CN110738344B - 电力系统负荷预测的分布式无功优化方法及装置 - Google Patents

Abstract

本发明公开了一种电力系统负荷预测的分布式无功优化方法及装置，其中，方法包括：将预测地的电力负荷信息、气象信息和节假日信息划分为多个输入神经元一个输出样本的测试集；建立初始LSTM网络，将训练集带入初始LSTM网络中进行前向计算和反向传播训练；通过训练好的LSTM网络输入预测日所需使用的神经元信息，以对每一个时间点进行负荷预测；分析分布式电源的无功补偿特性，并采集分布式电源的目标参数，以建立分布式电源无功模型；建立以网络损耗最小为目标函数的电网无功优化模型；根据无功平均利用率和瞬时通信拓扑矩阵进行分布式优化控制计算，以实现分布式无功优化。该方法可以获得快速准确的负荷预测。

Description

电力系统负荷预测的分布式无功优化方法及装置

技术领域

本发明涉及电网运行配电技术领域，特别涉及一种电力系统负荷预测的分布式无功优化方法及装置。

背景技术

电力系统负荷预测技术是一项从很早以前就开始兴起的研究。一般来讲研究员会将负荷预测分为短期、中期、长期预测三类。而神经网络预测技术常常被用于进行长期的负荷预测中。

神经网络(Neural Network)，又被称为ANN(Aritificial Neural Networks，人工神经网络)，简称，用以区另别于生物神经网络(Biological Neural Networks)，是一系列模型的统称。一般认为，人工神经网络是受生物神经网络的启发产生，生物神经网络一般指生物的大脑神经元细胞组成的网络，层状分布，能够接受脉冲信号，用于产生生物的意识，帮助生物进行思考和行动，神经网络是生物网络的一种结构近似模拟，能够通过对负荷某种函数的数据进行训练，从而对该未知函数进行近似。神经网络具有并行分布处理、高度鲁棒性和容错能力、分布存储及学习能力、能够逼近复杂的非线性函数这四种特性。

一个神经网络启发于生物神经网络，由有组织的相互连接的节点组成，节点呈现层状排列，不同的节点功能类似于生物网络中的神经元。一个普通的三层BP网络由输入层、隐藏层、输出层组成。它的训练过程包含前馈过程与反向传播两部分。前馈过程中，输入层数据经过激活函数后，进入隐藏层神经元进行加权计算，输出层节点的输出数据通过激活函数的映射作用输出：

在误差反向传播过程中，对于输出层，假设预测值为y_k，若是采用最小平方误差形式的损失函数，可以表示为：

反向传播的目标是要计算误差对于每一层权重参数矩阵W的导数，以进行修正。由于无法直接求导，因此先将误差对输出层数据求导，再采用链式法则对权值求导得：

最后使用优化方法对权值矩阵W进行迭代优化。使用足够数量的训练集进行训练后所得的网络即是能够进行预测的网络。LSTM(LongShort-TermMemory，长短时神经网络)即是在普通神经网络上的进化版本。

为了满足日益增长的能量需要，可再生能源以分布式电源的形式并网受到了越来越多的关注。由于逆变器响应速度快，灵活性高，因此在分布式能源并网中得到了广泛的应用。这些逆变器将各种可再生能源转换成符合要求的交流电输送到电网中。

通常情况下，分布式电源可发出的有功功率一般小于他们的标称容量。因此剩余的容量就可以用来在需要的时候输送无功功率。在这种要求下，对逆变器的控制和管理显著地影响着对微网的表现。因此应该设计一套先进的控制机制，以最佳地分派各个单元的无功功率从而优化整个系统的性能。现有的逆变器控制策略包括电压/频率下垂控制、发电机仿真控制以及合作控制。

可再生能源高度的间歇性也是现在的一个主要问题。可再生能源，例如太阳能和风能，在自然中是间歇的，不连续的。因此，间歇性分布式的发电将是非常激烈的。如果分布式电源的控制和无功补偿不协调就会产生一系列问题：电压变化、暂态稳定问题甚至会导致电压崩溃。图1显示了当连接微网的太阳能电厂接受的太阳能变化时，该微网中一段短馈线的终端电压变化。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种电力系统负荷预测的分布式无功优化方法，该方法通过预测提前预知区域大功率耗电情况，同时改进现有负荷预测技术中的精确度问题，有效学习基于时间序列的负荷规律，获得快速准确的负荷预测。

本发明的另一个目的在于提出一种电力系统负荷预测的分布式无功优化装置。

为达到上述目的，本发明一方面实施例提出了一种电力系统负荷预测的分布式无功优化方法，包括以下步骤：将预测地的电力负荷信息、气象信息和节假日信息划分为多个输入神经元一个输出样本的测试集；建立初始LSTM网络，将所述训练集带入所述初始LSTM网络中进行前向计算和反向传播训练；通过训练好的LSTM网络输入预测日所需使用的神经元信息，以对每一个时间点进行负荷预测；分析分布式电源的无功补偿特性，并采集分布式电源的目标参数，以建立分布式电源无功模型；建立以网络损耗最小为目标函数的电网无功优化模型；根据无功平均利用率和瞬时通信拓扑矩阵进行分布式优化控制计算，以实现分布式无功优化。

