用于调相机的无功补偿的预测方法、系统及存储介质技术方案

本发明专利技术实施方式提供一种用于调相机的无功补偿的预测方法、系统及存储介质，属于调相机的优化技术领域。所述预测方法包括：获取调相机的历史无功功率数据；根据历史无功功率数据确定训练集和测试集；对训练集和测试集执行量化分级操作；采用训练集训练初始的神经网络以得到对应的预测结果；将预测结果与训练集中的标准结果进行比对以计算对应的误差；判断误差是否大于预设的阈值；在判断误差大于阈值的情况下，采用反向梯度法更新神经网络的参数；在判断误差小于或等于阈值的情况下，采用测试集测试神经网络以判断神经网络是否满足预设的预测精度；在判断神经网络满足预测精度的情况下，输出神经网络；采用神经网络对无功补偿进行预测。

【技术实现步骤摘要】
用于调相机的无功补偿的预测方法、系统及存储介质
本专利技术涉及调相机的优化
，具体地涉及一种用于调相机的无功补偿的预测方法、系统及存储介质。
技术介绍
同步调相机是一种特殊运行状态下的同步电机，当应用于电力系统时，能根据系统的需要，自动地在电网电压下降时增加无功输出；在电网电压上升时吸收无功功率，以维持电压，提高电力系统的稳定性，改善系统供电质量。同步电机运行于电动机状态，不带机械负载也不带原动机，只向电力系统提供或吸收无功功率的同步电机，又称同步补偿机，用于改善电网功率因数，维持电网电压水平。由于电网自身的特点，其电压的上升和下降均是没有相关性的。而在电压上升和下降的变化发生比较频繁的情况下，调相机的无功功率变化也会很大，这就会导致调相机相比较平时而言容易发生故障。因此，在规划调相机的维护资源时，如何预测无功功率的变化以及根据该变化合理地制定维护方案成为了调相机维护工作中非常重要的一环。
技术实现思路
本专利技术实施方式的目的是提供一种用于调相机的无功补偿的预测方法、系统及存储介质。该预测方法、系统及存储介质能够准确预测未来调相机执行无功补偿操作时的无功功率的变化，从而调相机的维护效率。为了实现上述目的，本专利技术实施方式提供一种用于调相机的无功补偿的预测方法，所述预测方法包括：获取所述调相机执行所述无功补偿操作的历史无功功率数据；根据所述历史无功功率数据确定训练集和测试集；对所述训练集和测试集执行量化分级操作；采用所述训练集训练初始的神经网络以得到对应的预测结果；将所述预测结果与所述训练集中的标准结果进行比对以计算对应的误差；判断所述误差是否大于预设的阈值；在判断所述误差大于所述阈值的情况下，采用反向梯度法更新所述神经网络的参数，再次采用所述训练集训练初始的神经网络以得到对应的预测结果并执行所述方法的相应步骤，直到判断所述误差小于或等于所述阈值；在判断所述误差小于或等于所述阈值的情况下，采用所述测试集测试所述神经网络以判断所述神经网络是否满足预设的预测精度；在判断所述神经网络满足所述预测精度的情况下，输出所述神经网络；采用所述神经网络对所述无功补偿进行预测。可选地，根据所述历史无功功率数据确定训练集和测试集具体包括：根据预定的时间区间将所述历史无功功率数据划分为多个数据块；从所述多个数据块中随机选取一个数据块作为预测源；确定所述预测源对应的源时间区间；根据所述源时间区间确定预测结果对应的目标时间区间；从所述多个数据块中选取所述目标时间区间对应的数据块作为目标数据块，其中，所述目标数据块为所述预测源对应的标准结果；将所述预测源和所述目标数据块组合为一个预测数据；判断所述预测数据的数量是否大于或等于预设值；在判断所述预测数据的数量小于所述预设值的情况下，再次从所述多个数据块中随机选取一个数据块作为预测源，并执行所述预测方法的相应步骤，直到判断所述预测数据的数量大于或等于所述预设值；在判断所述预测数据的数量大于或等于所述预设值的情况下，将所述预测数据组合为所述训练集或测试集。可选地，对所述训练集和测试集执行量化分级操作具体包括：针对所述时间区间中每个预定时间周期内的无功功率的平均值执行归一化操作；根据预设的数值区间将所述归一化操作的结果转化为对应的参数指标。可选地，针对所述时间区间中每个预定时间周期内的无功功率的平均值执行归一化操作包括：根据公式(1)执行所述归一化操作，其中，为归一化操作后的第i个时间周期的归一化值，为归一化操作前的第i个时间周期的无功功率，xmax为当前的所述时间区间内的无功功率的最大值，xmin为当前的所述时间区间内的无功功率的最小值。可选地，根据预设的数值区间将所述归一化操作的结果转化为对应的参数指标包括：根据公式(2)计算所述参数指标，其中，为执行归一化操作后的第i个时间周期的归一化值，为所述参数指标。可选地，将所述预测结果与所述训练集中的标准结果进行比对以计算对应的误差具体包括：根据公式(3)计算所述误差，其中，Δx为所述误差，n为所述时间区间包括的所述时间周期的数量，为所述预测结果的第i个所述时间周期的预测值，为所述标准结果的第i个所述时间周期的标准值。另一方面，本专利技术还提供一种用于调相机的无功补偿的预测系统，所述预测系统包括处理器，所述处理器用于执行如上述任一所述的预测方法。再一方面，本专利技术还提供一种存储介质，所述存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上述任一所述的预测方法。通过上述技术方案，本专利技术提供的用于调相机的无功补偿的预测方法、系统及存储介质将调相机执行无功补偿操作的历史无功功率数据分成训练集和测试集，然后分别对训练集和测试集进行量化分级操作，再采用该测试集和训练集进行深度学习，最后采用深度学习得到神经网络对该调相机的无功补偿的无功功率进行预测，从而实现了对无功功率的精准预测。另外，在进行深度学习前对测试集和训练集进行量化操作也极大地降低了算法的复杂度，提高神经网络的训练速度。本专利技术实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。附图说明附图是用来提供对本专利技术实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本专利技术实施方式，但并不构成对本专利技术实施方式的限制。在附图中：图1是根据本专利技术的一个实施方式的用于调相机的无功补偿的预测方法的流程图；图2是根据本专利技术的一个实施方式的生成训练集或测试集的方法的流程图；图3是根据本专利技术的一个实施方式的量化分级操作的流程图。具体实施方式以下结合附图对本专利技术实施方式的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本专利技术实施方式，并不用于限制本专利技术实施方式。在本专利技术实施方式中，在未作相反说明的情况下，使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。另外，若本专利技术实施方式中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本专利技术要求的保护范围之内。如图1所示是根据本专利技术的一个实施方式的用于调相机的无功补偿的预测方法的流程图。在图1中，该预测方法可以包括：在步骤S10中，获取调相机执行无功补偿操作的历史无功功率数据。在步骤S本文档来自技高网...

