一种光伏并网低压台区电能质量预测方法技术

本发明专利技术涉及一种光伏并网低压台区电能质量预测方法，针对光伏并网低压台区电能质量预测问题，本文提出了一种光伏并网低压台区电能质量预测方法，通过贝叶斯优化GRU预测模型超参数，使基于GRU电能质量稳态指标预测算法性能相比于人为设置超参数模型有明显提升。最后通过电网检测系统采集的影响电能质量稳态的数据如电压偏差、谐波畸变率和频率偏差与影响分布式光伏并网系统发电功率的环境因素相结合，通过几种预测模型的比试验，结果表明，本文所提出的方法在三种影响电能质量稳态典型因素的预测中表现最好。素的预测中表现最好。素的预测中表现最好。

【技术实现步骤摘要】
一种光伏并网低压台区电能质量预测方法


[0001]本专利技术涉及光伏并网低压台区电能质量预测领域，提出一种基于贝叶斯优化GRU的电能质量预测方法，利用贝叶斯原理对GRU模型超参数进行优化，该方法能提高预测的正确率。

技术介绍

[0002]含有分布式光伏并网的低压台区系统中，由于分布式光伏并网系统的接入，分布式光伏发电在运行的开始以及结束阶段会导致配电网电压质量出现降低，并且光伏发电输出功率波动也会导致供电质量降低。而且分布式光伏并网系统极易受到环境因素的应该而造成输出功率的波动导致电能质量下降，因此非常有必要对含有光伏并网系统的低压台区进行电能质量的预测，全面提升供电网络的信息化与智能化水平，最终实现对新型电力系统供电网络运行状态的实时感知与精细化控制，工程上具有重要的应用价值。
[0003]GRU(Gated Recurrent Unit)神经网络是长短期记忆LSTM(Long Short
‑
Term Memory)的一个变体,GRU跟LSTM的效果相同但其结构相比于LSTM更加简单，是一种非常有效的循环神经网络(Recurrent Neural Network,RNN)模型。通常在使用预测模型进行相关预测时为了使模型预测精度提高，需要为模型设置一组合理的超参数，使相关数据集与模型有较好的契合度，使模型提高学习的性能和预测的精度。
[0004]贝叶斯优化算法(Bayesian Optimization,BO)相较于根据经验手动调参的方法，其能够通过自动寻找的方式找到最优的超参数，因此可以缩减大量的计算资源和计算时间。贝叶斯优化算法可以借助先前验证假设能快速的找到函数的最小值，其具有严谨的数学理论作为支撑。贝叶斯优化算法具有很好的调参方法而且其适用于深度学习的领域。

