一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法技术

一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法，包括：训练数据采集及归一化处理；历史输入数据集的聚类划分；训练集和验证集划分；BP神经网络预测模型训练；求取最佳训练集划分方式；预测输入变量值获取及归一化；确定输入变量值的簇类归属；电能质量预测输出及反归一化；电能质量预测结果评估。本发明专利技术的优点是：1、利用BP神经网络对含DG配电网电能质量进行了有效预测；2、用k‑means聚类算法对神经网络训练集进行分类预处理，对每个类提供不同的预测模型，以克服单独使用BP神经网络存在的易陷入局部最优解的缺点，明显缩小了预测误差；3、多次循环改变训练集、验证集划分方式和隐层节点个数N，提高了得到最优模型的概率。

A Power Quality Prediction Method Based on Clustering and Neural Network for Distributed Power Distribution Network

A power quality prediction method for distribution network with distributed generation based on clustering and neural network includes training data acquisition and normalization processing, clustering partition of historical input data sets, partition of training set and verification set, training of BP neural network prediction model, finding the best partition method of training set, acquiring and normalizing predicted input variable values, and determining the cluster of input variable values. Classification; power quality forecasting output and inverse normalization; power quality forecasting results evaluation. The advantages of the present invention are as follows: 1. The power quality of distribution network containing DG is effectively predicted by using BP neural network; 2. The training set of the neural network is classified and preprocessed by k_means clustering algorithm, and different prediction models are provided for each class to overcome the shortcomings of easily falling into local optimal solution by using BP neural network alone, and the prediction error is obviously reduced; 3. Multiple cyclic modifications are made; The probability of obtaining the optimal model is improved by changing the training set, the partition method of verification set and the number of hidden layer nodes N.

