CN109993346A - 基于混沌时间序列和神经网络的微电网电压安全评估方法 - Google Patents

Abstract

本发明提出了基于混沌时间序列和神经网络的微电网电压安全评估方法，包括以下步骤：步骤1，输入电压数据时间序列；步骤2，进行安全评估；步骤3，对电压数据的混沌性进行判断；步骤4，进行相空间重构；步骤5，RBF神经网络的训练；步骤6，提供判断微电网电压安全可控依据；步骤7，结束；将微电网的公共连接点（PCC）的电压作为评估微电网是否安全的依据，采用电压安全评估指数（VSAI）算法，将采集到的微电网PCC的电压序列移动平均值与采集点的电压作比较，从而得到偏差值，再带入所定义的VSAI算法中，确定微电网的电压是否处于安全状态，最后根据混沌时间序列和RBF神经网络算法的融合，预测出短时电压变化曲线，为微电网的安全可控提供依据。

Description

基于混沌时间序列和神经网络的微电网电压安全评估方法

技术领域

本发明涉及一种电压安全评估方法，具体的说是一种微电网电压安全评估方法，属于电力系统自动化技术领域。

背景技术

随着常规化石能源的不断消耗以及引起的碳排放、环境污染等问题日趋严重，寻求清洁高效的可再生能源以替代可耗竭的化石能源已受到人们普遍关注。利用风电、光伏等可再生资源替代化石能源，对于降低碳排放，改善能源结构将起到重要的作用，但由于可再生资源具有明显的间歇性及波动性，使得包含可再生能源的微电网调控难度不断增加，而近几年，以降低碳排放、节约常规能源和减少环境污染为目的电动汽车接入微电网进行自由充电，都会使电源侧和负荷侧呈现出一定的非可控性，从而给微电网的安全和调控带来了新的挑战。

传统的微电网的电压预测和安全评估的研究大都基于物理或者统计的方法，其中统计方法主要基于单一的预测模型，有一定的主观性，预测误差较大，因此针对包含波动性和间歇性的分布式电源以及随机性负荷的微电网电压进行安全评估的问题，急需一种更好的方法来解决。

发明内容

本发明所要解决的技术问题是，预测模型单一，有一定的主观性，预测误差较大，使得微电网的安全评估精度差，不可靠，为克服现有技术的不足而提供基于混沌时间序列和神经网络的微电网电压安全评估方法。

本发明提供基于混沌时间序列和神经网络的微电网电压安全评估方法，包括以下步骤：

步骤1，输入电压数据时间序列；

步骤2，进行安全评估；

步骤3，对电压数据的混沌性进行判断；

步骤4，进行相空间重构；

步骤5，RBF神经网络的训练；

步骤6，提供判断微电网电压安全可控依据；

步骤7，结束。

进一步的，所述关键字层次结构分为测试用例集合、测试用例层、测试步骤层，关键字的定义与测试用例集合的结构密不可分，一套测试用例集合包含了一系列测试用例，而一个测试用例是由各个测试步骤组合构成的。

进一步的，所述步骤2中，采用VSAI的动态电压稳定性标准进行安全评估，根据负载总线电压的均方根值的时间序列数据进行计算，将采集到的离散电压序列{v,i 1,2,n}，由电压安全评估指数按照以下步骤配置：

步骤2.1，求取重构后电压数据的移动平均值：

步骤2.2，计算测量点的电压v_i与电压的移动平局值之间的偏差c_i：

步骤2.3，在第i个瞬间将百分比多样性曲线下的面积除以N的值如下：

步骤2.4，第i个瞬间的VSAI定义为：

VSAI_i＝u_th-u_i (4)

其中u_th是安全阈值；

动态电压安全评估的标准如下：当VSAI_i＝u_th-u_i≤0那么说明微电网系统总线电压被评估为危险，而只有当VSAI_i＝u_th-u_i＞0时，微电网电压才处于一个安全状态。

进一步的，所述步骤3的具体内容如下：

建立一维的动力系统：x_n+1＝f(x_n)n＝0,1,2,… (5)