本发明实施例的电力系统负荷预测的分布式无功优化方法，通过LSTM神经网络预测模型预测目标区域有功功率，并建立了以电压偏差最小为目标函数的电网无功优化模型，对微网中分布式电源的无功进行调度，实现一个统一的微电网电压分布，而统一的电压分布会自然导致有功损耗最小，从而通过预测提前预知区域大功率耗电情况，同时改进现有负荷预测技术中的精确度问题，有效学习基于时间序列的负荷规律，获得快速准确的负荷预测。

另外，根据本发明上述实施例的电力系统负荷预测的分布式无功优化方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，在划分为所述多个输入神经元一个输出样本的测试集之后，还包括：

对特征数据进行预处理，其中，采用函数进行预处理，以使得输入元各值充分打开，且互不相关，并且使用sigmoid函数作为激活函数，将数据归一化，所述函数为：

其中，x_i为系统中所有单元可提供无功功率的平均值，

为平均值，δ为标准差，n为数据长度。

进一步地，在本发明的一个实施例中，所述将所述训练集带入所述初始LSTM网络中进行前向计算和反向传播训练，进一步包括：通过遗忘门对上一个细胞单元传递过来的信息进行筛选，筛选公式为：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)，

其中，W_f是遗忘门的权重矩阵，h_t-1是上一个细胞传来的隐藏层信息，x_t是当前单元的输入神经元信息，b_f是遗忘门的偏置项，σ是sigmoid函数，将输入的数据转化为[0,1]之间的数进行计算；通过输入门确定新的输入信息里能被使用信息，选择公式为：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)，

其中，W_i是输入门的权重矩阵，b_i是输入门的偏置项；获取上一单元的隐藏层与当前单元的输入所构成的当前单元隐藏层的暂时状态，计算方式为：

其中，W_c暂态计算的权重矩阵，b_c是其偏置项，tanh是tanh函数；根据筛选后的信息、选的能被使用的信息、所述当前单元隐藏层的暂时状态和长期单元信息得到新的单元信息，计算公式为：

其中，o为按元素乘；通过输出门与长期单元信息共同计算获取LSTM最终输出，计算公式为：

其中，o_t为输出门计算，其公式为：o_t＝σ(W_o·[h_t-1,x_t]+b_o)；将所述新的单元信息和所述最终输出分别作为隐藏层状态和单元状态进入到下一单元中。

进一步地，在本发明的一个实施例中，反向传播包括沿时间的反向传播和将误差项向上一层传播，其中，所述将所述训练集带入所述初始LSTM网络中进行前向计算和反向传播训练，进一步包括：在获取向上一层传递的误差项时，网络中四个加权输入所对应的误差项：

在误差项沿时间的反向传递时，获取t-1时刻的误差项δ_t-1，计算公式为：

将误差项向前传递到任意k时刻，传递公式为：

将所述误差项传递到上一层时，LSTM单元的输入x_t为：

其中，f^l-1表示第l-1层的激活函数，且使用全导数计算可得：

获取偏置项与权重矩阵的梯度：

进一步地，在本发明的一个实施例中，其中，所述目标函数为：

所述无功平均利用率得的计算公式为：

其中，S_i,P_i,

分别是第i个单元的额定功率、有功功率、无功功率和最大无功功率，α_q为第i个单元的无功平均利用率；所述瞬时通信拓扑矩阵的计算公式为：

其中，t时刻，s_ii＝1；如果第i个分布式电源已知第j个分布式电源的输出，s_ij＝1；并把单元0作为可计算无功平均利用率的分布式电源。

为达到上述目的，本发明另一方面实施例提出了一种电力系统负荷预测的分布式无功优化装置，包括：划分模块，用于将预测地的电力负荷信息、气象信息和节假日信息划分为多个输入神经元一个输出样本的测试集；训练模块，用于建立初始LSTM网络，将所述训练集带入所述初始LSTM网络中进行前向计算和反向传播训练；预测模块，用于通过训练好的LSTM网络输入预测日所需使用的神经元信息，以对每一个时间点进行负荷预测；分析模块，用于分析分布式电源的无功补偿特性，并采集分布式电源的目标参数，以建立分布式电源无功模型；建模模块，用于建立以网络损耗最小为目标函数的电网无功优化模型；优化模块，用于根据无功平均利用率和瞬时通信拓扑矩阵进行分布式优化控制计算，以实现分布式无功优化。

本发明实施例的电力系统负荷预测的分布式无功优化装置，通过LSTM神经网络预测模型预测目标区域有功功率，并建立了以电压偏差最小为目标函数的电网无功优化模型，对微网中分布式电源的无功进行调度，实现一个统一的微电网电压分布，而统一的电压分布会自然导致有功损耗最小，从而通过预测提前预知区域大功率耗电情况，同时改进现有负荷预测技术中的精确度问题，有效学习基于时间序列的负荷规律，获得快速准确的负荷预测。

另外，根据本发明上述实施例的电力系统负荷预测的分布式无功优化装置还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，还包括：预处理模块，用于对特征数据进行预处理，其中，采用函数进行预处理，以使得输入元各值充分打开，且互不相关，并且使用sigmoid函数作为激活函数，将数据归一化，所述函数为：

其中，x_i为系统中所有单元可提供无功功率的平均值，

为平均值，δ为标准差，n为数据长度。

进一步地，在本发明的一个实施例中，所述训练模块进一步用于通过遗忘门对上一个细胞单元传递过来的信息进行筛选，筛选公式为：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)，

其中，W_f是遗忘门的权重矩阵，h_t-1是上一个细胞传来的隐藏层信息，x_t是当前单元的输入神经元信息，b_f是遗忘门的偏置项，σ是sigmoid函数，将输入的数据转化为[0,1]之间的数进行计算；通过输入门确定新的输入信息里能被使用信息，选择公式为：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)，

