一种数据驱动的配电网无功功率预测方法技术

本发明专利技术公开了一种数据驱动的配电网无功功率预测方法。所述方法包括以下步骤：整理数据资料，确定输入特征变量集合X和输出目标变量集合y，构建特征选择网络；构建基于长短期记忆的序列到序列循环神经网络架构；对多因素多维历史输入时间序列构建注意力机制，引入门控残差块，对有功和无功功率构建多任务学习机制，完成配电网无功功率预测模型f的构建；估计配电网无功功率预测模型f参数θ，输出无功功率预测值本发明专利技术设计数据驱动的神经网络算法架构，建立反映输入特征和输出目标变量之间映射关系的配电网无功功率预测模型，以应对配电网无功功率吸收或放出量的波动性、满足配电网对准确无功功率预测效果的紧迫需求。网对准确无功功率预测效果的紧迫需求。网对准确无功功率预测效果的紧迫需求。

【技术实现步骤摘要】
一种数据驱动的配电网无功功率预测方法


[0001]本专利技术涉及配电网无功功率预测领域，特别涉及一种数据驱动的配电网无功功率预测方法。

技术介绍

[0002]在电力与能源系统中接入可再生能源发电有助于满足日益增长的能源需求，接入可再生能源发电需吸收一定的无功功率，即可再生能源发电量一定程度取决于无功电源量。电力系统的无功电源主要由集中水力、火力等发电机组放出，输电和配电系统(含供暖、制冷、通风、充电等负荷设备)的各类电气元件吸收或放出无功功率。其中，元件及其组成网络的等效阻抗可呈现感性、容性和阻性，使得相位角、功率因数和电压水平等系统运行状态可能偏离预期值：感性指吸收无功功率(通常使无功功率为正值)；容性指放出无功功率(即无功功率为负值)；阻性指既不吸收无功功率，也不发出无功功率。换言之，无功功率吸收或放出水平将影响供能可靠性和电能质量，保障能源传输、分配、消费等管理环节顺利进行。因此，无功功率对于输电与配电系统及其电气元件运行至关重要，而接入依赖随机天气的和位置分散的可再生能源及其它分布式电源时，无功功率吸收或放出水平可能更加不确定，亟需精准本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据驱动的配电网无功功率预测方法，其特征在于，包括以下步骤：S1、整理数据资料，确定输入特征变量集合X和输出目标变量集合y，构建特征选择网络；S2、构建基于长短期记忆的序列到序列循环神经网络架构；S3、基于序列到序列循环神经网络架构，对多因素多维历史输入时间序列构建注意力机制，引入门控残差块，对有功和无功功率构建多任务学习机制，完成配电网无功功率预测模型f的构建；S4、估计配电网无功功率预测模型f参数θ，输出无功功率预测值2.根据权利要求1所述的一种数据驱动的配电网无功功率预测方法，其特征在于，步骤S1中，整理数据资料，确定输入特征变量集合和输出目标变量集合其中，X
t
和y
t
分别为模型f在t时刻的输入特征变量和输出目标变量，和分别数据资料的起始时刻t0的输入特征变量和输出目标变量；所述数据资料，包括配电网无功功率及其影响因素数据，根据此数据资料划分出配电网无功功率预测模型f的样例(X
t
,y
t
)，即配电网无功功率预测模型f在t时刻的输入特征变量X
t
和输出目标变量y
t
。3.根据权利要求2所述的一种数据驱动的配电网无功功率预测方法，其特征在于，所述输入特征变量X
t
分为静态时不变协变量o
static
、已知时变变量和观察时变变量t时刻的输入特征变量X
t
的维度和长度给定，各变量元素间的时间间隔表示为设定的时间分辨率；静态时不变协变量o
static
为不随时间、空间、用电行为而变化的影响因素，包括用户编号或注册位置；已知时变变量是指保持透明或随时可用的事后和预先可知影响因素，按照当前时刻t的时间戳划分为时刻t前的已知时变变量和时刻t后的已知时变变量观察时变变量包括时刻t前的事后可知影响因素，以目标配电网无功功率为主，可分为目标无功功率序列的时间周期及时延特性、多个单位无功功率序列的空间相关特性、以及外部因素；所述输出目标变量y