【技术保护点】
1.一种用于调相机的无功补偿的预测方法，其特征在于，所述预测方法包括：/n获取所述调相机执行所述无功补偿操作的历史无功功率数据；/n根据所述历史无功功率数据确定训练集和测试集；/n对所述训练集和测试集执行量化分级操作；/n采用所述训练集训练初始的神经网络以得到对应的预测结果；/n将所述预测结果与所述训练集中的标准结果进行比对以计算对应的误差；/n判断所述误差是否大于预设的阈值；/n在判断所述误差大于所述阈值的情况下，采用反向梯度法更新所述神经网络的参数，再次采用所述训练集训练初始的神经网络以得到对应的预测结果并执行所述方法的相应步骤，直到判断所述误差小于或等于所述阈值；/n在判断所述误差小于或等于所述阈值的情况下，采用所述测试集测试所述神经网络以判断所述神经网络是否满足预设的预测精度；/n在判断所述神经网络满足所述预测精度的情况下，输出所述神经网络；/n采用所述神经网络对所述无功补偿进行预测。/n

【技术特征摘要】
1.一种用于调相机的无功补偿的预测方法，其特征在于，所述预测方法包括：
获取所述调相机执行所述无功补偿操作的历史无功功率数据；
根据所述历史无功功率数据确定训练集和测试集；
对所述训练集和测试集执行量化分级操作；
采用所述训练集训练初始的神经网络以得到对应的预测结果；
将所述预测结果与所述训练集中的标准结果进行比对以计算对应的误差；
判断所述误差是否大于预设的阈值；
在判断所述误差大于所述阈值的情况下，采用反向梯度法更新所述神经网络的参数，再次采用所述训练集训练初始的神经网络以得到对应的预测结果并执行所述方法的相应步骤，直到判断所述误差小于或等于所述阈值；
在判断所述误差小于或等于所述阈值的情况下，采用所述测试集测试所述神经网络以判断所述神经网络是否满足预设的预测精度；
在判断所述神经网络满足所述预测精度的情况下，输出所述神经网络；
采用所述神经网络对所述无功补偿进行预测。


2.根据权利要求1所述的预测方法，其特征在于，根据所述历史无功功率数据确定训练集和测试集具体包括：
根据预定的时间区间将所述历史无功功率数据划分为多个数据块；
从所述多个数据块中随机选取一个数据块作为预测源；
确定所述预测源对应的源时间区间；
根据所述源时间区间确定预测结果对应的目标时间区间；
从所述多个数据块中选取所述目标时间区间对应的数据块作为目标数据块，其中，所述目标数据块为所述预测源对应的标准结果；
将所述预测源和所述目标数据块组合为一个预测数据；
判断所述预测数据的数量是否大于或等于预设值；
在判断所述预测数据的数量小于所述预设值的情况下，再次从所述多个数据块中随机选取一个数据块作为预测源，并执行所述预测方法的相应步骤，直到判断所述预测数据的数量大于或等于所述预设值；
在判断所述预测数据的数量大于或等于所述预设值的情况...

【专利技术属性】
技术研发人员：朱仲贤，曾德龙，施有安，李冀，杜鹏，刘鑫，张学友，罗沙，董浩声，张俊杰，魏南，李永熙，常文婧，杨栋，
申请(专利权)人：国网安徽省电力有限公司检修分公司，国家电网有限公司，
类型：发明
国别省市：安徽;34