其中，W_i是输入门的权重矩阵，b_i是输入门的偏置项；获取上一单元的隐藏层与当前单元的输入所构成的当前单元隐藏层的暂时状态，计算方式为：

其中，W_c暂态计算的权重矩阵，b_c是其偏置项，tanh是tanh函数；根据筛选后的信息、选的能被使用的信息、所述当前单元隐藏层的暂时状态和长期单元信息得到新的单元信息，计算公式为：

其中，o为按元素乘；通过输出门获取LSTM最红输出，计算公式为：

其中，o_t为o_t＝σ(W_o·[h_t-1,x_t]+b_o)；将所述新的单元信息和所述最终输出分别作为隐藏层状态和单元状态进入到下一单元中。

进一步地，在本发明的一个实施例中，反向传播包括沿时间的反向传播和将误差项向上一层传播，其中，所述训练模块进一步用于在获取向上一层传递的误差项时，网络中四个加权输入所对应的误差项：

在误差项沿时间的反向传递时，获取t-1时刻的误差项δ_t-1，计算公式为：

将误差项向前传递到任意k时刻，传递公式为：

将所述误差项传递到上一层时，LSTM单元的输入x_t为：

其中，f^l-1表示第l-1层的激活函数，且使用全导数计算可得：

获取偏置项与权重矩阵的梯度：

进一步地，在本发明的一个实施例中，其中，

所述目标函数为：

所述无功平均利用率得的计算公式为：

其中，S_i,P_i,

分别是第i个单元的额定功率、有功功率、无功功率和最大无功功率，α_q为第i个单元的无功平均利用率；

所述瞬时通信拓扑矩阵的计算公式为：

其中，t时刻，s_ii＝1；如果第i个分布式电源已知第j个分布式电源的输出，s_ij＝1；并把单元0作为可计算无功平均利用率的分布式电源。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为相关技术的不同太阳辐射的条件下电源发出的电能的示意图；

图2为根据本发明一个实施例的电力系统负荷预测的分布式无功优化方法的流程图；

图3为根据本发明一个实施例的对温度与负荷关系的处理的示意图；

图4为根据本发明一个实施例的输入神经元的结构示意图；

图5为根据本发明一个实施例的LSTM神经网络的结构示意图；

图6为根据本发明一个实施例的测试集的预测结果图；

图7为根据本发明一个实施例的电容器组的下垂控制特性的示意图；

图8为根据本发明一个实施例的电容器组的离散控制特性的示意图；

图9为根据本发明一个实施例的电力系统负荷预测的分布式无功优化装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的电力系统负荷预测的分布式无功优化方法及装置，首先将参照附图描述根据本发明实施例提出的电力系统负荷预测的分布式无功优化方法。

图2是本发明一个实施例的电力系统负荷预测的分布式无功优化方法的流程图。

如图2所示，该电力系统负荷预测的分布式无功优化方法包括以下步骤：

在步骤S201中，将预测地的电力负荷信息、气象信息和节假日信息划分为多个输入神经元一个输出样本的测试集。

可以理解的是，本发明实施例收集并处理相关信息，生成训练所需的训练集与测试集数据，对网络的训练集信息进行收集处理，包括预测地的电力负荷信息，气象信息，节假日信息，调整输入神经元的信息结构。例如，将预测地的电力负荷信息，气象信息，节假日信息按照一定方法划分为14个输入神经元1个输出样本的测试集，并进行预处理。

具体而言，(1)对预测地电网负荷信息进行分组，以一周的7日为一组，用前6日负荷信息对第7日的预测作为训练样本，该分组滚动进行。(2)对历史温度信息进行分级处理。将历史负荷信息与温度信息进行画图分析，得到拟合的函数曲线。并根据其关系将温度分为3个层级，分别用0.33、0.67、1表示。(3)对节假日信息进行处理，使用七分类方法，采用7天7个神经元表示法。普通休假日，即周六周日用0.5表示，国家法定假日使用1表示，工作日用0表示。分别对每一个时刻，使用训练集对搭建好的网络结构进行训练。最终以训练好的网络进行对目的区域目的时间的预测工作。

进一步地，在本发明的一个实施例中，在划分为多个输入神经元一个输出样本的测试集之后，还包括：对特征数据进行预处理，其中，采用函数进行预处理，以使得输入元各值充分打开，且互不相关，并且使用sigmoid函数作为激活函数，将数据归一化，函数为：

其中，x_i为系统中所有单元可提供无功功率的平均值，

为平均值，δ为标准差，n为数据长度。

可以理解的是，在进行计算前应对所选择的特征数据进行预处理。本发明中采用函数

进行这项工作。通过预处理，使得输入元各值充分打开，互不相关。同时使用sigmoid函数作为激活函数，将数据归一化。

在本发明的一个具体实施例中，(1)本发明实施例所用数据集来自爱尔兰首都，都柏林(Dublin)，因此在数据收集阶段，包含当地2年内电力负荷信息、气候信息及节假日信息。