【技术实现步骤摘要】
一种基于聚类及神经网络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聚类及神经网络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
衡量电能质量(PowerQuality)的主要指标有电压、频率和波形。由于理想电力系统的恒定50Hz频率和正弦波形在实际状态中很难达到，过大的偏差会导致电气设备故障或不能正常工作，由此引出了电能质量问题。它主要包括电压偏差、频率偏差、电压波动与闪变、瞬时或暂态过电压、三相不平衡、波形畸变、电压暂降、暂升、中断及供电连续性问题。现今对于电能质量的研究应用主要集中在电能质量监测、分析、扰动识别和谐波源的定位，而针对电能质量预测的研究尚少。在新能源大量接入电网以及智能电网建设的大背景下，电能质量出现大量新问题，倘若提前对电能质量进行预测，并根据预测结果进行预警、诊断和治理，则有利于电能质量的提高，避免事故发生，保障电力系统安全稳定运行。随着新能源的发展热潮，分布式电源(DistributedGeneration，DG)大量接入电网，而分布式电源发电量的影响因素：每日温度、光照及负荷数据变化具有一定的波动性和差异性，在训练之前先将聚类技术应用于电能质量态势预测的数据预处理环节，能够为神经网络的训练和预测模型的选择提供更高的针对性，有利于提高预测的准确度，为后继的预警、诊断和治理提供依据，保障电力系统安全稳定运行。因此，在进行含分布式电源配电网电能质量预测之前进行合理的数据分类预处理相当重要。当前，对含分布式电源配电网进行电能质量预测并用聚类算法对预测训练数据进行预处理的研究成果较少。大部分研究将聚类用于数据监测和离群点的筛除，如申请号为CN201810270350的专利提出一种高铁电能质量监测系统，对归一化以后的电能质量数据进行聚类，并检测出离群点，用于电能质量数据的异常检测处理；申请号为201310122440.X的专利提出一种风电电能质量趋势预测方法，对监测数据作聚类分析，将满足相似度阈值的监测日数据归为一类，计算出每类的概率密度分布，用蒙特卡罗模拟算法对电能质量趋势作出预测，它采用的聚类方法是基于密度的DBSCAN聚类，要求密度定义对数据有意义，计算的时间复杂度较高，且不能区分有重叠的簇。申请号为201810644850.3的专利提出一种基于支持向量机的含分布式电源配电网电能质量预测方法，将采集到的数据直接用于构建预测模型，而未进行数据聚类等预处理，不利于保证数据波动较大情况下的预测可靠性和精度。申请号为201611063183.7的专利提出一种光伏并网点电网阻抗辨识误差波动系数预测方法，将动态聚类划分后的数据集输入神经网络预测模型，但预测对象是阻抗辨识误差波动系数，非直接对电能质量进行的预测。
技术实现思路
本专利技术要克服现有技术的上述缺点，提供一种在外界条件变化较大时能灵活切换预测模型以提高预测准确度的基于聚类和神经网络的含分布式电源配电网电能质量预测方法。本专利技术专利考虑到BP神经网络具有易陷入局部最优解的特性，在预测前加入聚类先导步骤有利于减小训练数据的差异性以得到全局最优解，提出一种基于聚类和神经网络的含分布式电源配电网电能质量预测方法。本专利技术在预测前置环节加入聚类先导步骤，将输入的光照强度、温度和用电负荷等随时间波动较大且对分布式电源出力和配电网电能质量有显著影响的因素通过基于划分的K-means聚类算法分类，再分别对每一类中的数据组训练出误差最小的BP神经网络；预测时首先将基于未来时段的影响因素输入数据判别其属于哪一类，然后调用对应的BP神经网络预测模型进行含分布式电源目标配电网的电能质量预测，得到更准确可靠的预测结果。本专利技术提出的一种基于聚类和神经网络的含分布式电源配电网电能质量预测方法，如附图1所示，其过程包括如下步骤：1、训练数据采集及归一化处理：为获得准确度足够高的预测性能，需要给预测模型提供覆盖场景面足够广、数量足够大的训练数据；为此，首先需要对目标预测点进行电能质量指标项及其影响因素的数据采集，然后将采集到的数据作为历史数据集读入，并进行归一化操作；步骤101，在含分布式电源配电网中选取需要进行电能质量预测的电网节点，采集分布式电源所在环境的温度、光照、配电网用电负荷数据及其所对应的时间标记信息形成历史输入数据集Din＝{X1，X2，…，XN}；Din是维数为H*N的数据矩阵，其中N为输入变量的个数，Xp{p＝1,2,…N}为第p个维数为H的输入变量列向量数据子集，H值由数据采集时段与采集频率确定；以相同时间标记为依据，将Din表示为另一形式：Din＝{Z1；Z2；…；ZH}，Zt{t＝1,2,…H}为第t个维数为N的输入变量行向量数据子集；步骤102，针对待预测的电网节点，采集对应于步骤101中相同时间标记的电能质量历史数据，包括电压偏差、频率偏差、三相不平衡度和谐波畸变率，作为历史输出数据集Dout＝{Y1，Y2，…，YM}；Dout是维数为H*M的数据矩阵，其中M为输出指标的个数，Yq{q＝1,2,…M}为第q个维数为H的输出指标列向量数据子集；以相同时间标记为依据，将Dout表示为另一形式：Dout＝{W1；W2；...；WH}，Wt{t＝1,2,…H}为第t个维数为M的输出指标行向量数据子集；步骤103，为了将步骤101、步骤102采集所获得的不同类别历史数据的量纲进行标准统一化，并加快预测过程中参数寻优的收敛速度，按公式(1)、(2)将所有采集所获得的历史数据进行归一化处理：其中，Xp、Xp′分别为归一化处理之前、归一化处理之后的第p个输入变量数据；Xp.min为Xp中的最小值，Xp.max为Xp中的最大值；Yq、Yq′分别为归一化处理之前、归一化处理之后的第q个输出指标数据；2、历史输入数据集的聚类划分：在步骤1训练数据采集及归一化处理基础上，采用k-means聚类算法对历史输入数据集Din进行聚类划分；步骤201，从输入变量数据集Din＝{Z1；Z2；…；ZH}中随机选择其中K个行向量数据子集样本作为簇均值矩阵{μ1；μ2；…；μK}，即聚类中心；μk{k＝1,2,…K}为簇均值向量，表示第k个选择出的输入变量行向量数据子集；步骤202，按公式(3)计算历史输入数据集Din＝{Z1；Z2；…；ZH}中的每一个行向量数据子集Zt的簇标记：其中，λt为Zt的簇标记，即Zt属于第λt类，K为簇总个数；为二范数的平方；argmin()表示当括号中内容取到最小时对应k的值；步骤203，按公式(4)将样本{Zt,Wt}划入相应的簇：其中，是标记为λt的簇所包含的所有数据集合；符号∪表示对两个集合取并集；步骤204，按公式(5)重新计算簇均值向量μk：其中，Ck是标记为k的簇所包含的所有数据集合，Num(Ck)表示Ck集合中所包含输入向量的个数；步骤205，重复迭代步骤202到步骤204，直至μk计算结果收敛，即满足公式(6)：μ′k＝μk,k∈{1,2,…,K}(6)其中，μ′k和μk分别为上次和本次迭代计算出的簇均值向量；3、训练集和验证集划分：在已聚类完毕的数据集Ck中，划分出训练集和验证集：取Ck中所包含所有数据中的10％量数据作为验证集，其余90％量数据作为训练集；4、BP神经网络预测模型训练：本文档来自技高网...