其中初值x₀受到一个微小的扰动δx₀，通过一次迭代后，偏差为

经过n次迭代后，绝对偏差为：

其中：

定义：

为Lyapunov指数；

当λ为正值时，表示系统相邻轨道迅速分离，长时间运动局部不稳定且对初始值敏感，轨线在有界区域内多次折叠，从而导致混沌。

进一步的，所述步骤4的具体内容如下：

长度为n的电压时间序列{v_i,i＝1,2,…n}，其延迟时间和嵌入维数分别为τ和m，根据嵌入定理可知，重构的相空间为：

V＝[V₁,V₂,…,V_M]^T (11)

其中，V_i＝[v_i,v_i+τ,v_i+2τ,…,v_i+(m-1)τ]

即：[V₁]＝[v₁ v_1+τ v_1+2τ…v_1+(m-1)τ] (12)

式中，M为重构后相空间中的相点数，满足M＝n-(m-1)τ,V_i为第i个相点。

进一步的，所述延迟时间τ采用互相信息法求取，以两个随机变量间一般性度量，决定了序列v_i相对于其它某个时刻的v_i+τ具有多少信息，其中v_i和v_i+τ的交互信息形式为：

式中，P(v_i)和P(v_i+τ)为v_i和v_i+τ的归一化分布，P(v_i,v_i+τ)为其联合分布；

混沌时间序列的交互信息参数I(τ)总是大于0，选取参数I(τ)的第一个最小值作为时间序列的延迟时间。

进一步的，所述嵌入维数m采用G-P算法进行求取，具体步骤如下：

步骤4.2.1，利用时间序列v₁,v₂,…,v_n-1,v_n,…,先给一个小值m₀，对应一个重构的相空间；

步骤4.2.2，计算关联函数

其中|Y(t_i)-Y(t_j)|表示相点Y(t_i)和Y(t_j)之间的距离，θ(z)是Heaviside函数，C(r)是一个累积分布函数，表示相空间吸引子上两点之间距离小于r的概率；

步骤4.2.3，对于r的适当范围，吸引子的维数d与累积分布函数C(r)应满足对数线性关系，即d(m)＝lnC(r)/lnr，从而由拟合求出对应于m₀的关联维数估计值d(m₀)；

步骤4.2.4，增加嵌入维数m₁＞m₀，重复计算步骤4.2.2和4.2.3，直到相应的维数估计值d(m)不在随m的增长而在误差范围内不变为止。此时得到的d即为吸引子的关联维数。

进一步的，所述步骤5的具体内容如下：

RBF神经网络的包括输入层、隐含层和输出层，为多层前向网络结构，所述输入层的信号源节点可传递输入信号到隐含层得节点；隐含层的节点呈辐射状函数结构；输出层的传递函数是线性函数，是对输入模式的作用做出响应；将RBF神经网络的输入层到隐含层的权值设定为常数1，网络训练时训练隐含层到输出层的权值，包括以下内容：

在网络学习中，样本输入数据为X₁,X₂,X₃,…，X_N，样本输入数据对应的目标输出为y₁,y₂,y₃,…,y_N，输入数据的样本表示为{X_i，y_i},i＝1,2,…,N，网络不考虑阈值的输出为F(X_j)，隐含层第i个神经元的激励函数为u_i(·)；

网络学习时的目标函数定义为：

式中，β_j为遗忘因子；

网络输出误差值为：

网络输出F(X)分别对网络中心c_i输出权值w_i的偏导(梯度)为：

网络中心c_i，输出权值w_i的修正量为：

式中，u_i(X_j)为第i个隐含层神经元对X_j的输出，η为网络学习率。

网络在训练时，将求出的权值修正值加上前一次训练的权值就可以得到修正后的权值。

进一步的，所述步骤6的包括以下具体步骤：

步骤6.1，以欧式距离作为样本的选择标准，选取相空间中离第M个相点的欧式距离最近的k个相点为训练样本的输入部分，训练样本中的目标输出为所选的相点在相空间对应位置的下一行的最后一个分量，由此便可以组成网络的训练样本对。将训练样本对输入网络进行训练，当网络达到训练精度或达到最大学习次数时，停止网格训练。

