CN112270440B - 一种基于胶囊神经网络的配电网负荷预测方法 - Google Patents

一种基于胶囊神经网络的配电网负荷预测方法 Download PDF

Info

Publication number
CN112270440B
CN112270440B CN202011188621.9A CN202011188621A CN112270440B CN 112270440 B CN112270440 B CN 112270440B CN 202011188621 A CN202011188621 A CN 202011188621A CN 112270440 B CN112270440 B CN 112270440B
Authority
CN
China
Prior art keywords
capsule
grid
distribution network
load
power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011188621.9A
Other languages
English (en)
Other versions
CN112270440A (zh
Inventor
郭文铸
许建中
王海伟
陈晨
倪力
丁亮
朱健
唐庆鹏
杨晨芳
唐昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Hefei Power Supply Co of State Grid Anhui Electric Power Co Ltd
Original Assignee
Hefei University of Technology
Hefei Power Supply Co of State Grid Anhui Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology, Hefei Power Supply Co of State Grid Anhui Electric Power Co Ltd filed Critical Hefei University of Technology
Priority to CN202011188621.9A priority Critical patent/CN112270440B/zh
Publication of CN112270440A publication Critical patent/CN112270440A/zh
Application granted granted Critical
Publication of CN112270440B publication Critical patent/CN112270440B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明属于电力系统技术领域，更具体地，涉及一种基于胶囊神经网络的配电网负荷预测方法。该方法采用能量管理系统控制微电网内设备的经济运行，获取微电网与配电网的实时交互功率；获取历史负荷及负荷影响因素的数据，对数据进行预处理后，作为胶囊神经网络模型的输入对待预测日的配电网负荷进行预测。本发明将微电网因素融入到配电网负荷预测模型的构建中，考虑了微电网与配电网间的实时交互功率，可以有效改善模型的预测性能，提高负荷预测精度，有利于提高配电网规划的质量。

