据集Xc被转换为监督学习历史数据集Sh；步骤203，数据分割：为确定基于LSTM深度学习电能质量预测模型的内部合适参数，需要提供数量合适的历史数据进行预测模型训练；为合理评估所确定预测模型的有效性，同样需要提供数量合适的历史数据进行预测模型的性能评估；将步骤202所获取的经归一化处理和时间序列转换的监督学习历史数据集Sh进行分割，划分为训练数据子集St与测试数据子集Sc；为了既能够使得预测模型得到充分的学习，又能够使得所得预测模型的性能得到准确评估，将训练数据子集St与测试数据子集Sc需进行合理分配，使其分别占监督学习历史数据集Sh中所含完整数据的70％与30％；步骤3、电能质量LSTM预测模型确定：根据所确定的输入、输出变量构建LSTM电能质量预测模型框架，并基于训练数据子集St进行监督学习以及确定LSTM预测模型的内部参数，包括结构参数和训练参数；其中，结构参数包括模型单元细胞数以及单元细胞内部结构参数，训练参数包括训练周期数Z以及按批训练的批尺寸大小P；步骤301，电能质量LSTM预测模型构建：以时间值、温度值、光照值、系统用电负荷值为输入变量，以电压偏差、频率偏差、三相不平衡度和谐波畸变率为输出变量，构建系统电能质量LSTM预测模型框架；LSTM预测模型由多个LSTM单元细胞组成；每一个单元细胞的内部构造为：对于第t个时刻的LSTM单元细胞，给定输入量xt以及上一单元细胞状态量Ct-1，则信息在传递过程中将经过三个过程，然后得到其输出量ht；过程1是遗忘过程：该部分决定上一LSTM单元细胞的信息有多少被保留，其实现机理及输出值ft由公式(2)得出：式中，σ为Sigmoid函数，即S型函数，用于将输入的连续实数值压缩到数值范围[0,1]之间；为输入[ht-1,xt]相对于ft的权重系数矩阵和偏置项；其中，ht-1为上一LSTM单元细胞的输出，[ht-1,xt]是由ht-1和xt组合而成的本LSTM单元细胞的输入；过程2是输入过程：该部分决定当前LSTM单元细胞的实际输入，实现机理由公式(3)、(4)和(5)共同表征；其中，it表示Sigmoid函数的输出，用于控制Ct信息加入量大小；Ct表示本LSTM单元细胞的状态信息，表示新的信息输入：式中，和分别代表了[ht-1,xt]相对于it以及的权重系数矩阵和偏置项；tanh为双曲正切激活函数，用于将输入量压缩到数值范围[-1,1]之间；过程3是输出过程：该部分决定当前LSTM单元细胞的输出，实现机理由公式(6)和(7)共同表征；其中，ot用于控制单元状态被过滤的程度：ht＝ot*tanh(Ct)(7)式中，分别表...
【专利技术属性】
技术研发人员：翁国庆，龚阳光，舒俊鹏，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。