步骤6.2，在得到满足要求的网络后，以相空间中第M个相点作为网格的输入，此时便可以得到网络的第一个预测结果,，将第一个预测结果反馈到网络的输入端，以此来重新构造网络的输入，然后再进行预测得到第二个预测结果，直至得到预测结果。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：根据微电网实际运行特点，考虑到运行过程中由于光伏、风力等分布式能源的随机性和波动性而导致分布式电源出力的不稳定以及用户侧需求的动态变化的问题，将微电网的公共连接点(PCC)的电压作为评估微电网是否安全的依据，采用电压安全评估指数(VSAI)算法，将采集到的微电网PCC的电压序列移动平均值与采集点的电压作比较，从而得到偏差值，再带入所定义的VSAI算法中，确定微电网的电压是否处于安全状态，最后根据混沌时间序列和RBF神经网络算法的融合，预测出短时电压变化曲线，为微电网的安全可控提供依据。

附图说明

图1为本发明的流程图。

图2是本发明中RBF神经网络结构图。

图3是本发明中直流微电网的结构图。

图4是本发明中60s内三个节点的电压曲线图。

图5是本发明中直流微电网第一节点处的电压曲线图。

图6是本发明中关键直流微电网的电压和VSAI图

图7是本发明中新相空间的延迟时间图。

图8是本发明中新相空间的嵌入维数图。

图9是本发明中实际值与预测值的对比图。

图10是本发明中预测绝对误差曲线图。

具体实施方式

下面结合附图1-10对本发明的技术方案做进一步的详细说明：

本实施例提出了基于混沌时间序列和神经网络的微电网电压安全评估方法，包括以下步骤：

步骤1，输入电压数据时间序列；

步骤2，进行安全评估，采用VSAI的动态电压稳定性标准进行安全评估，根据负载总线电压的均方根值的时间序列数据进行计算，将采集到的离散电压序列{v,i 1,2,n}，由电压安全评估指数按照以下步骤配置：

步骤2.1，求取重构后电压数据的移动平均值：

步骤2.2，计算测量点的电压v_i与电压的移动平局值之间的偏差c_i：

步骤2.3，在第i个瞬间将百分比多样性曲线下的面积除以N的值如下：

步骤2.4，第i个瞬间的VSAI定义为：

VSAI_i＝u_th-u_i (4)

其中u_th是安全阈值；

动态电压安全评估的标准如下：当VSAI_i＝u_th-u_i≤0那么说明微电网系统总线电压被评估为危险，而只有当VSAI_i＝u_th-u_i＞0时，微电网电压才处于一个安全状态。

步骤3，对电压数据的混沌性进行判断，具体内容如下：

建立一维的动力系统：x_n+1＝f(x_n)n＝0,1,2,… (5)

其中初值x₀受到一个微小的扰动δx₀，通过一次迭代后，偏差为

经过n次迭代后，绝对偏差为：

其中：

定义：

为Lyapunov指数；

当λ为正值时，表示系统相邻轨道迅速分离，长时间运动局部不稳定且对初始值敏感，轨线在有界区域内多次折叠，从而导致混沌。

步骤4，进行相空间重构，具体内容如下：

长度为n的电压时间序列{v_i,i＝1,2,…n}，其延迟时间和嵌入维数分别为τ和m，根据嵌入定理可知，重构的相空间为：

V＝[V₁,V₂,…,V_M]^T (11)

其中，V_i＝[v_i,v_i+τ,v_i+2τ,…,v_i+(m-1)τ]

即：[V₁]＝[v₁ v_1+τ v_1+2τ…v_1+(m-1)τ] (12)

式中，M为重构后相空间中的相点数，满足M＝n-(m-1)τ,V_i为第i个相点。

所述延迟时间τ采用互相信息法求取，以两个随机变量间一般性度量，决定了序列v_i相对于其它某个时刻的v_i+τ具有多少信息，其中v_i和v_i+τ的交互信息形式为：