(2)将负荷数据集分组，以连续7天为一组，前6天作为输入元的一部分，第7天作为标准输出。

(3)对温度信息进行处理，画出并分析温度与电力负荷的相关性，以拟合的曲线(如图3所示)为基准进行分档处理。

(4)收集爱尔兰的节假日信息，使用七分类方法，以7天7个神经元作为输入，将法定节假日设定为1，公休日设为0.5，工作日设为0。最终输入神经元数据结构如图4所示。

(5)将准备好的训练集和测试集进行标准化处理，所使用的标准化函数如下：

同时使用sigmoid函数：

作为激活函数，将数据归一化。

在步骤S202中，建立初始LSTM网络，将训练集带入初始LSTM网络中进行前向计算和反向传播训练。

可以理解的是，本发明实施例建立LSTM网络框架，将训练集带入LSTM网络中进行前向计算以及反向传播训练。对LSTM神经网络结构进行搭建，LSTM神经网络结构如图5所示。

具体而言，确定隐藏层节点个数，使用经验公式：

其中，l为隐藏层节点个数，m是输入层节点个数，n为输出层节点个数。ɑ一般是1～10之间的常数。在本实施例中，m＝14,n＝1,取ɑ＝3，因此得到隐藏层节点数为7。初始化网络参数，在训练前，使用随机数方式为输入门，输出门，遗忘门设置其相应的偏置和权值矩阵。

进一步地，在本发明的一个实施例中，将训练集带入初始LSTM网络中进行前向计算和反向传播训练，进一步包括：通过遗忘门对上一个细胞单元传递过来的信息进行筛选，筛选公式为：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)，

其中，W_f是遗忘门的权重矩阵，h_t-1是上一个细胞传来的隐藏层信息，x_t是当前单元的输入神经元信息，b_f是遗忘门的偏置项，σ是sigmoid函数，将输入的数据转化为[0,1]之间的数进行计算；通过输入门确定新的输入信息里能被使用信息，选择公式为：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)，

其中，W_i是输入门的权重矩阵，b_i是输入门的偏置项；获取上一单元的隐藏层与当前单元的输入所构成的当前单元隐藏层的暂时状态，计算方式为：

其中，W_c暂态计算的权重矩阵，b_c是其偏置项，tanh是tanh函数；根据筛选后的信息、选的能被使用的信息、当前单元隐藏层的暂时状态和长期单元信息得到新的单元信息，计算公式为：

其中，o为按元素乘；通过输出门获取LSTM最红输出，计算公式为：

其中，o_t为o_t＝σ(W_o·[h_t-1,x_t]+b_o)；将新的单元信息和最终输出分别作为隐藏层状态和单元状态进入到下一单元中。

可以理解的是，进行前向计算，使用sigmoid函数作为输入，输出，遗忘门的激活函数，使用tanh函数：

作为单元层计算及最终输出的核函数。按照前述方法中的各个网络层的计算方法，构建LSTM网络前向计算结构。

具体而言，前向计算过程包括：

(1)LSTM网络为了对短期信息与长期信息记录，分别设置隐藏层状态h及单元状态c进行信息存储。而信息的筛选合并通过遗忘门、输入门、输出门三个全连接门来实现。

(2)在LSTM的前向计算中，首先通过遗忘门对上一个细胞单元传递过来的信息进行筛选，其筛选方式如下：

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (1)

其中，W_f是遗忘门的权重矩阵，h_t-1是上一个细胞传来的隐藏层信息，x_t是当前单元的输入神经元信息，b_f是遗忘门的偏置项，σ是sigmoid函数，将输入的数据转化为[0,1]之间的数进行计算。

(3)第二阶段是输入门，输入门将会确定新的输入信息里有多少是有效的能被使用的信息，其选择方式如下：

i_t＝σ(W_i·[h_t-1,x_t]+b_i) (2)

其中，W_i是输入门的权重矩阵，b_i是输入门的偏置项。

(4)计算上一单元的隐藏层与本单元的输入所构成的本单元隐藏层的暂时状态，其计算方式如下：

其中，W_c暂态计算的权重矩阵，b_c是其偏置项，tanh是tanh函数。

(5)由式1、式2和式3三项计算结果，再加上从之前的所有单元继承而来的长期单元信息c_t-1，共同经过计算变换形成新的单元信息c_t。其计算公式如下：

其中，符号o表示按元素乘。

(6)第五部分进行输出的计算，首先是输出门，它控制了长期记忆对当前输出的影响：

o_t＝σ(W_o·[h_t-1,x_t]+b_o) (5)

其中，W_o是输入门的权重矩阵，b_o是输入门的偏置项。LSTM的最终输出，由上式的输出门与式4的单元状态共同决定：

(7)式6、式4的结果将分别作为隐藏层状态和单元状态进入到下一单元中。

进一步地，在本发明的一个实施例中，反向传播包括沿时间的反向传播和将误差项向上一层传播，其中，将训练集带入初始LSTM网络中进行前向计算和反向传播训练，进一步包括：在获取向上一层传递的误差项时，网络中四个加权输入所对应的误差项：

在误差项沿时间的反向传递时，获取t-1时刻的误差项δ_t-1，计算公式为：

将误差项向前传递到任意k时刻，传递公式为：

将误差项传递到上一层时，LSTM单元的输入x_t为：

其中，f^l-1表示第l-1层的激活函数，且使用全导数计算可得：

获取偏置项与权重矩阵的梯度：

可以理解的是，进行反向传播训练搭建，使用均方误差和E＝∑(x_i-h_i)²作为损失函数。对所有训练集，计算E对偏置项和各网络层权值矩阵的梯度，并做相应调整。并在网络搭建后，使用准备好的训练集，分小时数据对网络进行训练。设置迭代最大值为100。最后，使用测试集对网络预测效果进行测试，其结果如图6所示。

