[发明专利]一种改进双层长短期记忆网络的负荷用电特性建模方法

说明书

本发明提出了一种改进双层长短期记忆网络的负荷用电特性建模方法。本发明收集负荷用电特性量测数据，负荷用电特性相关量测数据采用归一化处理得到归一化后负荷用电特性量测数据，构建有功特性训练集、构建无功特性训练集、构建有功特性测试集、构建无功特性测试集；建立改进双层长短期记忆网络的负荷用电特性模型；利用有功特性训练集、无功特性训练集训练改进双层长短期记忆网络的负荷用电特性模型。本发明所提建模方法能够学习不同时段的负荷用电特性量测数据，提高了模型的准确性；同时，所提建模方法可以同时刻画负荷有功功率和无功功率的用电特性，对负荷参与系统有功无功联合调度具有指导意义。

技术领域

本发明涉及电力系统负荷用电特性研究领域，尤其是涉及一种改进双层长短期记忆网络的负荷用电特性建模方法。

背景技术

负荷用电特性建模是指建立负荷有功、无功功率关于相关影响因素间的耦合特性，是负荷预测、需求响应实施和电力系统运行控制的基础，随着电动汽车等新型负荷接入，负荷用电特性日趋复杂，为精确建模带来新挑战。

当前负荷用电特性建模主要分为物理驱动的建模和数据驱动的建模两大类。其中，物理驱动的建模是指根据负荷运行原理，建立负荷用电外特性数学模型，例如ZIP负荷特性模型、感应电机负荷模型和二者结合的综合负荷模型等。当出现无法用ZIP或感应电机刻画运行原理的负荷时，例如电动汽车充电负荷，上述方法将无法准确刻画负荷用电特性。数据驱动的建模方法是指采用深度学习方法，挖掘负荷有功/无功功率量测数据与其他因数量测值之间的耦合关系，从而建立负荷用电特性模型。深度学习具有强非线性拟合能力，可提高建模准确性。长短期记忆网络(Long Short-Term Memory，LSTM)是一种具有递归结构的神经网络，可学习不同时段负荷数据间的耦合关系，已被广泛用于负荷特性建模和预测。文献《Forecasting and optimization for microgrid in home energy managementsystems》采用LSTM记忆网络建立空调负荷的用电特性模型，基于空调负荷和天气的时序量测数据，滚动预测空调负荷。文献《An ANN-based model for learning individualcustomer behavior in response to electricity prices》采用LSTM网络学习24-h负荷需求关于电价的耦合特性。发明专利《一种基于长短期记忆网络的负荷预测方法》(申请号：CN201910325295.2)利用长短期记忆网络，根据前一时间点的天气和用电负荷数据，预测当前时间点的用电负荷。但上述研究和发明都仅针对于负荷的有功特性，尚未考虑负荷的无功特性。随着新能源渗透率提高，电力系统电压稳定面临威胁，这提高了对电力系统有功-无功联合调度控制的需求，而建立负荷的有功-无功特性，是实现联合调度的基础。为解决该问题，本发明提出了一种基于双层长短期记忆网络的负荷用电特性建模方法，实现对负荷的有功特性和无功特性的联合建模。所提建模方法，对负荷有功-无功功率预测、特性评估等方面有重要意义。

发明内容

本发明针对负荷的有功-无功特性建模方面，提供了一种改进双层长短期记忆网络的负荷用电特性建模方法，基于量测数据集，建立改进双层长短期记忆网络作为负荷用电特性模型并训练，训练后的模型可根据量测数据，同时评估负荷的有功功率和无功功率，对指导电力系统有功-无功联合调度有重要意义。

为实现上述目标，本发明专利采用以下的技术方案：

步骤1：收集负荷用电特性量测数据，负荷用电特性相关量测数据采用归一化处理得到归一化后负荷用电特性量测数据，构建有功特性训练集、构建无功特性训练集、构建有功特性测试集、构建无功特性测试集；

步骤2：建立改进双层长短期记忆网络的负荷用电特性模型；

步骤3：构建改进双层长短期记忆网络的负荷用电特性模型的损失函数模型，利用有功特性训练集、无功特性训练集训练改进双层长短期记忆网络的负荷用电特性模型，并用测试集验证训练后改进双层长短期记忆网络的负荷用电特性模型的准确性。