式中，P(v_i)和P(v_i+τ)为v_i和v_i+τ的归一化分布，P(v_i,v_i+τ)为其联合分布；

混沌时间序列的交互信息参数I(τ)总是大于0，选取参数I(τ)的第一个最小值作为时间序列的延迟时间。

所述嵌入维数m采用G-P算法进行求取，具体步骤如下：

步骤4.2.1，利用时间序列v₁,v₂,…,v_n-1,v_n,…,先给一个小值m₀，对应一个重构的相空间；

步骤4.2.2，计算关联函数

其中|Y(t_i)-Y(t_j)|表示相点Y(t_i)和Y(t_j)之间的距离，θ(z)是Heaviside函数，C(r)是一个累积分布函数，表示相空间吸引子上两点之间距离小于r的概率；

步骤4.2.3，对于r的适当范围，吸引子的维数d与累积分布函数C(r)应满足对数线性关系，即d(m)＝lnC(r)/lnr，从而由拟合求出对应于m₀的关联维数估计值d(m₀)；

步骤4.2.4，增加嵌入维数m₁＞m₀，重复计算步骤4.2.2和4.2.3，直到相应的维数估计值d(m)不在随m的增长而在误差范围内不变为止。此时得到的d即为吸引子的关联维数。

步骤5，RBF神经网络的训练，具体内容如下：

RBF神经网络的包括输入层、隐含层和输出层，为多层前向网络结构，所述输入层的信号源节点可传递输入信号到隐含层得节点；隐含层的节点呈辐射状函数结构；输出层的传递函数是线性函数，是对输入模式的作用做出响应；将RBF神经网络的输入层到隐含层的权值设定为常数1，网络训练时训练隐含层到输出层的权值，包括以下内容：

在网络学习中，样本输入数据为X₁,X₂,X₃,…，X_N，样本输入数据对应的目标输出为y₁,y₂,y₃,…,y_N，输入数据的样本表示为{X_i，y_i},i＝1,2,…,N，网络不考虑阈值的输出为F(X_j)，隐含层第i个神经元的激励函数为u_i(·)；

网络学习时的目标函数定义为：

式中，β_j为遗忘因子；

网络输出误差值为：

网络输出F(X)分别对网络中心c_i输出权值w_i的偏导(梯度)为：

网络中心c_i，输出权值w_i的修正量为：

式中，u_i(X_j)为第i个隐含层神经元对X_j的输出，η为网络学习率。

网络在训练时，将求出的权值修正值加上前一次训练的权值就可以得到修正后的权值。

步骤6，提供判断微电网电压安全可控依据，包括以下具体步骤：

步骤6.1，以欧式距离作为样本的选择标准，选取相空间中离第M个相点的欧式距离最近的k个相点为训练样本的输入部分，训练样本中的目标输出为所选的相点在相空间对应位置的下一行的最后一个分量，由此便可以组成网络的训练样本对。将训练样本对输入网络进行训练，当网络达到训练精度或达到最大学习次数时，停止网格训练。

步骤6.2，在得到满足要求的网络后，以相空间中第M个相点作为网格的输入，此时便可以得到网络的第一个预测结果,，将第一个预测结果反馈到网络的输入端，以此来重新构造网络的输入，然后再进行预测得到第二个预测结果，直至得到预测结果。。

步骤7，结束。

本发明中，如图2所示，直流微电网由负载，蓄电系统，不同逆变器和不同类型的配电组组成。直流母线是主要的支柱网络，它将不同类型的直流设备与微电网直接连接，同时交流设备通过直流/交流逆变器连接微电网。为了保持微电网PCC的电压稳定性，减少谐波注入分布式系统，在微电网和分布式能量系统之间使用静态开关，也可以保持分布式网络与微电网之间的双向功率流。利用直流微电网PCC的动态电压数据，第一节点是分布式光伏发电与微电网之间的连接点，第二节点是负载与微电网之间的连接点，第三节点是能量存储系统和微电网之间的连接点。三个节点的电压图如图3所示，采样间隔时间为1秒，持续1分钟(每个节点约60个实验数据)。

在图3中，通过直流微电网中三点的动态电压数据，利用VSAI评估系统的安全性，并通过混沌时间序列理论和RBF神经网络在短时间内预测动态电压。

A.证明VSAI的有效性

由于分布式光伏能量系统的随机性和不可控性，光伏电源和微电网的连接点处的电压通常是不稳定的。当第1节点的电压失效时，直流微电网第1点的电压曲线如图4所示。在t＝12s时，电压开始下降并且电压开始稳定直到t＝47s。为了确认VSAI在评估动态电压安全性方面的有效性，对DC微电网进行了测试。如图5所示，当电压在t＝12s开始下降时，IEEE-30系统第1节点的相应VSAI也从0开始下降。当第1节点的故障停止，第1节点的电压在另一种安全情况下，VSAI也返回0.因此，可以根据VSAI的值确定节点电压是否处于安全状态。