具体而言，反向传播过程包括如下步骤：

(1)LSTM误差项的反向传播包括两个方向：一个是沿时间的反向传播，一个是将误差项向上一层传播。首先在计算向上一层传递的误差项时，我们假设误差项时损失函数对输出值的导致。其定义公式如下：

网络中四个加权输入所对应的误差项：

(2)另一方向是误差项沿时间的反向传递，即计算t-1时刻的误差项δ_t-1，其计算方法如下：

由上方前向计算的公式4、6，将误差项向前传递到任意k时刻的公式为：

(3)将误差项传递到上一层时，本次LSTM单元的输入x_t为：

其中f^{l -1}表示第l-1层的激活函数。使用全导数计算可得：

(4)计算偏置项与权重矩阵的梯度：

根据计算出的梯度公式，将误差回传以挑战网络层的各权重矩阵与偏置项值。

在步骤S203中，通过训练好的LSTM网络输入预测日所需使用的神经元信息，以对每一个时间点进行负荷预测。

可以理解的是，本发明实施例使用训练好的网络输入预测日所需要使用的神经元信息，对每一个时间点进行负荷预测。也就是说，分别对每一个时刻，使用训练集对搭建好的网络结构进行训练。最终以训练好的网络进行对目的区域目的时间的预测工作。

在步骤S204中，分析分布式电源的无功补偿特性，并采集分布式电源的目标参数，以建立分布式电源无功模型。

可以理解的是，分析分布式电源的无功补偿特性，收集分布式电源技术参数，建立分布式电源无功模型。

在步骤S205中，建立以网络损耗最小为目标函数的电网无功优化模型。

可以理解的是，本发明实施例建立以电压偏差最小即网络损耗最小为目标函数的电网无功优化模型。

进一步地，在本发明的一个实施例中，其中，目标函数为：

无功平均利用率得的计算公式为：

其中，S_i,P_i,

分别是第i个单元的额定功率、有功功率、无功功率和最大无功功率，α_q为第i个单元的无功平均利用率；瞬时通信拓扑矩阵的计算公式为：

其中，t时刻，s_ii＝1；如果第i个分布式电源已知第j个分布式电源的输出，s_ij＝1；并把单元0作为可计算无功平均利用率的分布式电源。

具体而言，(1)下垂控制。如图7所示，下垂控制和发电机仿真通过无通信控制来模拟同步发电机。这些控制器可以调整接入点的电压和频率。这种方法也因此适用于不间断供电或者孤岛模式并列运行的逆变器中。下垂控制利用了一个事实：功角取决于有功功率P,而电压差取决于无功功率Q:

f-f₀＝-k_p(P-P₀)

V_S-V₀＝-k_q(Q-Q₀)

(2)目标函数的建立。目标是使整个电网中电压误差之和达到最小。从而目标函数为：

(3)潮流的计算。根据神经网络分析得到的网络节点的有功和无功功率进行潮流计算得到电网中各节点的运行状态参数：

功率平衡方程：

约束条件：

U_imin≤U_i≤U_imax，

P_Gimin≤P_Gi≤P_Gimax，

Q_Gimin≤Q_Gi≤Q_Gimax，

|δ_i-δ_j|<|δ_i-δ_j|_max。

(4)无功平均利用率的定义：通常情况下逆变器产生的有功功率小于额定功率。因此这些逆变器的剩余容量就可以用来产生无功功率。控制无功就可以使损耗达到最小。因此可以应用协同控制来管理分布式电源发出的无功功率。为了使分布式电源产生相等的无功功率，定义第i个单元的无功平均利用率α_q：

S_i,P_i,

分别是第i个单元的额定功率、有功功率、无功功率和最大无功功率。单元的无功平均利用率显示了每个分布式电源应该提供的无功功率占最大无功功率的百分比。

将分布式电源分组后，为每组确定一个电流和电压信息已知的分布式电源来计算无功平均利用率：

α_q ^ref＝k_q(V^ref-V_cpi)，

其中，V_cpi、V^ref分别是第i个关键节点的电压和参考电压且V^ref＝1PU。

(5)无功平均利用率的计算：第i个分布式电源的闭环协同控制律如下：

其中，

在对称系统中，w_ij＝1。

这种方法需要调节网络中所有分布式电源结点的电压，而不是仅调节一些关键节点的电压，从而得到统一的电压分布，而统一的电压分布又会导致功率损耗的最小化，因此没有必要为每个结点定义单独的目标函数。每个单元都获得自己的α_qi，同时还可以与周围的单元交换信息。

另外，如果所有分布式电源的电压都是已知的，那么通过计算F_v对α_q的次梯度就可以使目标函数最小；否则就要采用分布式优化控制。分布式优化控制的控制变量是分布式电源的无功平均利用率，第i个单元按照下列公式更新其第k+1时刻的估计值：

β_i是步长增益，g_i是目标函数f_vi对无功平均利用率α_qi的梯度或者次梯度。

如图7所示，电压控制一般是用电容器组实现的，而电容器组的离散控制动作把上式修改如下：

其中N’是无功补偿设备的数目，F_i(·)是电容器组的控制函数，m是电容器组的档数。值得注意的是：瞬时通信拓扑矩阵的更新会造成一定的时间延迟，这个延迟不会危及稳定性或者收敛性，但会降低收敛速度。

