[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

摘要

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。

主权项

1.一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，包括如下步骤：步骤1、电能质量历史数据获取：通过读取含DG目标配电网的电能质量历史数据集X，包括电能质量指标项历史数据值以及其影响因素在对应时段的历史数据值，获取N组含24小时时间区段内的输入变量值数据向量、输出变量值数据向量，用于系统电能质量LSTM深度学习预测模型的训练和评估；其中，输入变量值包括时间值、温度值、光照值、系统用电负荷值，输出变量值包括电压偏差、频率偏差、三相不平衡度和谐波畸变率这些电能质量指标项；输入变量值数据和输出变量值数据向量以时间标记进行分组配对；步骤2、电能质量历史数据预处理：对步骤1所获取的系统电能质量历史数据集X进行预处理，包括数据归一化、时间序列转换和数据分割；步骤201，数据归一化：由于影响系统电能质量的各个输入变量项之间的数值差别较大具有不同的量纲，为保证各变量项均能够平等地作用于系统电能质量预测，同时考虑到预测模型中非线性激活函数的输入输出范围并避免预测神经元陷入饱和状态，需要对步骤1所获取的系统电能质量历史数据进行归一化处理；针对温度、光照、系统用电负荷以及电能质量各指标项值，选取步骤1所获取的所有历史数据向量组中各个变量项的最大值与最小值，通过公式(1)将其归一化到[0,1]数值区间：式中：x为归一化处理前的任一变量项数据值，x_min为x同类变量项所有历史数据中的最小值，x_max为与x同类变量项所有历史数据中的最大值，x′为x值对应的归一化处理后数据值；处理完毕，获得系统电能质量归一化历史数据集Xc；步骤202，时间序列转换：LSTM深度学习算法中，普通时间序列数据不能满足监督预测学习的要求；在基于监督学习实现多变量预测目标的过程中，需要在时间长度确定的数据集内，抽取各个变量的时间序列值以及预测目标的时间序列值，构成监督学习的数据框架；处理完毕，系统电能质量归一化历史数据集Xc被转换为监督学习历史数据集S_h；步骤203，数据分割：为确定基于LSTM深度学习电能质量预测模型的内部合适参数，需要提供数量合适的历史数据进行预测模型训练；为合理评估所确定预测模型的有效性，同样需要提供数量合适的历史数据进行预测模型的性能评估；将步骤202所获取的经归一化处理和时间序列转换的监督学习历史数据集S_h进行分割，划分为训练数据子集S_t与测试数据子集S_c；为了既能够使得预测模型得到充分的学习，又能够使得所得预测模型的性能得到准确评估，将训练数据子集S_t与测试数据子集S_c需进行合理分配，使其分别占监督学习历史数据集S_h中所含完整数据的70％与30％；步骤3、电能质量LSTM预测模型确定：根据所确定的输入、输出变量构建LSTM电能质量预测模型框架，并基于训练数据子集S_t进行监督学习以及确定LSTM预测模型的内部参数，包括结构参数和训练参数；其中，结构参数包括模型单元细胞数以及单元细胞内部结构参数，训练参数包括训练周期数Z以及按批训练的批尺寸大小P；步骤301，电能质量LSTM预测模型构建：以时间值、温度值、光照值、系统用电负荷值为输入变量，以电压偏差、频率偏差、三相不平衡度和谐波畸变率为输出变量，构建系统电能质量LSTM预测模型框架；LSTM预测模型由多个LSTM单元细胞组成；每一个单元细胞的内部构造为：对于第t个时刻的LSTM单元细胞，给定输入量x_t以及上一单元细胞状态量C_t‑1，则信息在传递过程中将经过三个过程，然后得到其输出量h_t；过程1是遗忘过程：该部分决定上一LSTM单元细胞的信息有多少被保留，其实现机理及输出值f_t由公式(2)得出：式中，σ为Sigmoid函数，即S型函数，用于将输入的连续实数值压缩到数值范围[0,1]之间；为输入[h_t‑1,x_t]相对于f_t的权重系数矩阵和偏置项；其中，h_t‑1为上一LSTM单元细胞的输出，[h_t‑1,x_t]是由h_t‑1和x_t组合而成的本LSTM单元细胞的输入；过程2是输入过程：该部分决定当前LSTM单元细胞的实际输入，实现机理由公式(3)、(4)和(5)共同表征；其中，i_t表示Sigmoid函数的输出，用于控制C_t信息加入量大小；C_t表示本LSTM单元细胞的状态信息，表示新的信息输入：式中，和分别代表了[h_t‑1,x_t]相对于i_t以及的权重系数矩阵和偏置项；tanh为双曲正切激活函数，用于将输入量压缩到数值范围[‑1,1]之间；过程3是输出过程：该部分决定当前LSTM单元细胞的输出，实现机理由公式(6)和(7)共同表征；其中，o_t用于控制单元状态被过滤的程度：h_t＝o_t*tanh(C_t)  (7)式中，分别表示[h_t‑1,x_t]相对于o_t的权重系数矩阵和偏置项；步骤302，预测模型结构参数初始化：根据监督学习算法要求，LSTM单元细胞数量的确定要求大于预测模型变量特征数；针对每一个LSTM细胞单元的结构参数，对于深度学习中的权重系数矩阵，采用0.02*randn(num_params)方法进行参数初始化，其中randn()表示标准正态分布函数，num_params表示参数个数；对于偏置矩阵，全部设置为0进行初始化；步骤303，训练数据子集S_t读取：在完成LSTM电能质量预测模型框架构建以及预测模型结构参数初始化的基础上，电能质量LSTM预测模型的确定，还必须针对预测网络进行基于有效训练数据的充分训练；因此，以此读取步骤203所得的训练数据子集S_t，作为LSTM预测模型的训练数据；步骤304，训练周期数Z以及批尺寸P的设定：LSTM预测模型训练中，训练周期数过长会导致预测模型过拟合，过短会导致预测模型不能很好地反映训练数据集所蕴含的有效信息，因此，需根据训练数据子集S_t中的数据量合理设定训练周期数Z；采用批训练可以加快LSTM监督学习的训练速度，但批训练中的批尺寸过大会占用过大的计算机内存并降低预测精度，因此，同样需根据S_t中的数据量合理设定批尺寸P；步骤305，电能质量LSTM预测模型确定：根据步骤301～步骤304构建的LSTM预测模型框架、设定的模型结构参数、训练参数以及读取的训练数据子集S_t，即可以实施电能质量LSTM预测模型的训练过程：第一步：按照前向传播的计算方法计算每一个LSTM单元细胞的输出值；第二步：反向计算每一个LSTM单元细胞的误差项，该误差项不仅与步骤301中所述的输出过程有关，而且与前后时间点的隐藏层有关；第三步：根据相应的误差项，计算每一个权重的梯度；第四步：根据相应的误差项以及每个权重的梯度，应用梯度优化算法进行去权值更新；迭代训练过程结束后，记录保留LSTM预测模型结构中涉及的所有参数值，包括步骤301中所述的[h_t‑1,x_t]的权重系数矩阵以及偏置矩阵参数步骤4、预测模型性能评估：根据步骤3所确定的电能质量LSTM预测模型，在真正投入实际含DG配网系统进行电能质量预测之前，必须进行预测模型的效果测试和性能评估；步骤401，测试数据子集S_c读取：电能质量LSTM预测模型的性能评估，必须建立在基于历史数据的充分测试基础之上，因此，需要读取步骤203所得的测试数据子集S_c，作为LSTM预测模型的性能评测数据；测试数据子集S_c中的历史数据归属为两个类别：作为输入变量类别的系统电能质量影响因素数据，以及作为输出数据类别的电能质量指标项数据；步骤402，基于测试数据子集S_c的电能质量预测：根据步骤3所确定的电能质量LSTM预测模型，以及步骤401读取的作为输入变量类别的系统电能质量影响因素数据，进行基于深度学习的电能质量LSTM预测过程，获得对应的系统电能质量预测值；步骤403，预测模型性能评估：通过对比步骤402所得的作为LSTM预测模型输出的电能质量预测值，以及步骤401读取的测试数据子集S_c中作为输出数据类别的电能质量指标项数据，实现所得LSTM预测模型的预测性能评估；为有效评估电能质量LSTM预测模型的预测准确度，通过公式(8)考虑其均方根误差指标ε_RMSE：式中：y_j为测试数据子集S_c中原有的电能质量实际历史指标值，为根据步骤402获得的电能质量预测值，n为测试数据子集S_c中用于评估测试的数据组数；j为用于测试的数据组编号；ε_RMSE反映了预测值相对于观察值的平均偏离程度，其值与n有关；但当数据量n确定，ε_RMSE的值越小，反映预测模型的预测准确越高，预测性能越好；步骤5、未来时段系统电能质量指标预测：基于步骤4测试评估，确认性能良好的电能质量LSTM预测模型，在未来时段影响系统电能质量的各输入变量值可得的前提下，即可按步骤3进行未来时段系统电能质量指标项数值的合理预测；步骤501，未来时段输入变量数据集读取：获取并读取含DG目标配电网系统在未来某时段内的输入变量数据集，包括温度值、光照值、系统用电负荷值和时间值；步骤502，未来时段电能质量预测实施：基于步骤501读取的未来某时段内输入变量数据集以及步骤3确定的LSTM预测模型，实施含DG目标配电网电能质量预测，获得系统在对应未来时段内电能质量指标项的预测数据；步骤503，预测数据反归一化处理：步骤502所获得的电能质量指标项预测数据属于归一化数据，为得到具有实际物理意义的系统电能质量预测数据，需按公式(9)对其进行反归一化处理：x＝x′*(x_max‑x_min)+x_min  (9)。