【技术保护点】
1.一种基于聚类和神经网络的含分布式电源配电网电能质量预测方法，包括如下步骤：步骤1、训练数据采集及归一化处理：为获得准确度足够高的预测性能，需要给预测模型提供覆盖场景面足够广、数量足够大的训练数据；为此，首先需要对目标预测点进行电能质量指标项及其影响因素的数据采集，然后将采集到的数据作为历史数据集读入，并进行归一化操作；步骤101，在含分布式电源配电网中选取需要进行电能质量预测的电网节点，采集分布式电源所在环境的温度、光照、配电网用电负荷数据及其所对应的时间标记信息形成历史输入数据集Din＝{X1，X2，…，XN}；Din是维数为H*N的数据矩阵，其中N为输入变量的个数，Xp{p＝1,2,…N}为第p个维数为H的输入变量列向量数据子集，H值由数据采集时段与采集频率确定；以相同时间标记为依据，将Din表示为另一形式：Din＝{Z1；Z2；…；ZH}，Zt{t＝1,2,…H}为第t个维数为N的输入变量行向量数据子集；步骤102，针对待预测的电网节点，采集对应于步骤101中相同时间标记的电能质量历史数据，包括电压偏差、频率偏差、三相不平衡度和谐波畸变率，作为历史输出数据集Dout＝{Y1，Y2，…，YM}；Dout是维数为H*M的数据矩阵，其中M为输出指标的个数，Yq{q＝1,2,…M}为第q个维数为H的输出指标列向量数据子集；以相同时间标记为依据，将Dout表示为另一形式：Dout＝{W1；W2；…；WH}，Wt{t＝1,2,…H}为第t个维数为M的输出指标行向量数据子集；步骤103，为了将步骤101、步骤102采集所获得的不同类别历史数据的量纲进行标准统一化，并加快预测过程中参数寻优的收敛速度，按公式(1)、(2)将所有采集所获得的历史数据进行归一化处理：...