B.确定混乱的存在

根据文章前面提出的小数据方法的理论，动态电压数据的最大Lyapunov指数λ＝1.3972是通过Matlab编程的计算得出的。因为λ＞0，可以确定动态电压序列的混沌特征。

C.重建相空间

重建动态电压序列的新相空间：

通过B部分所述的互信息的方式计算延迟时间τ＝1，并清楚地在图6中指出。通过GP算法计算嵌入维数m＝9，如图7所示。

D.混沌理论与神经网络预测

神经网络输入端口的数量可以通过计算嵌入维数m＝9来确定，同时根据前三个节点的采样时间确定预测步长为60。直流微电网拥有8个采样点，每个点有60个采样数据，因此将480个采样点作为重建相空间的数据。重建后，获得300个相位点，覆盖180个训练样本和120个测试样本。

在RBF神经网络中，输入层神经元的数量为9，由重建的动态电压时间序列的嵌入维数确定，输出为1.经过多次尝试，确定SPREAD参数为1，并使用神经网络函数newrb与MATLAB一起创建神经网络预测模型。由于空间限制，图8中只显示了120秒的采样点，图8中明显发现了预测与实际之间的差异。根据图9，最大绝对预测误差为0.0021，另一个在0～0.3％之间。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (8)

1.基于混沌时间序列和神经网络的微电网电压安全评估方法，其特征在于，包括以下步骤：

步骤1，输入电压数据时间序列；

步骤2，进行安全评估；

步骤3，对电压数据的混沌性进行判断；

步骤4，进行相空间重构；

步骤5，RBF神经网络的训练；

步骤6，提供判断微电网电压安全可控依据；

步骤7，结束。

2.根据权利要求1所述的基于混沌时间序列和神经网络的微电网电压安全评估方法，其特征在于，所述步骤2中，采用VSAI的动态电压稳定性标准进行安全评估，根据负载总线电压的均方根值的时间序列数据进行计算，将采集到的离散电压序列{v,i 1,2,n}，由电压安全评估指数按照以下步骤配置：

步骤2.1，求取重构后电压数据的移动平均值：

步骤2.2，计算测量点的电压v_i与电压的移动平局值之间的偏差c_i：

步骤2.3，在第i个瞬间将百分比多样性曲线下的面积除以N的值如下：

步骤2.4，第i个瞬间的VSAI定义为：

VSAI_i＝u_th-u_i (4)

其中u_th是安全阈值；

动态电压安全评估的标准如下：当VSAI_i＝u_th-u_i≤0那么说明微电网系统总线电压被评估为危险，而只有当VSAI_i＝u_th-u_i＞0时，微电网电压才处于一个安全状态。

3.根据权利要求2所述的基于混沌时间序列和神经网络的微电网电压安全评估方法，其特征在于，所述步骤3的具体内容如下：

建立一维的动力系统：x_n+1＝f(x_n)n＝0,1,2,… (5)

其中初值x₀受到一个微小的扰动δx₀，通过一次迭代后，偏差为

δx₁＝f(x₀+δx₀)-f(x₀)

≈f'(x₀)δx₀ (6)

经过n次迭代后，绝对偏差为：

其中：

定义：

为Lyapunov指数；

当λ为正值时，表示系统相邻轨道迅速分离，长时间运动局部不稳定且对初始值敏感，轨线在有界区域内多次折叠，从而导致混沌。

4.根据权利要求3所述的基于混沌时间序列和神经网络的微电网电压安全评估方法，其特征在于，所述步骤4的具体内容如下：

长度为n的电压时间序列{v_i,i＝1,2,…n}，其延迟时间和嵌入维数分别为τ和m，根据嵌入定理可知，重构的相空间为：

V＝[V₁,V₂,…,V_M]^T (11)