(6)参数g_i的计算，g_i则由下面的计算公式确定：

其中，

根据网络中的结点是否接入的分布式电源，g_i的具体计算公式如下：

对有分布式电源和已知B_ii的结点：

其中δ_ij是第i个结点与第j个结点之间的相角差，

分别是分布式电源的有功和无功功率，

分别是负荷的有功和无功功率

又根据直角坐标系下的功率平衡方程：

从而

从而

对有分布式电源和未知B_ii的结点，从上述公式可以看出要计算g_i唯一需要的量是B_ii(连接i结点及其他节点线路电导虚部的和)。然而，对于一定的网络，其线路的长度总是固定的，那么线路的阻抗就总是在一定数值范围内的，即

因此：

对没有分布式电源的结点，如果该节点没有接入分布式电源，那么这个结点的

就为零，从而使梯度或者次梯度为零。这种情况下，就需要一个虚拟的结点，这个虚拟结点可以利用其它所有结点的无功容量来调整相关结点的电压。按照这个定义，

就变为所有结点可提供无功容量的平均值。

每个单元通过x_i来更新自己的状态：

当s_ij＝0的时候d_ij'＝0，D'＝[d_ij']，

由于D'矩阵是双随机的，即

其中1是n行1列所有元素都为1的矩阵

从而

从而

其中

是线路电导虚数部分之和，x_i是系统中所有单元可提供无功功率的平均值，x_i的初值为整个单元可提供的无功功率。

(7)瞬时通信拓扑矩阵的计算，分布式电源彼此之间需要进行信息交流，定义瞬时通信拓扑矩阵:

矩阵中在t时刻，s_ii＝1；如果第i个分布式电源已知第j个分布式电源的输出，s_ij＝1；并把单元0作为可计算无功平均利用率的分布式电源。对通信网络的要求是：它应该是强连接(通过跟踪定向分支，每个节点都可以从任何其他节点到达)，或者有一个全局可达节点(从全局可达结点可以到达所有其他节点)。

在步骤S206中，根据无功平均利用率和瞬时通信拓扑矩阵进行分布式优化控制计算，以实现分布式无功优化。

可以理解的是，计及无功平均利用率和瞬时通信拓扑矩阵进行分布式优化控制计算。

综上，在负荷预测方面，它的特点是通过LSTM神经网络预测模型预测目标区域有功功率。LTSM的特点是其基于时间序列的预测特性，历史的数据输入将对当前阶段结果产生影响。其方法如下：首先，对待预测地点的电力系统历史负荷信息，以及当地的天气，节假日等信息进行统计处理。然后将各时段负荷数据每7天分为一组，由前六日数据结合由七位数表示的节假日信息(其中周六周日以0.5计，法定节假日以1计)，以及预测日当日的温度层级信息(根据最高温最低温与当日负荷的关系分定)，共计14个神经元信息作为输入，对第七日的负荷进行预测作为训练样本。对所有输入神经元进行归一化处理。为避免训练过程中的过拟合现象，同时保证训练的精度，本方法中以经验公式确定隐藏层数目为7，以此作为设定，带入到LSTM网络中，对一天中的每一个时间点进行预测，获得一天中各时段的负荷预测。LSTM神经网络架构通过细胞层与隐藏层分别记录长短时记录信息，使用遗忘门、输入门、输出门对每一单元的输入输出信息的提取计算进行筛选。

在无功优化方面，建立了以电压偏差最小为目标函数的电网无功优化模型，对微网中分布式电源的无功进行调度。主要目标是实现一个统一的微电网电压分布而统一的电压分布会自然导致有功损耗最小。在大型微网中，可能存在一些没有接入分布式电源的关键节点，但是这些节点有所需的测量和通信模块可用，因此计算这些节点在优化中的贡献，实现此方法所需的唯一系统信息是连接分布式电源节点的线路电导的近似值，不仅适用于并网模式下也适用于孤岛模式下。

根据本发明实施例提出的电力系统负荷预测的分布式无功优化方法，通过LSTM神经网络预测模型预测目标区域有功功率，并建立了以电压偏差最小为目标函数的电网无功优化模型，对微网中分布式电源的无功进行调度，实现一个统一的微电网电压分布，而统一的电压分布会自然导致有功损耗最小，从而通过预测提前预知区域大功率耗电情况，同时改进现有负荷预测技术中的精确度问题，有效学习基于时间序列的负荷规律，获得快速准确的负荷预测。

其次参照附图描述根据本发明实施例提出的电力系统负荷预测的分布式无功优化装置。

图9是本发明一个实施例的电力系统负荷预测的分布式无功优化装置的结构示意图。

如图9所示，该电力系统负荷预测的分布式无功优化装置10包括：划分模块100、训练模块200、预测模块300、分析模块400、建模模块500和优化模块600。

其中，划分模块100用于将预测地的电力负荷信息、气象信息和节假日信息划分为多个输入神经元一个输出样本的测试集。训练模块200用于建立初始LSTM网络，将训练集带入初始LSTM网络中进行前向计算和反向传播训练。预测模块300用于通过训练好的LSTM网络输入预测日所需使用的神经元信息，以对每一个时间点进行负荷预测。分析模块400用于分析分布式电源的无功补偿特性，并采集分布式电源的目标参数，以建立分布式电源无功模型。建模模块500用于建立以网络损耗最小为目标函数的电网无功优化模型。优化模块600用于根据无功平均利用率和瞬时通信拓扑矩阵进行分布式优化控制计算，以实现分布式无功优化。本发明实施例的装置10通过预测提前预知区域大功率耗电情况，同时改进现有负荷预测技术中的精确度问题，有效学习基于时间序列的负荷规律，获得快速准确的负荷预测。