【技术特征摘要】
1.一种基于聚类和神经网络的含分布式电源配电网电能质量预测方法，包括如下步骤：步骤1、训练数据采集及归一化处理：为获得准确度足够高的预测性能，需要给预测模型提供覆盖场景面足够广、数量足够大的训练数据；为此，首先需要对目标预测点进行电能质量指标项及其影响因素的数据采集，然后将采集到的数据作为历史数据集读入，并进行归一化操作；步骤101，在含分布式电源配电网中选取需要进行电能质量预测的电网节点，采集分布式电源所在环境的温度、光照、配电网用电负荷数据及其所对应的时间标记信息形成历史输入数据集Din＝{X1，X2，…，XN}；Din是维数为H*N的数据矩阵，其中N为输入变量的个数，Xp{p＝1,2,…N}为第p个维数为H的输入变量列向量数据子集，H值由数据采集时段与采集频率确定；以相同时间标记为依据，将Din表示为另一形式：Din＝{Z1；Z2；…；ZH}，Zt{t＝1,2,…H}为第t个维数为N的输入变量行向量数据子集；步骤102，针对待预测的电网节点，采集对应于步骤101中相同时间标记的电能质量历史数据，包括电压偏差、频率偏差、三相不平衡度和谐波畸变率，作为历史输出数据集Dout＝{Y1，Y2，…，YM}；Dout是维数为H*M的数据矩阵，其中M为输出指标的个数，Yq{q＝1,2,…M}为第q个维数为H的输出指标列向量数据子集；以相同时间标记为依据，将Dout表示为另一形式：Dout＝{W1；W2；…；WH}，Wt{t＝1,2,…H}为第t个维数为M的输出指标行向量数据子集；步骤103，为了将步骤101、步骤102采集所获得的不同类别历史数据的量纲进行标准统一化，并加快预测过程中参数寻优的收敛速度，按公式(1)、(2)将所有采集所获得的历史数据进行归一化处理：其中，Xp、Xp′分别为归一化处理之前、归一化处理之后的第p个输入变量数据；Xp.min为Xp中的最小值，Xp.max为Xp中的最大值；Yq、Yq′分别为归一化处理之前、归一化处理之后的第q个输出指标数据；步骤2、历史输入数据集的聚类划分：在步骤1训练数据采集及归一化处理基础上，采用k-means聚类算法对历史输入数据集Din进行聚类划分；步骤201，从输入变量数据集Din＝{Z1；Z2；…；ZH}中随机选择其中K个行向量数据子集样本作为簇均值矩阵{μ1；μ2；…；μK}，即聚类中心；μk{k＝1,2,…K}为簇均值向量，表示第k个选择出的输入变量行向量数据子集；步骤202，按公式(3)计算历史输入数据集Din＝{Z1；Z2；…；ZH}中的每一个行向量数据子集Zt的簇标记：其中，λt为Zt的簇标记，即Zt属于第λt类，K为簇总个数；为二范数的平方；argmin()表示当括号中内容取到最小时对应k的值；步骤203，按公式(4)将样本{Zt,Wt}划入相应的簇：其中，是标记为λt的簇所包含的所有数据集合；符号∪表示对两个集合取并集；步骤204，按公式(5)重新计算簇均值向量μk：其中，Ck是标记为k的簇所包含的所有数据集合，Num(Ck)表示Ck集合中所包含输入向量的个数；步骤205，重复迭代步骤202到步骤204，直至μk计算结果收敛，即满足公式(6)：μ′k＝μk,k∈{1,2,…,K}(6)其中，μ′k和μk分别为上次和本次迭代计算出的簇均值向量；步骤3、训练集和验证集划分：在已聚类完毕的数据集Ck中，划分出训练集和验证集：取Ck中所包含所有数据中的10％量数据作为验证集，其余90％量数据作为训练集；步骤4、BP神经网络预测模型训练：将步骤3中经k-means聚类后各类的训练集作为输入信号，经隐含层作用于输出节点，经过非线性变换产生输出信号；若实际输出和期望输出间存在误差，则将误差通过隐含层向输入层反向传播，通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度、阈值，使误差沿梯度方向下降...

【专利技术属性】
技术研发人员：翁国庆，舒俊鹏，马泰屹，龚阳光，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33