其中，V_i＝[v_i,v_i+τ,v_i+2τ,…,v_i+(m-1)τ]

即：[V₁]＝[v₁ v_1+τ v_1+2τ … v_1+(m-1)τ] (12)

式中，M为重构后相空间中的相点数，满足M＝n-(m-1)τ,V_i为第i个相点。

5.根据权利要求4所述的基于混沌时间序列和神经网络的微电网电压安全评估方法，其特征在于，所述延迟时间τ采用互相信息法求取，以两个随机变量间一般性度量，决定了序列v_i相对于其它某个时刻的v_i+τ具有多少信息，其中v_i和v_i+τ的交互信息形式为：

式中，P(v_i)和P(v_i+τ)为v_i和v_i+τ的归一化分布，P(v_i,v_i+τ)为其联合分布；

混沌时间序列的交互信息参数I(τ)总是大于0，选取参数I(τ)的第一个最小值作为时间序列的延迟时间。

6.根据权利要求5所述的基于混沌时间序列和神经网络的微电网电压安全评估方法，其特征在于，所述嵌入维数m采用G-P算法进行求取，具体步骤如下：

步骤4.2.1，利用时间序列v₁,v₂,…,v_n-1,v_n,…,先给一个小值m₀，对应一个重构的相空间；

步骤4.2.2，计算关联函数

其中|Y(t_i)-Y(t_j)|表示相点Y(t_i)和Y(t_j)之间的距离，θ(z)是Heaviside函数，C(r)是一个累积分布函数，表示相空间吸引子上两点之间距离小于r的概率；

步骤4.2.3，对于r的适当范围，吸引子的维数d与累积分布函数C(r)应满足对数线性关系，即d(m)＝lnC(r)/lnr，从而由拟合求出对应于m₀的关联维数估计值d(m₀)；

步骤4.2.4，增加嵌入维数m₁＞m₀，重复计算步骤4.2.2和4.2.3，直到相应的维数估计值d(m)不在随m的增长而在误差范围内不变为止。此时得到的d即为吸引子的关联维数。

7.根据权利要求6所述的基于混沌时间序列和神经网络的微电网电压安全评估方法，其特征在于，所述步骤5的具体内容如下：

RBF神经网络的包括输入层、隐含层和输出层，为多层前向网络结构，所述输入层的信号源节点可传递输入信号到隐含层得节点；隐含层的节点呈辐射状函数结构；输出层的传递函数是线性函数，是对输入模式的作用做出响应；将RBF神经网络的输入层到隐含层的权值设定为常数1，网络训练时训练隐含层到输出层的权值，包括以下内容：

在网络学习中，样本输入数据为X₁,X₂,X₃,…，X_N，样本输入数据对应的目标输出为y₁,y₂,y₃,…,y_N，输入数据的样本表示为{X_i，y_i},i＝1,2,…,N，网络不考虑阈值的输出为F(X_j)，隐含层第i个神经元的激励函数为u_i(·)；

网络学习时的目标函数定义为：

式中，β_j为遗忘因子；

网络输出误差值为：

网络输出F(X)分别对网络中心c_i输出权值w_i的偏导(梯度)为：

网络中心c_i，输出权值w_i的修正量为：

式中，u_i(X_j)为第i个隐含层神经元对X_j的输出，η为网络学习率。

网络在训练时，将求出的权值修正值加上前一次训练的权值就可以得到修正后的权值。

8.根据权利要求7所述的基于混沌时间序列和神经网络的微电网电压安全评估方法，其特征在于，所述步骤6的包括以下具体步骤：

步骤6.1，以欧式距离作为样本的选择标准，选取相空间中离第M个相点的欧式距离最近的k个相点为训练样本的输入部分，训练样本中的目标输出为所选的相点在相空间对应位置的下一行的最后一个分量，由此便可以组成网络的训练样本对。将训练样本对输入网络进行训练，当网络达到训练精度或达到最大学习次数时，停止网格训练。

步骤6.2，在得到满足要求的网络后，以相空间中第M个相点作为网格的输入，此时便可以得到网络的第一个预测结果,，将第一个预测结果反馈到网络的输入端，以此来重新构造网络的输入，然后再进行预测得到第二个预测结果，直至得到预测结果。