[发明专利]一种基于深度学习模型的含分布式电源配电网电能质量预测方法

说明书

一种基于深度学习模型的含分布式电源配电网电能质量预测方法，包括：电能质量历史数据获取，含电能质量影响因素变量数据和电能质量指标数据；电能质量历史数据预处理，含数据归一化、时间序列转换、训练数据和评估数据分割；电能质量长短时记忆神经网络，即LSTM预测模型确定，含LSTM预测模型构建、参数初始化、基于训练数据实现LSTM预测模型确定；基于评估数据的预测模型性能评估；未来时段系统电能质量指标预测。本发明的优点是：1、对含DG配电网的电能质量进行了有效预测；2、在处理时间序列预测问题上能获得更高的精度；3、充分考虑到了预测模型中各个特征输入变量的影响作用。

技术领域

本发明涉及一种基于深度学习模型的含分布式电源配电网电能质量预测方法，属电气工程和电能质量领域。

背景技术

电能作为走进市场的产品，与其他商品一样也应讲求质量。反映电能质量状况的指标项主要包括电压偏差、谐波、电压闪变与波动、电压骤降与中断、频率偏差、谐波与间谐波、三相电压不平衡等。随着绿色能源和智能电网技术的发展，光伏发电、风力发电等分布式电源(Distributed Generator,DG)广泛接入配电网必将成为未来趋势，它们是传统配电网的有益补充。但是，由于其具有较大的波动性、随机性和多控制模式，含DG配电网中电能质量问题更加严重。若能针对含DG配电网未来时段的电能质量态势进行较准确的预测，系统即可根据电能质量态势感知结果进行有效的预警、预防和改善方案，系统安全性和可靠性也相应提高。

随着近年深度学习技术的快速发展，其在预测领域应用的潜能也得到了广大科研工作者的广泛关注。长短时记忆神经网络(Long Short-Term Memory,LSTM)是一种改进的时间循环神经网络，属于深度学习模型范畴。由于记忆时间序列的长短期依赖信息是LSTM的默认行为，因此LSTM适用于处理和预测时间序列中的间隔和延迟事件，对时序数据时间相关性进行了充分的考虑，预测性能突出。将基于LSTM模型的深度学习技术应用于电能质量预测，可以为后继的电能质量预警、治理改善决策提供有效依据。

当前，针对含DG配电网进行电能质量预测的研究成果较少。申请号为201310122440.X的专利提出一种风电电能质量趋势预测方法，采用蒙特卡罗模拟算法对电能质量趋势作出预测，但蒙特卡罗模拟算法的最优解与数据采样量有着密切的关系，采样量没有达到一定要求时预测效果难以达到最优；申请号为201810644850.3的专利提出一种基于支持向量机的含分布式电源配电网电能质量预测方法，但支持向量机不能很好考虑训练集在时间上的相关性，使得其预测精度受到较大的限制；少量研究将LSTM运用于电力系统短期负荷预测以及电网扰动预测方面：如申请号为CN201810054530.2的专利提出一种基于深度LSTM的电网负荷预测方法；申请号为CN201710101569.0的专利提出一种基于LSTM#RTRBM深度学习模型的电网扰动预测方法及装置；而更多关于LSTM预测的研究和应用主要运用于金融方面：如申请号为CN201711395406.4专利提出一种基于ARMA-LSTM模型的股票预测方法；申请号为CN201810169957.7的专利提出一种基于深度学习模型LSTM的交易指标异常的监测方法。

发明内容

本发明要克服现有含DG配电网电能质量预测能力不足导致系统潜在电能质量问题不能被有效感知、预警及处理的问题，提供一种基于LSTM深度学习模型的含DG配电网电能质量预测方法。

本发明综合考虑气候环境和系统负荷等含DG配电网系统的电能质量具有加大影响的因素，基于LSTM深度学习模型，利用其具有良好的时间序列记忆能力，对系统未来时段的电能质量指标进行合理的预测。

本发明的一种基于长短时记忆神经网络，即LSTM深度学习模型的含DG配电网电能质量预测方法，如附图1所示，其过程包括如下步骤：