Description

一种基于胶囊神经网络的配电网负荷预测方法
技术领域
本发明属于电力系统技术领域，更具体地，涉及一种基于胶囊神经网络的配电网负荷预测方法。
背景技术
短期负荷预测是配电网规划及效益提升的基础，准确的预测不仅能够提高配电网规划的质量，还将有效指导电网企业合理投资，提高发电设备的利用率和经济调度的有效性，保持电网运行的安全稳定性。
微电网作为分布式发电及可再生能源发电技术的整合，是配电网的重要补充形式，能够有效弥补分布式能源的随机性，保障用户安全、优质用电。所述微电网中分布式电源并入配电网时，将会改变配电网中能量流动的单向性，微电网既可以作为负荷终端从配电网中吸收能量，也可以作为电源向配电网渗透能量。微电网自身的调度运行、分布式能源出力的随机性将导致配电网负荷产生波动，改变了配电网负荷的变化规律，导致配电网系统负荷预测难度加大。为此，在配电网的短期负荷预测中，需要考虑微电网的影响，以提高预测精度。
另一方面，随着人们生活水平的提高，配电网规模也随之扩大，设备不断增多，信息化程度不断提高，负荷变化随机性增大，影响因素趋于复杂，为负荷预测技术带来挑战。而目前基于神经网络的负荷预测方法多为神经元间的线性加权求和，难以很好地处理如今电网复杂环境下输入和输出之间的关系。
发明内容
针对目前配电网在现有技术中存在的问题，本发明提出一种下基于胶囊神经网络的配电网负荷预测方法，该方法能够实现对微电网(广泛)分布环境下考虑多种因素影响的配电网负荷预测。
为实现上述目的，本发明采用如下技术方案：
一种基于胶囊神经网络的配电网负荷预测方法，该方法包括如下步骤，
采用能量管理系统控制微电网内设备的经济运行，获取微电网与配电网的实时交互功率；
获取历史负荷及负荷影响因素的数据，对数据进行预处理后，作为胶囊神经网络模型的输入对待预测日的配电网负荷进行预测；
所述胶囊神经网络模型包括卷积层、多个胶囊层和输出层，历史负荷及负荷影响因素数据，输入到卷积层，经过卷积层提取数据特征，卷积层的输出作为胶囊层的输入；
胶囊层接受卷积层检测到的基本特征，生成特征的组合并分解成多个向量，再经过转换矩阵处理，采用动态路由算法计算并更新权值，得到胶囊层的输出；
将胶囊层的输出作为输出层的输入，经过计算得到胶囊神经网络的输出；
并以损失函数最小为目标训练更新转换矩阵，对胶囊神经网络模型进行训练，调整模型的权值和参数，直到达到最大迭代次数或胶囊神经网络收敛。
本技术方进一步的优化，所述微电网与配电网的实时交互功率，
根据微电网内部分布式电源出力PDG和微电网供电区域实际负荷需求Pload，以微电网经济运行为目标，采用能量管理系统控制微电网的经济运行，以获取微电网与配电网间的交互功率Pgrid：
Pgrid＝Pload-PDG。
本技术方进一步的优化，所述负荷影响因素包括气温、天气情况、湿度、光照强度、风速、电价、日类型。
本技术方进一步的优化，所述胶囊神经网络模型的输入采用特征选择MRMR算法进行分析，MRMR算法包括以下步骤：
步骤4.1：设训练数据集为
Figure BDA0002752061730000022
输出变量为Y，完整特征集为S，目标特征集大小为Ss，按照式(2)计算相关系数ρ(xi,y)，选择具有最大相关值的特征变量xmax构造目标特征子集Ss；
Figure BDA0002752061730000021
步骤4.2：令特征集Sa＝S-Ss，对于k＝2,3,K,s，对Sa中的每个特征Sj和Ss中的每个特征Si，按照式(3)搜索新特征xk，更新Ss＝Ss∪{xk}，Sa＝Sa-{xk}，以此得到最终的目标特征集Ss。
Figure BDA0002752061730000031
式(4)、(5)为最大相关最小冗余特征选择约束条件：
Figure BDA0002752061730000032
Figure BDA0002752061730000033
本技术方进一步的优化，所述胶囊神经网络模型的胶囊层包括主胶囊层和数字胶囊层，动态路由算法如下：
步骤6.4：对于主胶囊层的输出ui∈k×1,i＝1,2,,n，其中n表示胶囊的个数，k表示每个胶囊内的神经元个数，按照式(11)应用转换矩阵
Figure BDA0002752061730000039
将
Figure BDA00027520617300000310
转换为预测向量
Figure BDA0002752061730000034
p表示输出胶囊的神经元数量，并定义动态路由算法的迭代次数r；
