一种基于DBN-SVM的主动配电网电能质量预测方法技术

一种基于DBN‑SVM的含DG主动配电网电能质量预测方法，包括：输入输出数据预处理；对DBN模型的各层RBM进行预训练；对DBN模型进行微调；基于DBN对影响电能质量的环境指标进行特征提取；基于顶层支持向量回归机进行电能质量稳态指标预测；将预测结果反归一化，并进行误差分析。本发明专利技术的优点是：1、利用DBN‑SVM模型对含DG配电网电能质量进行了效果良好的预测，并能在传统SVM的基础上增加误差率落在低值区间的概率，提高预测精度；2、通过无监督的逐层训练和有监督的整体权值微调，得到完整的DBN底层结构，为顶层SVM提供特征矩阵；3、顶层SVM经网格法参数寻优后对电能质量实现有效预测。

An active power quality prediction method based on dbn-svm

【技术实现步骤摘要】
一种基于DBN-SVM的主动配电网电能质量预测方法
本专利技术涉及一种基于DBN-SVM的主动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
主动配电网，是指通过利用灵活拓扑结构的网络来管理潮流，能对分布式能源设备进行主动管理和控制的配电系统。相对于传统配电网来说，主动配电网具备一定分布式可控资源，具有较完善的可控水平，具有实现协调优化管理的管控中心，具有可灵活调节的网络拓扑结构。与微电网相比，其不同主要在于微电网用于小电网和孤岛情况下的并网，而主动配电网用于大电网常态并网和孤岛状态。主动配电网的控制中心可以对主网、配电网、用户侧负荷及分布式电源进行监测，并提出相应的优化协调控制策略，它不仅能提高供电可靠性和供电质量、提升能源利用效率，还能降低电网运营成本、减少系统故障。由于主动配电网中分布式电源(DistributedGeneration，DG)渗透率较高，其具有的随机性、波动性、分散性和不可调度性等不稳定的特性，容易引起配电网各节点出现电压波动与闪变、谐波畸变、过电压等电能质量问题。实现主动配电网中电能质量态势预测，为本文档来自技高网...

【技术保护点】
1.一种基于DBN-SVM的主动配电网电能质量预测方法，包括如下步骤：/n步骤1、输入输出数据的预处理：为消除量纲不统一造成的数据处理过程中的精度损失，对DBN-SVM模型的输入输出数据进行归一化操作；/nDBN-SVM模型的输入包含m个维度，共有n组数据，整个输入矩阵记为X，即/n

【技术特征摘要】
1.一种基于DBN-SVM的主动配电网电能质量预测方法，包括如下步骤：
步骤1、输入输出数据的预处理：为消除量纲不统一造成的数据处理过程中的精度损失，对DBN-SVM模型的输入输出数据进行归一化操作；
DBN-SVM模型的输入包含m个维度，共有n组数据，整个输入矩阵记为X，即



其中，xnm为第n组第m维的输入数据，以此类推；
DBN-SVM模型的输出包含1个维度，共有n组数据，整个输出矩阵记为Y，即



其中，yn为第n组的输出数据，以此类推；
将输入和输出数据分别按式(3)、(4)进行归一化操作：






其中，Xp、Xp′分别为归一化处理之前、之后的第p个输入变量数组，Xp.min和Xp.max分别为Xp中的最小值和最大值；Y、Y′分别为归一化处理之前、之后的输出指标数据，Ymin和Ymax分别为输出矩阵Y中元素的最小值和最大值；
步骤2、对DBN模型的各层RBM进行预训练：DBN共有K层RBM模型，单层RBM网络由可见层和隐含层组成，用v＝{v1，v2，v3，...vI}表示可见层，h＝{h1，h2，...hJ}表示隐藏层，I为可见层节点个数，J为隐藏层节点个数；RBM中每个节点都是{0，1}二值的，节点值为1时表示当前节点处于打开状态，节点值为0时表示当前节点处于关闭状态；
步骤201，将步骤1归一化后的数据按照时间序列排序，划分n组数据中的最后24组数据作为测试集，余下n-24组数据中的70％作为训练集，另30％作为验证集；
步骤202，初始化单层RBM的参数：将训练样本作为第一层RBM的可见层输入，设定RBM训练周期epoch、学习速率τ、可见层节点个数I及隐藏层节点个数J，初始化偏置向量a＝{a1，a2，...，aI}、b＝{b1，b2，...，bJ}和权值矩阵w：



步骤203，训练此层RBM网络：可见层节点vi，i∈{1，2，...，I}和隐藏层节点hj，j∈{1，2，...，J}的联合能量可用式(6)能量函数表示：



其中，θ＝{wij，ai，bj}，wij为节点vi和节点hj之间的连接权值，ai为可见层节点vi的偏置量，bj为隐藏层节点hj的偏置量；
可见层节点与隐藏层节点的联合概率分布如式(7)所示：



其中，Z(θ)为归一化因子，也称分配函数，如式(8)所示：



在RBM可见层节点vi已知的前提下，隐藏层节点hj各节点条件独立，可见层和隐含层间的联合概率分布可由式(9)得出：



由式(9)可求出隐藏层节点hj取值为1的概率，其激活概率如式(10)所示：



其中，exp()为指数函数，∑i()表示遍历所有i将括号中的项累加；
在RBM隐藏层节点hj已知的前提下，可见层节点vi各节点条件独立，可见层和隐含层间的联合概率分布可由式(11)得出：



由式(11)可求出可见层节点vi取值为1的概率，其激活概率如式(12)所示：



根据式(7)求取P(v，h|θ)对隐藏层节点h的边缘分布，可见层节点v的激活概率可由式(13)得出：



RBM的参数值取激活概率P(v|θ)最大时的wij、ai和hj，求解P(v|θ)的最大值可转变为求解似然函数L(θ)的最大值，似然函数可化为式(14)形式：



RBM模型的最优参数θ*由式(15)可得：



其中，arg()表示反函数；
RBM的权重更新可由式(16)对比散度算法求得：



其中，学习速率τ取值在0至1之间；<>data为给定样本数据在可见层输入时的隐藏层期望输出，<>recon为经对比散度算法估计特征重构后的期望输出；
步骤204，将上一层RBM的输出作为下一层RBM的输入，重复步骤202至步骤203，直到下一层RBM能量函数收敛，并求得下一层输出；
步骤205，重复步骤204，逐层训练RBM，直到全部K层RBM均训练完毕；
步骤3、对DBN模型进行微调：目的...

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