t
通常给定t时刻时未知的
‘
未来
’
无功功率变量输出目标变量y
t
包括的变量维度及各变量长度也给定，输出目标变量y
t
包括的变量维度表示单个或多个单位无功功率预测对象，输出目标变量y
t
包括的各变量长度表示单预测步长或多预测步长，各变量元素间的时间间隔意义同输入特征变量X
t
；其中单预测步长的输出目标变量y
t
是指变量长度为单个分辨率的无功功率预测值，包括无功功率单步长预测值
多预测步长的输出标签变量y
t
是指标签变量长度为设定数量的分辨率，包括无功功率多步长预测值4.根据权利要求1所述一种数据驱动的配电网无功功率预测方法，其特征在于，步骤S1中，所述特征选择网络用于从各输入特征中选择起主要作用的特征，其表达式如下：中，所述特征选择网络用于从各输入特征中选择起主要作用的特征，其表达式如下：中，所述特征选择网络用于从各输入特征中选择起主要作用的特征，其表达式如下：其中，为特征选择网络的输入变量，c
var
为特征选择网络的局部信息，GRB(
·
)为门控残差块，v为输入变量的其中一个维度，N
v
为输入变量的维度数量，为输入变量中的第v个维度的特征重要程度的权重向量，为输入变量中的第v个维度的特征，为对应于特征的非线性特征，为所有非线性特征组成的变量，θ
var
为特征选择网络的参数，θ
GRB
为门控残差块的参数。5.根据权利要求1所述一种数据驱动的配电网无功功率预测方法，其特征在于，步骤S2中，所述基于长短期记忆的序列到序列循环神经网络架构包括基于长短期记忆循环神经网络的编码器网络和解码器网络，旨在获取短期记忆信息；向序列到序列循环神经网络Seq2Seq(
·
)输入上一时刻的隐藏状态向量和当前时刻的输入变量输出预测值序列到序列循环神经网络中的变换过程可用如下表达式表示：序列到序列循环神经网络中的变换过程可用如下表达式表示：序列到序列循环神经网络中的变换过程可用如下表达式表示：序列到序列循环神经网络中的变换过程可用如下表达式表示：其中，Encoder(
·
)和Decoder(
·
)为基于长短期记忆网络LSTM(
·
)的编码器网络和解码器网络，为当前时刻t编码器的输入变量，包括时刻t前的已知时变变量和观察时变变量察时变变量为当前时刻t编码器的隐藏状态，为上一时刻编码器隐藏状态，为编码器网络Encoder(
·
)输出的最后一个内部状态，c
var
为局部信息，为解
码器网络Decoder(
·
)输入变量，包括时刻t后的已知时变变量)输入变量，包括时刻t后的已知时变变量为上一时刻解码器的隐藏状态，当前时刻解码器的隐藏状态，Dropout(
·
)为随机遗忘函数，GLU(
·
)为门控线性单元，LayerNorm(
·
)为跳跃连接残差和标准化层，c
enc
为序列到序列网络Seq2Seq(
·
)的局部信息，θ
enc
为编码器网络Encoder(
·
)的参数，θ
dec
为解码器网络Decoder(
·
)参数，η
Dropout
为跳跃连接残差和标准化层LayerNorm(
·
)关于随机遗忘函数Dropout(
·
)的参数。6.根据权利要求1所述一种数据驱动的配电网无功功率预测方法，其特征在于，步骤S3中，所述注意力机制，旨在建模较长的短期时序依赖信息。注意力机制通过隐藏状态的点积分数标量来模拟时序依赖关系，表达式为：其中，c
enc
为序列到序列网络Seq2Seq(
·
)的局部信息，Softmax(
·
)为序列到序列网络Seq2Seq(
·
)的激活函数，为编码器所有的隐藏状态；进一步地，构建自注意机制Attention(
·
)，其表达式如下：)，其表达式如下：其中，X
Q
∈d
...

【专利技术属性】
技术研发人员：朱继忠，董瀚江，李盛林，苗雨旺，蓝静，周迦琳，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：