Figure BDA0002752061730000035
步骤6.5：对于所有的输入胶囊i和输出胶囊j，权重为bij，按照式(12)即使用softmax函数计算胶囊i的所有路由权值向量ci的值；
ci＝softmax(bi)
Figure BDA0002752061730000036
步骤6.6：将步骤6.4中得到的预测向量
Figure BDA0002752061730000037
按照式(13)进行加权求和；
Figure BDA0002752061730000038
步骤6.7：根据式(14)将sj的模长通过非线性激活函数Squashing压缩到0到1之间，得到胶囊j的输出vj；
Figure BDA0002752061730000041
步骤6.8：通过胶囊j的输出vj与预测向量
Figure BDA0002752061730000042
按照式(15)更新权重bij，返回步骤6.5，进行下一次迭代，经过r次迭代后，返回最终的数字胶囊层输出向量vj。
Figure BDA0002752061730000043
本技术方更进一步的优化，所述胶囊神经网络模型中胶囊层的转换矩阵Wij用来编码不同胶囊层的特征之间的重要层次关系，根据损失值Lc反向传播来进行更新，
Figure BDA0002752061730000044
Figure BDA0002752061730000045
式中，c表示分类类别，ya是目标输出，
Figure BDA0002752061730000046
是网络的输出，A是样本数量，
Figure BDA0002752061730000047
表示更新后的权重矩阵，
Figure BDA0002752061730000048
表示更新前的权重矩阵，η表示学习率。
本技术方进一步的优化，所述所述配电网负荷预测最终结果按照式(13)进行计算，
PL＝PE+Pgrid   (13)
式(13)中，PL表示目标区域配电网负荷需求预测结果；PE表示目标区域中除微电供电区域之外的负荷需求；Pgrid表示微电网供电区域中微电网与配电网的交互功率，正值为微电网向配电网买电、负值为微电网向配电网售电。
本技术方进一步的优化，所述微电网包括光伏发电、风力发电、蓄电池和微型燃气轮机中的一种或者几种。
与现有技术相比，本发明有益效果主要表现在：本发明将微电网因素融入到配电网负荷预测模型的构建中，考虑了微电网与配电网间的实时交互功率，可以有效改善模型的预测性能，提高负荷预测精度，有利于提高配电网规划的质量，指导电网企业合理投资，提高发电设备的利用率和经济调度的有效性，保持电网运行的安全稳定性。同时本发明选取的胶囊神经网络是一种新型的神经网络结构，其胶囊层可包含多个胶囊且每个胶囊中包含多个神经元，区别于一般网络的线性加权求和，胶囊层采用的是动态路由算法，能够考虑不同胶囊层的特征之间的重要层次关系，可以增强模型的拟合能力和泛化能力，提高负荷预测的准确性。
附图说明
图1为负荷预测方法的流程示意图；
图2为微电网与配电网的交互示意图；
图3为胶囊神经网络示意图；
图4为动态路由算法示意图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
本发明公开了一种微电网(广泛)分布下基于胶囊神经网络的配电网负荷预测方法，所述微电网是配电网的重要补充形式，能够有效弥补分布式能源的随机性，并网运行时，微电网通过公共连接点(PCC)和配电网连接，其电能的流向具有不确定性，微电网既有可能作为电源也有可能作为负荷，呈现出双向的能量交互，在必要时可以脱离配电网独立运行。由于微电网中分布式能源出力随机性较大，微电网的加入将会对配电网负荷曲线产生较大的影响。为使得负荷预测结果更加贴近实际运行期间配电网的负荷需求，故将微电网因素融入到配电网负荷预测模型中，建立了基于胶囊神经网络的配电网短期负荷预测模型。结合历史负荷数据、气象数据对预测模型进行训练，得到目标区域待测日的负荷预测曲线。该方法可以提高负荷预测精度，泛化能力强，稳定性好，能够满足微电网(广泛)分布下配电网的负荷预测要求。
下面结合具体实施例和附图，对本发明作进一步的详细说明，参阅如图1所示，一种微电网(广泛)分布下基于胶囊神经网络的配电网负荷预测方法的流程示意图，包括如下步骤，
步骤1：本实施例具体以光伏发电、风力发电、蓄电池和微型燃气轮机这几种典型的分布式电源为例构建微电网。
步骤2：建立微电网内部各装置模型如下，
光伏发电模型：
