电网母线无功负荷预测方法及装置制造方法及图纸

本发明专利技术实施例提供一种电网母线无功负荷预测方法及装置，属于电网负荷预测技术领域。包括：获取历史有功负荷数据序列及历史无功负荷数据序列；将历史有功负荷数据序列及历史无功负荷数据序列输入至有功无功负荷一体化预测模型中，输出未来预设时间段内有功负荷及无功负荷的预测值。由于母线无功负荷基数小、非线性强，数据内在规律挖掘难度大从而难以预测，而负荷的有功和无功序列数据之间时序特征显著，从而基于有功无功负荷一体化预测模型，可以有效预测有功无功负荷，进而可实现节能减耗与调度精细化管理。

Forecasting method and device of reactive load of power grid bus

【技术实现步骤摘要】
电网母线无功负荷预测方法及装置
本专利技术涉及电网负荷预测
，尤其涉及一种电网母线无功负荷预测方法及装置。
技术介绍
在电力行业中，电力负荷的短期预测在电网运行、机组启停和电力调度等领域发挥着越来越重要的作用，提高负荷预测精度能够有效地提高电力系统的经济型和可靠性。随着城市化建设的发展，用户的用电需求进一步增加，大规模接入可再生分布式电源将具有可行性条件。短期负荷预测是用户端微电网能量管理系统的重要组成部分，是微源优化调度的基础。预测结果将直接影响微电网运行策略和电力交易。相关研究表明，微电网负荷预测误差较大会导致运营成本大幅增加。目前负荷预测预测方法，主要是统计学方法，主要有回归分析法、时间序列法等。然而，统计方法都是线性模型方法，只能对数据影响因素少和小规模样本进行处理，在遇到复杂、非线性问题时就显得无能为力，不能有效进行预测。
技术实现思路
为了解决上述问题，本专利技术实施例提供一种克服上述问题或者至少部分地解决上述问题的电网母线无功负荷预测方法及装置。根据本专利技术实施例的第一方面，提供了一种电网母线无功负荷预测方法，包括：获取历史有功负荷数据序列及历史无功负荷数据序列；将历史有功负荷数据序列及历史无功负荷数据序列输入至有功无功负荷一体化预测模型中，输出未来预设时间段内有功负荷及无功负荷的预测值。根据本专利技术实施例的第二方面，提供了一种电网母线无功负荷预测装置，包括：获取模块，用于获取历史有功负荷数据序列及历史无功负荷数据序列；第一输出模块，用于将历史有功负荷数据序列及历史无功负荷数据序列输入至有功无功负荷一体化预测模型中，输出未来预设时间段内有功负荷及无功负荷的预测值。根据本专利技术实施例的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与处理器通信连接的至少一个存储器，其中：存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的电网母线无功负荷预测方法。根据本专利技术的第四方面，提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的电网母线无功负荷预测方法。本专利技术实施例提供的电网母线无功负荷预测方法及装置，由于母线无功负荷基数小、非线性强，数据内在规律挖掘难度大从而难以预测，而负荷的有功和无功序列数据之间时序特征显著，从而基于有功无功负荷一体化预测模型，可以有效预测有功无功负荷，进而可实现节能减耗与调度精细化管理。应当理解的是，以上的一般描述和后文的细节描述是示例性和解释性的，并不能限制本专利技术实施例。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种电网母线无功负荷预测方法的流程示意图；图2为本专利技术实施例提供的一种RNN神经网络结构示意图；图3为本专利技术实施例提供的一种LSTM网络的记忆单元结构图；图4为本专利技术实施例提供的一种LSTM网络内部拓扑图；图5为本专利技术实施例提供的一种LSTM网络BPTT训练算法示意图；图6为本专利技术实施例提供的一种网络层数对预测精度影响示意图；图7为本专利技术实施例提供的一种DI-LSTM网络模型的结构示意图；图8为本专利技术实施例提供的一种DI-LSTM网络模型的工作流程图；图9为本专利技术实施例提供的一种110kV电力村和晋江站有功预测结果示意图；图10为本专利技术实施例提供的一种110kV电力村和晋江站有功预测结果示意图；图11为本专利技术实施例提供的一种110kV电力村和晋江站无功预测结果示意图；图12为本专利技术实施例提供的一种110kV电力村和晋江站无功预测结果示意图；图13为本专利技术实施例提供的一种母线有功负荷连续预测误差分布图；图14为本专利技术实施例提供的一种母线有功负荷连续预测误差分布图；图15为本专利技术实施例提供的一种母线无功负荷连续预测误差分布图；图16为本专利技术实施例提供的一种母线无功负荷连续预测误差分布图；图17为本专利技术实施例提供的一种电网母线无功负荷预测装置的结构示意图；图18为本专利技术实施例提供的一种电子设备的框图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。由于统计方法都是线性模型方法，只能对数据影响因素少和小规模样本进行处理，在遇到复杂、非线性问题时就显得无能为力，而人工智能方法可以有效解决非线性问题。人工智能方法中主要有支持向量机、神经网络、深度学习方法等。基于上述说明，本专利技术实施例提供了一种电网母线无功负荷预测方法。参见图1，该方法包括：101、获取历史有功负荷数据序列及历史无功负荷数据序列；102、将历史有功负荷数据序列及历史无功负荷数据序列输入至有功无功负荷一体化预测模型中，输出未来预设时间段内有功负荷及无功负荷的预测值。其中，短期负荷预测是用户端微电网能量管理系统的重要组成部分，是微源优化调度的基础。预测结果将直接影响微电网运行策略和电力交易。相关研究表明，微电网负荷预测误差较大会导致运营成本大幅增加。本专利技术实施例提供的方法，由于母线无功负荷基数小、非线性强，数据内在规律挖掘难度大从而难以预测，而负荷的有功和无功序列数据之间时序特征显著，从而基于有功无功负荷一体化预测模型，可以有效预测有功无功负荷，进而可实现节能减耗与调度精细化管理。基于上述实施例的内容，作为一种可选实施例，有功无功负荷一体化预测模型是基于LSTM训练得到，LSTM是一种改进RNN网络模型。RNN是一种对序列数据进行建模的深度学习神经网络，理论上能够利用任意长的序列信息，对数据中每个元素都执行相同的操作，并且每一个操作都依赖之前的计算结果。典型的RNN网络结构如图2所示，其结构可参考如下公式：ht＝σh(U·xt+W·ht-1+bh)；yt＝σo(V·ht+bo)；在上述公式中，xt表示t时刻网络的输入，U是输入层与隐层之间的权重矩阵，V是隐层与输出层之间权重矩阵，W是表示隐层反馈权重矩阵，σh与bh分别为隐层的激活函数与偏置向量，ht表示时刻隐层的输出。σ0与b0分别为输出层的激活函数与偏置向量，yt表示t时刻网络的输出。RNN隐含层节点的连接方式使得其输出不仅与当前时刻输入有关，还与上一时刻隐含层输出值有关，网络在时间上具有递归特性，但当时间深度过大时，模型训练中会产生梯度爆炸或梯度消失，无法解决数据在时间维度上的长距离依赖问题。而LSTM具备RNN的时间递归属性和序列数据处理优点，同时具有独特的记忆单元，可以灵活地适应网络学习任务的时序特征。与传统的RNN相比，LSTM通过引入控制单元门机制改进神经网络隐层的内部单元结构，形成具有独特遗忘、记忆功能的LSTM神经元。如图3所示，LSTM在神经元中增加了输入门、遗忘本文档来自技高网...