进一步地，在本发明的一个实施例中，本发明实施例的装置10还包括：预处理模块。其中，预处理模块用于对特征数据进行预处理，其中，采用函数进行预处理，以使得输入元各值充分打开，且互不相关，并且使用sigmoid函数作为激活函数，将数据归一化，函数为：

其中，x_i为系统中所有单元可提供无功功率的平均值，

为平均值，δ为标准差，n为数据长度。

进一步地，在本发明的一个实施例中，训练模块200进一步用于通过遗忘门对上一个细胞单元传递过来的信息进行筛选，筛选公式为：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)，

其中，W_f是遗忘门的权重矩阵，h_t-1是上一个细胞传来的隐藏层信息，x_t是当前单元的输入神经元信息，b_f是遗忘门的偏置项，σ是sigmoid函数，将输入的数据转化为[0,1]之间的数进行计算；通过输入门确定新的输入信息里能被使用信息，选择公式为：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)，

其中，W_i是输入门的权重矩阵，b_i是输入门的偏置项；获取上一单元的隐藏层与当前单元的输入所构成的当前单元隐藏层的暂时状态，计算方式为：

其中，W_c暂态计算的权重矩阵，b_c是其偏置项，tanh是tanh函数；根据筛选后的信息、选的能被使用的信息、当前单元隐藏层的暂时状态和长期单元信息得到新的单元信息，计算公式为：

其中，o为按元素乘；通过输出门获取LSTM最红输出，计算公式为：

其中，o_t为o_t＝σ(W_o·[h_t-1,x_t]+b_o)；将新的单元信息和最终输出分别作为隐藏层状态和单元状态进入到下一单元中。

进一步地，在本发明的一个实施例中，反向传播包括沿时间的反向传播和将误差项向上一层传播，其中，训练模块进一步用于在获取向上一层传递的误差项时，网络中四个加权输入所对应的误差项：

在误差项沿时间的反向传递时，获取t-1时刻的误差项δ_t-1，计算公式为：

将误差项向前传递到任意k时刻，传递公式为：

将误差项传递到上一层时，LSTM单元的输入x_t为：

其中，f^l-1表示第l-1层的激活函数，且使用全导数计算可得：

获取偏置项与权重矩阵的梯度：

进一步地，在本发明的一个实施例中，其中，目标函数为：

无功平均利用率得的计算公式为：

其中，S_i,P_i,

分别是第i个单元的额定功率、有功功率、无功功率和最大无功功率，α_q为第i个单元的无功平均利用率；瞬时通信拓扑矩阵的计算公式为：

其中，t时刻，s_ii＝1；如果第i个分布式电源已知第j个分布式电源的输出，s_ij＝1；并把单元0作为可计算无功平均利用率的分布式电源。

需要说明的是，前述对电力系统负荷预测的分布式无功优化方法实施例的解释说明也适用于该实施例的电力系统负荷预测的分布式无功优化装置，此处不再赘述。

根据本发明实施例提出的电力系统负荷预测的分布式无功优化装置，通过LSTM神经网络预测模型预测目标区域有功功率，并建立了以电压偏差最小为目标函数的电网无功优化模型，对微网中分布式电源的无功进行调度，实现一个统一的微电网电压分布，而统一的电压分布会自然导致有功损耗最小，从而通过预测提前预知区域大功率耗电情况，同时改进现有负荷预测技术中的精确度问题，有效学习基于时间序列的负荷规律，获得快速准确的负荷预测。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种电力系统负荷预测的分布式无功优化方法，其特征在于，包括以下步骤：

将预测地的电力负荷信息、气象信息和节假日信息划分为多个输入神经元一个输出样本的测试集；

建立初始LSTM网络，将所述测试集带入所述初始LSTM网络中进行前向计算和反向传播训练；

通过训练好的LSTM网络输入预测日所需使用的神经元信息，以对每一个时间点进行负荷预测；

分析分布式电源的无功补偿特性，并采集分布式电源的目标参数，以建立分布式电源无功模型；

建立以网络损耗最小为目标函数的电网无功优化模型；以及

根据无功平均利用率和瞬时通信拓扑矩阵进行分布式优化控制计算，以实现分布式无功优化；

其中，

所述目标函数为：

所述无功平均利用率得的计算公式为：

其中，

分别是第i个单元的额定功率、有功功率、无功功率和最大无功功率，α_qi为第i个单元的无功平均利用率；

所述瞬时通信拓扑矩阵的计算公式为：

其中，t时刻，s_ii＝1；如果第i个分布式电源已知第j个分布式电源的输出，s_ij＝1；并把单元0作为可计算无功平均利用率的分布式电源。

2.根据权利要求1所述的电力系统负荷预测的分布式无功优化方法，其特征在于，在划分为所述多个输入神经元一个输出样本的测试集之后，还包括：

对特征数据进行预处理，其中，采用函数进行预处理，以使得输入元各值充分打开，且互不相关，并且使用sigmoid函数作为激活函数，将数据归一化，所述函数为：

其中，x_i为系统中所有单元可提供无功功率的平均值，

为平均值，δ为标准差，n为数据长度。

3.根据权利要求1所述的电力系统负荷预测的分布式无功优化方法，其特征在于，所述将所述测试集带入所述初始LSTM网络中进行前向计算和反向传播训练，包括：

通过遗忘门对上一个细胞单元传递过来的信息进行筛选，筛选公式为：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)，