Figure BDA0002752061730000061
式(1)中，Ppv为光伏发电实际功率(KW)，PSTC为标准测试条件(STC)下的最大测试功率，G为实际太阳辐照强度(W/m2)，GSTC为STC下太阳辐照强度，取值为1000W/㎡，Tc为电池工作温度，Tr为参考温度，取值25℃，γ为功率温度系数(％/℃)。
风力发电模型：
Figure BDA0002752061730000062
式(2)中，Pw(t)为风力发电实际输出功率(KW)，Pwr为额定功率，R(t)为实际风速，Ri为切入风速，Rt为额定风速，Ro为切出风速，a、b、c为模型参数，可由厂家提供的风速-功率特性曲线得到。
蓄电池储能系统模型：
Figure BDA0002752061730000063
SOCmin≤SOC(t)≤SOCmax
式(3)中，SOC(t)、SOC(t-1)分别为t时刻和t-1时刻的荷电状态，Ie(t)为t时刻的充放电电流(A)，ηch、ηdis分别为放电效率和充电效率，CN为蓄电池额定容量。
燃气轮机发电模型：
Figure BDA0002752061730000064
式(4)中，Qmt为排气的余热量(KW)，Pmt为输出功率(KW)，Qhot和COPhot分别为制热量(KW)和制热系数，Δt为运行时间，ηe、ηl分别为发电效率和散热损失系数，LHVf为天然气低位热值，取值为9.7KW·h/m3，cmt和Cmt分别为天然气价格(元/m3)和Δt时段的燃料运行成本(元)。
参阅如图2所示，为微电网与配电网的交互示意图，利用能量管理系统控制微电网的经济运行，微电网与配电网在并网点呈现双向的能量交互。
步骤3：根据微电网内部分布式电源出力PDG和微电网供电区域实际负荷需求Pload，以微电网经济运行为目标，采用能量管理系统(EMS)控制微电网的经济运行，以获取微电网与配电网间的交互功率Pgrid：
Pgrid＝Pload-PDG   (5)
在本具体实施例中，分布式电源出力PDG＝Ppv+Pw+Pes+Pmt。
步骤4：分析负荷预测的影响因素，采用特征选择MRMR算法确定负荷预测模型的输入量。
步骤4.1：设训练数据集为
Figure BDA0002752061730000071
输出变量为Y，完整特征集为S，目标特征集大小为Ss，按照式(6)计算相关系数ρ(xi,y)，选择具有最大相关值的特征变量xmax构造目标特征子集Ss。
Figure BDA0002752061730000072
步骤4.2：令特征集Sa＝S-Ss，对于k＝2,3,K,s，对Sa中的每个特征Sj和Ss中的每个特征Si，按照式(7)搜索新特征xk，更新Ss＝Ss∪{xk}，Sa＝Sa-{xk}，以此得到最终的目标特征集Ss。
Figure BDA0002752061730000073
式(4)、(5)为最大相关最小冗余特征选择约束条件：
Figure BDA0002752061730000074
Figure BDA0002752061730000081
最后确定将气温、天气情况、湿度、光照强度、风速、电价、日类型和历史负荷作为胶囊神经网络模型的输入量。以预测日d在t时刻负荷为例，则该负荷预测网络的输入量包括：气象因素(Tt d、Cd、
Figure BDA0002752061730000082
Wt d)、预测日d在t时刻电价
Figure BDA0002752061730000083
预测日d日类型Dd、历史负荷
Figure BDA0002752061730000084
其中，上标d和下标t分别表示日期和时刻点，Tt d为预测日d在t时刻的气温、Cd为预测日d的天气情况、
Figure BDA0002752061730000088
为预测日d在t时刻的湿度、
Figure BDA0002752061730000087
为预测日d在t时刻的光照强度、Wt d为预测日d在t时刻的风速，
Figure BDA0002752061730000085
即为预测日前一天前一时刻负荷值。
步骤5：按如下方式对数据进行预处理：
步骤5.1：对日类型Dd和天气情况Cd进行合理量化。将日类型划分为工作日和休息日，分别用1和0.5量化表示；将雨、雪等恶劣天气量化值为0，阴、多云等天气量化值为0.5，晴天量化值为1。
步骤5.2：数据归一化处理。对于其他原始数据，进行归一化处理，将数据映射到[0,1]区间上，归一化公式为：
Figure BDA0002752061730000086