技术实现思路

[0005]为了解决上述问题，本专利技术提出了一种基于贝叶斯优化的电能质量预测方法
[0006]一种光伏并网低压台区电能质量预测方法，利用智能终端采集的用户电压数据通过分析影响光伏并网低压台区的电能质量因素，得到反映电能质量的相关指标，包括如下步骤：
[0007]S1：分析影响光伏并网低压台区电能质量因素：由于光伏并网系统具有很强的间歇性和随机性，在接入低压台区系统之后，会给低压台区系统带来电压波动、频率波动、谐波畸变等电能质量问题，同时也会影响低压台区系统的安全可靠运行；
[0008]S2：影响电能质量特征参数求取：所述影响电能质量特征参数为：电压偏差、频率偏差和谐波畸变反映实际节点电压与系统规定电压之间偏差的比率为电压偏差，计算公式如下：
[0009][0010]式中：U
b
指的是电压偏差，U
re
指的是实际的电压，U
N
指的是系统规定的电压；
[0011]实际运行时的频率与系统标示的频率的差值称为频率偏差，其计算公式如下所示：
[0012][0013]式中：f
b
指低压台区系统所产生的频率偏差，f
re
指低压台区系统中的实际运行频率，f
N
指低压台区系统规定的标示频率；
[0014]大于基波频率整数倍的各次分量称为谐波，谐波会引起畸形波形偏离正弦波，反映畸形波偏离的程度就是谐波畸变率，公式如下所示：
[0015][0016]式中：U
h
指各次谐波有效值，U
l
是基波分量有效值；
[0017]一年时间内的某含有分布式光伏并网的低压台区相关数据，其中数据采集周期每小时采集一次，得到电压偏差、谐波畸变率、频率偏差；
[0018]S3：建立神经网络模型：建立GRU(Gated Recurrent Unit)神经网络模型，它只有两个门，更新门z
t
和重置门r
t
；更新门控制前一次的状态信息进入当前状态的程度，值越大，引入的前一时间的状态信息就越多，复位门控制忽略前一次的状态信息；值越明显，越被忽略。
[0019]GRU两个门的计算公式分别如下：
[0020]r
t
＝σ(W
r
·
[h
t
‑1,x
t
]+b
r
)
[0021]z
t
＝σ(W
z
·
[h
t
‑1,x
t
]+b
r
)
[0022]公式中的x
t
代表的输入为当前时刻的，h
t
‑1则代表的隐藏状态为上一时刻的，σ代表Sigmoid激活函数，W代表当前时刻的权重矩阵，b
r
代表偏置参数；Signoid激活函数把更新门和重置门的取值范围转换为(0,1)的区间，h
t1
代表候选的隐藏状态，其表达式如式下式所示；
[0023]h
t1
＝tanh(W
·
[r
t
*h
t
‑1,x
t
]+b
n
)
[0024]式中tanh函数代表激活函数，W代表当前时刻的权重矩阵，b
n
代表偏置参数；
[0025]S4：重置门r
t
跟上一时刻隐藏状态h
t
‑1的元素乘积，需要根据r
t
的取值进行判断去决定是丢弃还是保留上一时刻的隐藏状态，最终通过tanh激活函数把值域转化为(
‑
1,1)的范围之内。最后的隐藏状态h
t
的表达式如下所示；
[0026]h
t
＝(1
‑
z
t
)*h
t
‑1+z
t
*h
t1
[0027]S5：通过更新门z
t
控制当前候选的隐藏状态信息和过去时刻隐藏状态的组合来判断过去和当前隐藏状态是否保留；
[0028]S6：根据GRU预测流程可以的到贝叶斯优化算法；
[0029]S7：在MATLAB软件中创建GRU电能质量预测算法、BO
‑
GRU电能质量预测算法；
[0030]S8：在MATLAB软件中测试BO
‑
GRU电能质量预测算法的可行性，最后得到电压偏差预测对比图，频率偏差预测对比图，谐波畸变率预测对比图。
[0031]进一步地，所述S6中贝叶斯优化算法步骤如下：
[0032](1)定义出需要预测的函数f(x)和它的定义域x；
[0033](2)通过在定义域x上选择一定数量的观测点，求解出观测点所对应的f(x)值；
[0034](3)根据观测值估计出函数的整体分布；
[0035](4)重点观测出现频率较高的点，同时计算出新观测点的f(x)值；
[0036](5)函本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏并网低压台区电能质量预测方法，利用智能终端采集的用户电压数据通过分析影响光伏并网低压台区的电能质量因素，得到反映电能质量的相关指标，其特征在于：包括如下步骤：S1：分析影响光伏并网低压台区电能质量因素：由于光伏并网系统具有很强的间歇性和随机性，在接入低压台区系统之后，会给低压台区系统带来电压波动、频率波动、谐波畸变等电能质量问题，同时也会影响低压台区系统的安全可靠运行；S2：影响电能质量特征参数求取：所述影响电能质量特征参数为：电压偏差、频率偏差和谐波畸变反映实际节点电压与系统规定电压之间偏差的比率为电压偏差，计算公式如下：式中：U
b
指的是电压偏差，U
re
指的是实际的电压，U
N
指的是系统规定的电压；实际运行时的频率与系统标示的频率的差值称为频率偏差，其计算公式如下所示：式中：f
b
指低压台区系统所产生的频率偏差，f
re
指低压台区系统中的实际运行频率，f
N
指低压台区系统规定的标示频率；大于基波频率整数倍的各次分量称为谐波，谐波会引起畸形波形偏离正弦波，反映畸形波偏离的程度就是谐波畸变率，公式如下所示：式中：U
h
指各次谐波有效值，U
l
是基波分量有效值；一年时间内的某含有分布式光伏并网的低压台区相关数据，其中数据采集周期每小时采集一次，得到电压偏差、谐波畸变率、频率偏差；S3：建立神经网络模型：建立GRU(Gated Recurrent Unit)神经网络模型，它只有两个门，更新门z
t
和重置门r
t
；更新门控制前一次的状态信息进入当前状态的程度，值越大，引入的前一时间的状态信息就越多，复位门控制忽略前一次的状态信息；值越明显，越被忽略。GRU两个门的计算公式分别如下：r
t
＝σ(W
r
·
[h
t
‑1,x
t
]+b
r
)z
t
＝σ(W
z
·
[h
t
‑1,x
t
]+b
r
)公式中的x
t
代表的输入为当前时刻的，h
t
‑1则代表的隐藏状态为上一时刻的，σ代表Sigmoid激活函...

【专利技术属性】
技术研发人员：李琮琮，张志，荆臻，曹彤，王清，王平欣，朱红霞，陈祉如，赵曦，
申请(专利权)人：国网山东省电力公司营销服务中心计量中心，
类型：发明
国别省市：