其中，W_f是遗忘门的权重矩阵，h_t-1是上一个细胞传来的隐藏层信息，x_t是当前单元的输入神经元信息，b_f是遗忘门的偏置项，σ是sigmoid函数，将输入的数据转化为[0,1]之间的数进行计算；

通过输入门确定新的输入信息里能被使用信息，选择公式为：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)，

其中，W_i是输入门的权重矩阵，b_i是输入门的偏置项；

获取上一单元的隐藏层与当前单元的输入所构成的当前单元隐藏层的暂时状态，计算方式为：

其中，W_c暂态计算的权重矩阵，b_c是其偏置项，tanh是tanh函数；

根据筛选后的信息、选的能被使用的信息、所述当前单元隐藏层的暂时状态和长期单元信息得到新的单元信息，计算公式为：

其中，o为按元素乘；

通过输出门获取LSTM最终输出，计算公式为：

h_t＝o_tοtanh(c_t)，

其中，o_t为o_t＝σ(W_o·[h_t-1,x_t]+b_o)；

将所述新的单元信息和所述最终输出分别作为隐藏层状态和单元状态进入到下一单元中。

4.根据权利要求3所述的电力系统负荷预测的分布式无功优化方法，其特征在于，反向传播包括沿时间的反向传播和是将误差项向上一层传播，其中，所述将所述测试集带入所述初始LSTM网络中进行前向计算和反向传播训练，包括：

在获取向上一层传递的误差项时，网络中四个加权输入所对应的误差项：

在误差项沿时间的反向传递时，获取t-1时刻的误差项δ_t-1，计算公式为：

将误差项向前传递到任意k时刻，传递公式为：

将所述误差项传递到上一层时，LSTM单元的输入x_t为：

其中，f^l-1表示第l-1层的激活函数，且使用全导数计算可得：

获取偏置项与权重矩阵的梯度：

5.一种电力系统负荷预测的分布式无功优化装置，其特征在于，包括：

划分模块，用于将预测地的电力负荷信息、气象信息和节假日信息划分为多个输入神经元一个输出样本的测试集；

训练模块，用于建立初始LSTM网络，将所述测试集带入所述初始LSTM网络中进行前向计算和反向传播训练；

预测模块，用于通过训练好的LSTM网络输入预测日所需使用的神经元信息，以对每一个时间点进行负荷预测；

分析模块，用于分析分布式电源的无功补偿特性，并采集分布式电源的目标参数，以建立分布式电源无功模型；

建模模块，用于建立以网络损耗最小为目标函数的电网无功优化模型；以及

优化模块，用于根据无功平均利用率和瞬时通信拓扑矩阵进行分布式优化控制计算，以实现分布式无功优化；

其中，

所述目标函数为：

所述无功平均利用率得的计算公式为：

其中，

分别是第i个单元的额定功率、有功功率、无功功率和最大无功功率，α_qi为第i个单元的无功平均利用率；

所述瞬时通信拓扑矩阵的计算公式为：

其中，t时刻，s_ii＝1；如果第i个分布式电源已知第j个分布式电源的输出，s_ij＝1；并把单元0作为可计算无功平均利用率的分布式电源。

6.根据权利要求5所述的电力系统负荷预测的分布式无功优化装置，其特征在于，还包括：

预处理模块，用于对特征数据进行预处理，其中，采用函数进行预处理，以使得输入元各值充分打开，且互不相关，并且使用sigmoid函数作为激活函数，将数据归一化，所述函数为：

其中，x_i为系统中所有单元可提供无功功率的平均值，

为平均值，δ为标准差，n为数据长度。

7.根据权利要求5所述的电力系统负荷预测的分布式无功优化装置，其特征在于，所述训练模块用于通过遗忘门对上一个细胞单元传递过来的信息进行筛选，筛选公式为：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)，

其中，W_f是遗忘门的权重矩阵，h_t-1是上一个细胞传来的隐藏层信息，x_t是当前单元的输入神经元信息，b_f是遗忘门的偏置项，σ是sigmoid函数，将输入的数据转化为[0,1]之间的数进行计算；

通过输入门确定新的输入信息里能被使用信息，选择公式为：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)，

其中，W_i是输入门的权重矩阵，b_i是输入门的偏置项；

获取上一单元的隐藏层与当前单元的输入所构成的当前单元隐藏层的暂时状态，计算方式为：

其中，W_c暂态计算的权重矩阵，b_c是其偏置项，tanh是tanh函数；

根据筛选后的信息、选的能被使用的信息、所述当前单元隐藏层的暂时状态和长期单元信息得到新的单元信息，计算公式为：

其中，o为按元素乘；

通过输出门获取LSTM最终输出，计算公式为：

h_t＝o_tοtanh(c_t)，

其中，o_t为o_t＝σ(W_o·[h_t-1,x_t]+b_o)；

将所述新的单元信息和所述最终输出分别作为隐藏层状态和单元状态进入到下一单元中。

8.根据权利要求7所述的电力系统负荷预测的分布式无功优化装置，其特征在于，反向传播包括沿时间的反向传播和将误差项向上一层传播，其中，所述训练模块用于在获取向上一层传递的误差项时，网络中四个加权输入所对应的误差项：

在误差项沿时间的反向传递时，获取t-1时刻的误差项δ_t-1，计算公式为：

将误差项向前传递到任意k时刻，传递公式为：

将所述误差项传递到上一层时，LSTM单元的输入x_t为：

其中，f^l-1表示第l-1层的激活函数，且使用全导数计算可得：

获取偏置项与权重矩阵的梯度：

Images