式(10)中，X为归一化前的原始数据，X*为对应的归一化处理后的数据，Xmax和Xmin分别为样本数据中的最大值和最小值。
步骤5.3：将数据合理划分为训练样本集和测试样本集。
步骤6：利用胶囊神经网络对预测日一天的负荷进行逐点预测，参阅图3和图4所示，分别为胶囊神经网络示意图和动态路由算法示意图。胶囊神经网络预测模型由卷积层、多个胶囊层和输出层组成，囊间采用的是动态路由算法，训练过程为有监督学习。胶囊神经网络预测模型预训练过程的具体步骤如下：
步骤6.1：给定训练样本集合X＝{X1,X2,K,Xn}，最大迭代次数K，学习率η、初始权重矩阵W和初始权重b，其中Xi＝{ai1,ai2,K,ai24}，aij为第i天j时刻的16维输入列向量(即步骤4.2所确定的16个输入量)。
步骤6.2：将aij化为4×4尺寸的矩阵形式，输入胶囊神经网络的卷积层，选取合适的卷积核来提取底层特征，输出底层特征张量。
步骤6.3：将底层特征张量作为主胶囊层的输入，采用合适的卷积核进行卷积计算，再将输出展开，生成主胶囊层中每个胶囊单元的输出ui，并将主胶囊层的输出传入模型的数字胶囊层。
步骤6.4：对于主胶囊层的输出ui∈k×1,i＝1,2,,n，其中n表示胶囊的个数，k表示每个胶囊内的神经元个数(向量长度)，按照式(11)应用转换矩阵
Figure BDA0002752061730000099
将
Figure BDA00027520617300000910
转换为预测向量
Figure BDA0002752061730000091
p表示输出胶囊的神经元数量，并定义动态路由算法的迭代次数r；
Figure BDA0002752061730000092
步骤6.5：对于所有的输入胶囊i和输出胶囊j，权重为bij，按照式(12)即使用softmax函数计算胶囊i的所有路由权值向量ci的值；
ci＝softmax(bi)
Figure BDA0002752061730000093
步骤6.6：将步骤6.4中得到的预测向量
Figure BDA0002752061730000094
按照式(13)进行加权求和；
Figure BDA0002752061730000095
步骤6.7：根据式(14)将sj的模长通过非线性激活函数Squashing压缩到0到1之间，得到胶囊j的输出vj；
Figure BDA0002752061730000096
步骤6.8：通过胶囊j的输出vj与预测向量
Figure BDA0002752061730000097
按照式(15)更新权重bij，返回步骤6.5，进行下一次迭代，经过r次迭代后，返回最终的数字胶囊层输出向量vj。
Figure BDA0002752061730000098
步骤6.9：本实施例输出层设置为全连接的sigmoid层，将数字胶囊层的输出向量vj作为输出层的输入，计算得到网络的输出
Figure BDA0002752061730000101
步骤6.10：根据公式(16)计算损失函数，利用损失值反向传播，通过式(17)更新网络中动态路由的权重矩阵Wij。
Figure BDA0002752061730000102
Figure BDA0002752061730000103
式中，c表示分类类别；ya是目标输出；
Figure BDA0002752061730000104
是网络的输出；A是样本数量；
Figure BDA0002752061730000106
表示更新后的权重矩阵；
Figure BDA0002752061730000105
表示更新前的权重矩阵；η表示学习率。
步骤6.11：若未达到最大迭代次数K，则重复步骤6.2～步骤6.10；若达到最大迭代次数K，则胶囊神经网络模型训练结束。
步骤7：利用测试样本集对训练好的胶囊神经网络模型进行测试，测试通过的模型即可对待预测日的负荷进行预测，测试通过判断标准为预测误差满足要求。
本发明可以确定微电网分布下配电网的负荷需求，为配电网合理规划网架结构及变电站容量提供数据支持，有利于提高配电网侧的资源利用效率，减少冗余投资，在考虑微电网影响的情况下能有效提高负荷预测准确性，从而提高发电设备的利用率和经济调度的有效性，保持电网运行的安全稳定性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。
尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。