【技术保护点】
1.一种电网母线无功负荷预测方法，其特征在于，包括：获取历史有功负荷数据序列及历史无功负荷数据序列；将所述历史有功负荷数据序列及所述历史无功负荷数据序列输入至有功无功负荷一体化预测模型中，输出未来预设时间段内有功负荷及无功负荷的预测值。

【技术特征摘要】
1.一种电网母线无功负荷预测方法，其特征在于，包括：获取历史有功负荷数据序列及历史无功负荷数据序列；将所述历史有功负荷数据序列及所述历史无功负荷数据序列输入至有功无功负荷一体化预测模型中，输出未来预设时间段内有功负荷及无功负荷的预测值。2.根据权利要求1所述的电网母线无功负荷预测方法，其特征在于，所述将所述历史有功负荷数据序列及所述历史无功负荷数据序列输入至有功无功负荷一体化预测模型中之前，还包括：基于历史有功负荷的最大值及历史有功负荷的最小值，对所述历史有功负荷数据序列进行归一化处理，基于历史无功负荷的最大值及历史无功负荷的最小值，对所述历史无功负荷数据序列进行归一化处理。3.根据权利要求2所述的电网母线无功负荷预测方法，其特征在于，所述基于有功负荷的最大值及有功负荷的最小值，对所述历史有功负荷数据序列进行归一化处理，包括：其中，x为所述历史有功负荷数据序列中的有功负荷数据，min(x)表示历史有功负荷的最小值，max(x)表示历史有功负荷的最大值，x'表示归一化结果。4.根据权利要求1所述的电网母线无功负荷预测方法，其特征在于，所述有功无功负荷一体化预测模型为5层结构。5.根据权利要求4所述的电网母线无功负荷预测方法，其特征在于，所述有功无功负荷一体化预测模型的5层结构中包含隐层，所述隐层...

【专利技术属性】
技术研发人员：张旭，王仪贤，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京,11