Claims (7)

1.一种基于胶囊神经网络的配电网负荷预测方法，其特征在于，该方法包括如下步骤，采用能量管理系统控制微电网内设备的经济运行，获取微电网与配电网的实时交互功率；
获取历史负荷及负荷影响因素的数据，对数据进行预处理后，作为胶囊神经网络模型的输入对待预测日的配电网负荷进行预测；
所述胶囊神经网络模型包括卷积层、多个胶囊层和输出层，历史负荷及负荷影响因素数据，输入到卷积层，经过卷积层提取数据特征，卷积层的输出作为胶囊层的输入；
胶囊层接受卷积层检测到的基本特征，生成特征的组合并分解成多个向量，再经过转换矩阵处理，采用动态路由算法计算并更新权值，得到胶囊层的输出；
将胶囊层的输出作为输出层的输入，经过计算得到胶囊神经网络的输出；
并以损失函数最小为目标训练更新转换矩阵，对胶囊神经网络模型进行训练，调整模型的权值和参数，直到达到最大迭代次数或胶囊神经网络收敛；
所述胶囊神经网络模型的胶囊层包括主胶囊层和数字胶囊层，动态路由算法如下：
步骤6.4：对于主胶囊层的输出
Figure FDA0004073414070000011
其中n表示胶囊的个数，k表示每个胶囊内的神经元个数，按照式(11)应用转换矩阵
Figure FDA0004073414070000012
将
Figure FDA0004073414070000013
转换为预测向量
Figure FDA0004073414070000014
p表示输出胶囊的神经元数量，并定义动态路由算法的迭代次数r；
Figure FDA0004073414070000015
步骤6.5：对于所有的输入胶囊i和输出胶囊j，权重为bij，按照式(12)即使用softmax函数计算胶囊i的所有路由权值向量ci的值；
Figure FDA0004073414070000016
步骤6.6：将步骤6.4中得到的预测向量
Figure FDA0004073414070000017
按照式(13)进行加权求和；
Figure FDA0004073414070000021
步骤6.7：根据式(14)将sj的模长通过非线性激活函数Squashing压缩到0到1之间，得到胶囊j的输出vj；
Figure FDA0004073414070000022
步骤6.8：通过胶囊j的输出vi与预测向量
Figure FDA0004073414070000023
按照式(15)更新权重bij，返回步骤6.5，进行下一次迭代，经过r次迭代后，返回最终的数字胶囊层输出向量vj；
Figure FDA0004073414070000024
2.如权利要求1所述的基于胶囊神经网络的配电网负荷预测方法，其特征在于，所述微电网与配电网的实时交互功率，
根据微电网内部分布式电源出力PDG和微电网供电区域实际负荷需求Pload，以微电网经济运行为目标，采用能量管理系统控制微电网的经济运行，以获取微电网与配电网间的交互功率Pgrid：
Pgrid＝Pload-PDG。
3.如权利要求1所述的基于胶囊神经网络的配电网负荷预测方法，其特征在于，所述负荷影响因素包括气温、天气情况、湿度、光照强度、风速、电价、日类型。
4.如权利要求1所述的基于胶囊神经网络的配电网负荷预测方法，其特征在于，所述胶囊神经网络模型的输入采用特征选择MRMR算法进行分析，MRMR算法包括以下步骤：
步骤4.1：设训练数据集为
Figure FDA0004073414070000025
输出变量为Y，完整特征集为S，目标特征集大小为Ss，按照式(2)计算相关系数ρ(x，y)，选择具有最大相关值的特征变量xmax构造目标特征子集Ss；
Figure FDA0004073414070000026
步骤4.2：令特征集Sa＝S-Ss，对于k＝2，3，...，s，对Sa中的每个特征Sj和Ss中的每个特征Si，按照式(3)搜索新特征xk，更新Ss＝Ss∪{xk}，Sa＝Sa-{xk}，以此得到最终的目标特征集Ss；
Figure FDA0004073414070000031
式(4)、(5)为最大相关最小冗余特征选择约束条件：
Figure FDA0004073414070000032
Figure FDA0004073414070000033
5.如权利要求1所述的基于胶囊神经网络的配电网负荷预测方法，其特征在于，所述胶囊神经网络模型中胶囊层的转换矩阵Wij用来编码不同胶囊层的特征之间的重要层次关系，根据损失值Lc反向传播来进行更新，
Figure FDA0004073414070000034
Figure FDA0004073414070000035
式中，c表示分类类别，ya是目标输出，
Figure FDA0004073414070000036
是网络的输出，A是样本数量，
Figure FDA0004073414070000037
表示更新后的权重矩阵，
Figure FDA0004073414070000038
表示更新前的权重矩阵，η表示学习率。
6.如权利要求1所述的基于胶囊神经网络的配电网负荷预测方法，其特征在于，所述配电网负荷预测最终结果按照式(13)进行计算，
PL＝PE+Pgrid               (13)
式(13)中，PL表示目标区域配电网负荷需求预测结果；PE表示目标区域中除微电供电区域之外的负荷需求；Pgrid表示微电网供电区域中微电网与配电网的交互功率，正值为微电网向配电网买电、负值为微电网向配电网售电。
7.如权利要求1所述的基于胶囊神经网络的配电网负荷预测方法，其特征在于，所述微电网包括光伏发电、风力发电、蓄电池和微型燃气轮机中的一种或者几种。
CN202011188621.9A 2020-10-30 2020-10-30 一种基于胶囊神经网络的配电网负荷预测方法 Active CN112270440B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011188621.9A CN112270440B (zh) 2020-10-30 2020-10-30 一种基于胶囊神经网络的配电网负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011188621.9A CN112270440B (zh) 2020-10-30 2020-10-30 一种基于胶囊神经网络的配电网负荷预测方法

Publications (2)

Publication Number Publication Date
CN112270440A CN112270440A (zh) 2021-01-26
CN112270440B true CN112270440B (zh) 2023-04-07

Family

ID=74344999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011188621.9A Active CN112270440B (zh) 2020-10-30 2020-10-30 一种基于胶囊神经网络的配电网负荷预测方法

Country Status (1)

Country Link
CN (1) CN112270440B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102593874A (zh) * 2012-03-19 2012-07-18 合肥工业大学 一种用于微电网的能量调度方法
CN105337300A (zh) * 2014-08-12 2016-02-17 国家电网公司 微电网接入配电网时的交换功率控制方法及装置
CN108009684A (zh) * 2017-12-04 2018-05-08 上海电气集团股份有限公司 一种包含短期负荷预测的微电网并网状态能量管理方法
CN108712292A (zh) * 2018-05-29 2018-10-26 广州大学 一种基于深度学习的网络流类型预测方法
CN110046249A (zh) * 2019-03-11 2019-07-23 中国科学院深圳先进技术研究院 胶囊网络的训练方法、分类方法、系统、设备及存储介质
CN110059741A (zh) * 2019-04-15 2019-07-26 西安电子科技大学 基于语义胶囊融合网络的图像识别方法
CN110895773A (zh) * 2019-11-29 2020-03-20 合肥工业大学 一种基于广义需求侧资源的dbn电网负荷预测方法及装置
CN111402014A (zh) * 2020-06-04 2020-07-10 江苏省质量和标准化研究院 一种基于胶囊网络的电商缺陷产品的预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410575B (zh) * 2018-10-29 2020-05-01 北京航空航天大学 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102593874A (zh) * 2012-03-19 2012-07-18 合肥工业大学 一种用于微电网的能量调度方法
CN105337300A (zh) * 2014-08-12 2016-02-17 国家电网公司 微电网接入配电网时的交换功率控制方法及装置
CN108009684A (zh) * 2017-12-04 2018-05-08 上海电气集团股份有限公司 一种包含短期负荷预测的微电网并网状态能量管理方法
CN108712292A (zh) * 2018-05-29 2018-10-26 广州大学 一种基于深度学习的网络流类型预测方法
CN110046249A (zh) * 2019-03-11 2019-07-23 中国科学院深圳先进技术研究院 胶囊网络的训练方法、分类方法、系统、设备及存储介质
CN110059741A (zh) * 2019-04-15 2019-07-26 西安电子科技大学 基于语义胶囊融合网络的图像识别方法
CN110895773A (zh) * 2019-11-29 2020-03-20 合肥工业大学 一种基于广义需求侧资源的dbn电网负荷预测方法及装置
CN111402014A (zh) * 2020-06-04 2020-07-10 江苏省质量和标准化研究院 一种基于胶囊网络的电商缺陷产品的预测方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
A Capsule Network for Traffic Speed Prediction in Complex Road Networks;Youngjoo Kim;《IEEE Xplore》;20181129;全文 *
含微电网的主动配电网负荷预测;管鑫等;《电力学报》;20170225(第01期);全文 *
基于大数据的电网规划精益分析平台研究与应用;谈韵;《电力大数据》;20190228;第22卷(第2期);全文 *
基于灰色神经网络的微电网短期负荷预测;张浩等;《系统仿真技术》;20180228(第01期);全文 *
基于胶囊神经网络的癌症数字病理图像预测方法研究;汤博;《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》;20190815;第21-58页 *
河北南网电力市场调研及负荷预测;赵灿;《中国优秀硕士学位论文全文数据库 (经济与管理科学辑)》;20150315;全文 *
深度学习在电力系统中的应用研究综述;叶琳;《浙江电力》;20190531;第38卷(第5期);全文 *

Also Published As

Publication number Publication date
CN112270440A (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
Suganthi et al. Applications of fuzzy logic in renewable energy systems–a review
CN107910863B (zh) 综合考虑光伏出力和负荷需求预测区间的配电网调度方法
CN109858673A (zh) 一种光伏发电系统功率预测方法
Guo et al. Study on short-term photovoltaic power prediction model based on the Stacking ensemble learning
CN105631558A (zh) 基于相似日的bp神经网络光伏发电系统功率预测方法
CN111030188A (zh) 一种含分布式和储能的分层分级控制策略
Zhang et al. Wavelet-based neural network with genetic algorithm optimization for generation prediction of PV plants
CN112215428B (zh) 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统
CN111786420A (zh) 一种考虑再生能源混合发电的电力系统经济调度的方法
Mohammadi et al. Optimal operation management of microgrids using the point estimate method and firefly algorithm while considering uncertainty
Du et al. Deep power forecasting model for building attached photovoltaic system
Eniola et al. Hour-ahead forecasting of photovoltaic power output based on hidden Markov model and genetic algorithm
CN112418488A (zh) 一种基于两阶段能量优化的综合能源系统调度方法及装置
Lu et al. Wind power forecast by using improved radial basis function neural network
Yadav et al. Short-term pv power forecasting using adaptive neuro-fuzzy inference system
Saadaoui et al. Hybridization and energy storage high efficiency and low cost
Sahoo et al. Energy forecasting for grid connected MW range solar PV system
CN112270440B (zh) 一种基于胶囊神经网络的配电网负荷预测方法
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN115021331A (zh) 基于贡献系数法的清洁能源基地水风光一体化补偿方法
Kaysal et al. Comparison the performance of different optimization methods in artificial intelligence based electricity production forecasting
CN114977324A (zh) 能源基地多能互补运行中多主体效益变化的量化方法
Zhou et al. Elman-Based Forecaster Integrated by AdaboostAlgorithm in 15 min and 24 h ahead Power OutputPrediction Using PM 2.5 Values, PV ModuleTemperature, Hours of Sunshine, and Meteorological Data
Kuamr et al. ANN-ANFIS based forecast model for predicting PV and wind energy generation
Huang et al. Power Prediction Method of Distributed Photovoltaic Digital Twin System Based on GA-BP

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant