CN112418496B - 一种基于深度学习的配电台区储能配置方法 - Google Patents

一种基于深度学习的配电台区储能配置方法 Download PDF

Info

Publication number
CN112418496B
CN112418496B CN202011247499.8A CN202011247499A CN112418496B CN 112418496 B CN112418496 B CN 112418496B CN 202011247499 A CN202011247499 A CN 202011247499A CN 112418496 B CN112418496 B CN 112418496B
Authority
CN
China
Prior art keywords
energy storage
neural network
lstm neural
power distribution
data set
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
CN202011247499.8A
Other languages
English (en)
Other versions
CN112418496A (zh
Inventor
魏俊
叶圣永
刘旭娜
张文涛
刘立扬
韩宇奇
龙川
刘洁颖
李达
赵达维
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.)
State Grid Sichuan Economic Research Institute
Original Assignee
State Grid Sichuan Economic Research Institute
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 State Grid Sichuan Economic Research Institute filed Critical State Grid Sichuan Economic Research Institute
Priority to CN202011247499.8A priority Critical patent/CN112418496B/zh
Publication of CN112418496A publication Critical patent/CN112418496A/zh
Application granted granted Critical
Publication of CN112418496B publication Critical patent/CN112418496B/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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Power Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于深度学习的配电台区储能配置方法，包括以下步骤：构建历史特征数据集；所述历史特征数据集包括在不同时间点下的配电台区的特征变量的历史数据；获取第一LSTM神经网络；用所述历史特征数据集中的历史数据对LSTM神经网络进行训练，直至所述LSTM神经网络的预测精度达到预设精度；获取配电台区的当前特征变量值，根据所述当前特征变量值和所述第一LSTM神经网络，对所述配电台区的储能进行预测。本发明的目的在于提供一种基于深度学习的配电台区储能配置方法，采用LSTM神经网络模型对配电台区储能进行优化配置，避免针对不同的储能配置场景，每次都需要做大量优化计算的过程。

Description

一种基于深度学习的配电台区储能配置方法
技术领域
本发明涉及电力系统技术领域，尤其涉及一种基于深度学习的配电台区储能配置方法。
背景技术
随着用电需求的不断增大，我国供电水平普遍提高，在此背景下，电网负荷峰谷差值却越来越大，用电负荷逐渐增大。低压变电台区地区出现的配电变压器三相不平衡和低功率因数等因素将对服务质量产生直接性影响。针对低压配电台区，有效控制其输出电能的质量，传统方法是安装无功补偿装置，调压器或平衡装置，只能解决一个电能质量问题。因此，在这样的需求之下，采用储能装置对系统进行改良是十分有必要的。与传统方法相比，结合电力电子技术的储能单元可以满足电压超限控制，三相不平衡处理和功率因数调节的应用要求。同时，储能可以减少分布式新能源发电的电价波动，并且减小分布式新能源接入对现场区域对电能质量的影响。从提高电源的可靠性的角度来看，储能系统还可以起到调峰削谷的作用，在高峰时段降低配电变压器的负载系数，从而减少配电变压器安全运行的风险。储能系统可以用作备用电源，缩短台区点周围的停电时间，提高台区点周围电源的可靠性和服务能力。此外，从配电网络中的局部峰值负载平衡的角度来看，台区点区域多点分布式储能设备可以缓解峰值或峰值负载期间的负载平衡拥塞问题，并延迟电网扩展和升级改进。为了使得整体提升低压配电台的输出电能质量并且提升系统的可靠性，选择出合理的储能装置是十分有必要的。
随着全球不可再生资源的减少以及国家节能减排政策的号召，风能、太阳能等可再生能源发电接入电网的比例不断加大，由于可再生资源发电存在着间歇性、波动性等不稳定因素，分布式储能技术应运而生。分布式储能可以有效提高配电网的灵活性、可靠性与互动性，尤其是在能源消纳、峰谷调节等方面具有重大作用。随着可再生能源并网容量的进一步增加，其波动性、随机性也会进一步对电网的电能质量造成影响，分布式储能是解决上述问题的一种重要手段，可以使电力实时平衡的“刚性”电力系统变得“柔性”，有效平抑清洁能源发电接入电网带来的波动，大幅提高配电网运行的安全性、经济性和灵活性，因此，分布式储能优化配置就尤为重要。然而，目前分布式储能配置技术还存在诸多问题，比如，采用何种储能，配置多大容量的储能等。像风、光、小水电等可再生能源发电技术都具有日变化性和季度性特性，储能容量优化配置问题十分困难，配置容量不足时，难以平衡可再生发电波动带来的影响，无法实现功率的稳定输出；配置容量过大又会增加系统的开销成本，降低系统经济性。就目前主流储能配置策略而言，针对不同的储能配置场景，每次都需要做大量的优化计算，过程十分繁琐。
发明内容
本发明的目的在于提供一种基于深度学习的配电台区储能配置方法，采用LSTM神经网络模型对配电台区储能进行优化配置，避免针对不同的储能配置场景，每次都需要做大量优化计算的过程。
本发明通过下述技术方案实现：
一种基于深度学习的配电台区储能配置方法，包括以下步骤：
S1：构建历史特征数据集；所述历史特征数据集包括在不同时间点下的配电台区的特征变量的历史数据，所述特征变量包括台区储能配置的电压等级、储能成本、储能寿命、不同季节不同典型日的最大充电功率、不同季节不同典型日的最大放电功率、不同季节不同典型日的充电能量值以及不同季节不同典型日的放电能量；
S2：获取第一LSTM神经网络；所述第一LSTM神经网络的预测精度大于预设精度；
用所述历史特征数据集中的历史数据对LSTM神经网络进行训练，直至所述LSTM神经网络的预测精度达到预设精度；
S3：获取配电台区的当前特征变量值，根据所述当前特征变量值和所述第一LSTM神经网络中，对所述配电台区的储能进行预测。
优选地，所述S1包括以下子步骤：
S11：获取在不同时间点下配电台区的特征变量的历史数据；
S12：对任意一个所述特征变量的历史数据按时间点进行标准化处理，以得到所述历史特征数据集。
优选地，所述历史数据按下式进行标准化处理：
Figure GDA0003505906020000021
其中，
Figure GDA0003505906020000022
为第k个特征变量的第j个时间点标准化之后的特征值，中
Figure GDA0003505906020000023
为第k个特征变量第j(1≤j≤n)个时间点的历史数据，n为第k个特征变量的时间长度,
Figure GDA0003505906020000024
为第k个特征变量在第i个时间点的历史数据，
Figure GDA0003505906020000025
为第k个特征变量在第t个时间点的历史数据。
优选地，所述S2包括以下子步骤：
S21：采用粒子群优化算法对所述LSTM神经网络进行优化，以得到所述LSTM神经网络的最佳超参数，进而得到优化的LSTM神经网络；其中，所述最佳超参数包括网络权重矩阵w、网络权重矩阵v以及网络权重矩阵b；
S22：按时间先后顺序对所述历史特征数据集使用长度为q的滑动窗口进行帧格化，以得到多个样本数据集；
S23：用所述样本数据集对优化的所述LSTM神经网络进行训练，以得到所述第一LSTM神经网络；
S24：对所述第一LSTM神经网络的预测精度进行评估；
若所述预测精度小于所述预设精度，则重复步骤S21-S23；
若所述预测精度大于或等于所述预设精度，则获取从所述LSTM神经网络到所述第一LSTM神经网络的更新次数；
S25：对所述更新次数进行判定，若所述更新次数小于预设更新次数，则重复步骤S21-S23。
优选地，所述S2之后还包括一个验证步骤，所述验证步骤用于对所述第一LSTM神经网络的预测精度进行验证。
优选地，所述验证步骤包括以下子步骤：
获取测试样本数据集，所述测试样本数据集包括在不同时间点下的配电台区的特征变量的历史数据；
获取预测值，将所述测试样本数据集中的历史数据输入至所述第一LSTM神经网络中，所述第一LSTM神经网络的输出值即为预测值；
将所述预测值和实际值进行对比，若所述预测精度小于所述预设精度，则重复步骤S2。
优选地，获取所述测试样本数据集包括以下子步骤：
获取在不同时间点下配电台区的特征变量的历史数据；
对任意一个所述特征变量的历史数据按时间点进行标准化处理，以得到测试数据集；
按时间先后顺序对所述测试数据集使用长度为q的滑动窗口进行帧格化，以得到多个所述测试样本数据集。
优选地，采用均方根误差、平均绝对误差以及平均绝对百分比误差作为所述预测精度是否大于所述预设精度的评价指标。
优选地，所述均方根误差、所述平均绝对误差以及所述平均绝对百分比误差的表达式分别为：
Figure GDA0003505906020000031
Figure GDA0003505906020000032
Figure GDA0003505906020000041
其中，ERMS为均方根误差，N为储能预测总点数，
Figure GDA0003505906020000042
为p时刻储能功率预测值，yp为p时刻储能功率实际值。
本发明与现有技术相比，具有如下的优点和有益效果：
1、采用LSTM神经网络模型对配电台区储能进行优化配置，避免针对不同的储能配置场景，每次都需要做大量优化计算的过程；
2、采用粒子群优化算法对LSTM神经网络的超参数进行优化配置，解决深度学习容易出现局部最优或者过拟合问题而导致出现局部最优等问题。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明基于LSTM神经网络模型的配电台区储能配置流程图；
图2为获取第一LSTM神经网络的流程示意图；
图3为LSTM神经元结构。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
一种基于深度学习的配电台区储能配置方法，如图1所示，包括以下步骤：
S1：构建历史特征数据集；
历史特征数据集包括在不同时间点下的配电台区的特征变量的历史数据，其中，特征变量包括台区储能配置的电压等级、储能成本、储能寿命、不同季节不同典型日的最大充电功率、不同季节不同典型日的最大放电功率、不同季节不同典型日的充电能量值以及不同季节不同典型日的放电能量；
设特征变量的历史数据集为C，则该历史特征数据集可以表示为：
C＝[C1,C2,…,Ck,…Cm] (1.1)
其中，Ck(1≤k≤m)表示第k维特征变量，m为储能优化配置所考虑的特征变量维度，第k维特征变量Ck可以进一步表示为：
Figure GDA0003505906020000051
其中
Figure GDA0003505906020000052
为第k维特征变量第j(1≤j≤n)个时间点的历史数据，n为特征变量的时间长度。由于特征变量较多，且数据种类与结构相差较大，为充分挖掘每一维特征变量的特征信息，在构建历史特征数据集时，对任意一个特征变量的历史数据均按时间点进行标准化处理，设第k维特征变量标准化后为
Figure GDA0003505906020000053
则第k维历史数据中的第j个时间点标准化之后的特征值为：
Figure GDA0003505906020000054
标准化处理后的各个特征值便构成历史特征数据集，
Figure GDA0003505906020000055
为第k个特征变量在第i个时间点的历史数据，
Figure GDA0003505906020000056
为第k个特征变量在第t个时间点的历史数据。
S2：获取第一LSTM神经网络，如图2所示；
为了便于理解，首先对LSTM神经网络进行介绍：
LSTM神经网络常见的控制门包括输入门、遗忘门和输出门，LSTM神经元结构如图3所示，其中，t为时间点；i(t)为输入门，主要用于控制当前时刻网络的状态有多少信息需要保存到内部状态中；f(t)为遗忘门，主要用于控制过去的状态信息有多少需要丢弃；o(t)为输出门，主要用于控制当前时刻的内部状态有多少信息需要输出给外部状态；x(t)为当前时刻外部输入；σ为激活层函数。第I层LSTM单元前向计算过程由下式定义：
Figure GDA0003505906020000057
Figure GDA0003505906020000058
Figure GDA0003505906020000059
Figure GDA00035059060200000510
Figure GDA00035059060200000511
Figure GDA00035059060200000512
式中，h(t-1)和h(t)为单元前一时刻和当前时刻输出，
Figure GDA00035059060200000513
和c(t)为单元临时状态和单元状态，W、V、b为网络权重矩阵，
Figure GDA00035059060200000514
表示内积运算。
σ(·)为标准逻辑函数，表达式为：
Figure GDA0003505906020000061
h(·)为中心逻辑函数，其表达式为：
Figure GDA0003505906020000062
由于LSTM神经网络在学习过程中，容易出现局部最优或者过拟合问题而导致出现局部最优等问题，因此，在本申请中，在对LSTM神经网络进行训练前，先采用粒子群优化算法对LSTM神经网络的网络权重矩阵w、网络权重矩阵v以及网络权重矩阵b进行优化配置，从而得到LSTM神经网络的最佳超参数，进而得到优化的LSTM神经网络。
其中，粒子群优化算法为：
第t次迭代过程中，粒子的速度和位置更新公式为：
vid(t+1)＝ωvid(t)+c1rand()(xp,d(t)-xi,d(t))+c2Rand()(xg,d(t)-xi,d(t)) (1.13)
xi,d(t+1)＝xi,d(t)+vi,d(t+1) (1.14)
式中，i＝1,2,…,N，N为粒子群规模；d＝1,2,…,D，D为搜索空间的维数，此处采用三维空间；xi,d(t)为第t次迭代粒子i位置矢量的第d维分量；vi,d(t)维第t次迭代粒子i速度矢量的第d维分量；xp,d(t)为第t次迭代粒子i个体的最好位置的第d维分量；xg,d(t)为第t次迭代粒子群的最好位置的第d维分量；rand()和Rand()是[0,1]范围内变化的两个随机数；ω为权重系数；c1,c2为加速系数。此外，每个粒子的速度vi被一个最大速度vmax所限制，如果一个粒子在某一维空间上的速度vi,d大于最大速度在该维上的分量vmax,d，则该粒子在该维上的速度被限制为vmax,d。
当得到LSTM神经网络的最佳超参数后，便可以对LSTM神经网络进行模型训练了。训练时，首先按时间先后顺序对历史特征数据集使用长度为q的滑动窗口进行帧格化，以得到多个样本数据集，设样本数据集为X，则样本数据集X中第i个训练特征为
Figure GDA0003505906020000063
其次，用样本数据集对优化后的LSTM神经网络进行训练，并在训练完成后对LSTM神经网络的预测精度进行评估；具体地，包括以下步骤：
由公式(1.5-1.10)和样本数据集中的数据分别计算i(t)、f(t)、o(t)、c(t)、h(t)，并将输出的h(t+1)与实际数据相比较，若预测精度小于预设精度，则重新用粒子群优化算法对LSTM神经网络的超参数进行优化，优化结束后，再用样本数据集X对LSTM神经网络进行训练；若预测精度大于或等于预设精度，则输出模型，即，训练完成，并获取LSTM神经网络的更新次数；若更新次数小于预设更新次数，则重新用粒子群优化算法对LSTM神经网络的超参数进行优化，重新对LSTM神经网络进行训练。
其中，在本方案中，采用均方根误差、平均绝对误差以及平均绝对百分比误差作为预测精度是否大于预设精度的评价指标。
均方根误差的表达式分别为：
Figure GDA0003505906020000071
平均绝对误差的表达式为：
Figure GDA0003505906020000072
平均绝对百分比误差的表达式为：
Figure GDA0003505906020000073
其中，ERMS为均方根误差，N为储能预测总点数，
Figure GDA0003505906020000074
为p时刻储能功率预测值，yp为p时刻储能功率实际值。
S3：对配电台区储能进行预测；
获取配电台区的当前特征变量值，并将获取的当前特征变量值输入至第一LSTM神经网络中，从而输出一个三维矩阵，分别是储能类型、储能功率和储能能量。
其中储能功率为该台区所需储能的额定功率(kW)，储能能量为该台区所需储能的储能能量(kWh)，储能类型输出为该台区第一LSTM神经网络得到的所需储能的编号，编号对应的设备为抽水蓄能、超导储能、超级电容储能等目前主流储能。
进一步的，为了使得第一LSTM神经网络的预测值更加准确，在本方案中，还设置了验证步骤，用于对第一LSTM神经网络的预测精度进行验证，具体地，包括以下步骤：
(1)获取测试样本数据集：
获取在不同时间点下配电台区的特征变量的历史数据；
对任意一个特征变量的历史数据按时间点进行标准化处理，以得到测试数据集；
按时间先后顺序对测试数据集使用长度为q的滑动窗口进行帧格化，以得到多个测试样本数据集；
(2)获取预测值：
将测试样本数据集中的历史数据输入至训练好的LSTM神经网络中，第一LSTM神经网络的输出值即为预测值；
(3)将预测值和实际值进行对比：
若预测精度小于预设精度，则重新用粒子群优化算法对LSTM神经网络的超参数进行优化，重新对LSTM神经网络进行训练。
值得说明的是，本申请中的测试样本数据集可以是历史特征数据集中获取一部分，也可以是采用其他的方式获取，测试样本数据集具体的获取方式可以根据实际情况进行选择。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于深度学习的配电台区储能配置方法，其特征在于，包括以下步骤：
S1：构建历史特征数据集；所述历史特征数据集包括在不同时间点下的配电台区的特征变量的历史数据，所述特征变量包括台区储能配置的电压等级、储能成本、储能寿命、不同季节不同典型日的最大充电功率、不同季节不同典型日的最大放电功率、不同季节不同典型日的充电能量值以及不同季节不同典型日的放电能量；
S2：获取第一LSTM神经网络；所述第一LSTM神经网络的预测精度大于预设精度；
用所述历史特征数据集中的历史数据对LSTM神经网络进行训练，直至所述LSTM神经网络的预测精度达到预设精度；
S3：获取配电台区的当前特征变量值，根据所述当前特征变量值和所述第一LSTM神经网络，对所述配电台区的储能进行预测；
获取所述配电台区的当前特征变量值，并将所述当前特征变量值输入至所述第一LSTM神经网络中，从而输出一个三维矩阵，所述三维矩阵分别是储能类型、储能功率和储能能量；
其中，所述储能功率为该配电台区所需储能的额定功率，所述储能能量为该配电台区所需储能的储能能量，所述储能类型输出为该配电台区第一LSTM神经网络得到的所需储能的编号，所述编号对应的设备包括抽水蓄能、超导储能以及超级电容储能。
2.根据权利要求1所述的一种基于深度学习的配电台区储能配置方法，其特征在于，所述S1包括以下子步骤：
S11：获取在不同时间点下配电台区的特征变量的历史数据；
S12：对任意一个所述特征变量的历史数据按时间点进行标准化处理，以得到所述历史特征数据集。
3.根据权利要求2所述的一种基于深度学习的配电台区储能配置方法，其特征在于，所述历史数据按下式进行标准化处理：
Figure FDA0003549073670000011
其中，
Figure FDA0003549073670000012
为第k个特征变量的第j个时间点标准化之后的特征值，
Figure FDA0003549073670000013
为第k个特征变量第j个时间点的历史数据，j∈[1，n]，n为第k个特征变量的时间长度，
Figure FDA0003549073670000014
为第k个特征变量在第i个时间点的历史数据，
Figure FDA0003549073670000015
为第k个特征变量在第t个时间点的历史数据。
4.根据权利要求1所述的一种基于深度学习的配电台区储能配置方法，其特征在于，所述S2包括以下子步骤：
S21：采用粒子群优化算法对所述LSTM神经网络进行优化，以得到所述LSTM神经网络的最佳超参数，进而得到优化的LSTM神经网络；其中，所述最佳超参数包括网络权重矩阵w、网络权重矩阵v以及网络权重矩阵b；
S22：按时间先后顺序对所述历史特征数据集使用长度为q的滑动窗口进行帧格化，以得到多个样本数据集；
S23：用所述样本数据集对优化的所述LSTM神经网络进行训练，以得到所述第一LSTM神经网络；
S24：对所述第一LSTM神经网络的预测精度进行评估；
若所述预测精度小于所述预设精度，则重复步骤S21-S23；
若所述预测精度大于或等于所述预设精度，则获取从所述LSTM神经网络到所述第一LSTM神经网络的更新次数；
S25：对所述更新次数进行判定，若所述更新次数小于预设更新次数，则重复步骤S21-S23。
5.根据权利要求1所述的一种基于深度学习的配电台区储能配置方法，其特征在于，所述S2之后还包括一个验证步骤，所述验证步骤用于对所述第一LSTM神经网络的预测精度进行验证。
6.根据权利要求5所述的一种基于深度学习的配电台区储能配置方法，其特征在于，所述验证步骤包括以下子步骤：
获取测试样本数据集，所述测试样本数据集包括在不同时间点下的配电台区的特征变量的历史数据；
获取预测值，将所述测试样本数据集中的历史数据输入至所述第一LSTM神经网络中，所述第一LSTM神经网络的输出值即为预测值；
将所述预测值和实际值进行对比，若所述预测精度小于所述预设精度，则重复步骤S2。
7.根据权利要求6所述的一种基于深度学习的配电台区储能配置方法，其特征在于，获取所述测试样本数据集包括以下子步骤：
获取在不同时间点下配电台区的特征变量的历史数据；
对任意一个所述特征变量的历史数据按时间点进行标准化处理，以得到测试数据集；
按时间先后顺序对所述测试数据集使用长度为q的滑动窗口进行帧格化，以得到多个所述测试样本数据集。
8.根据权利要求1所述的一种基于深度学习的配电台区储能配置方法，其特征在于，采用均方根误差、平均绝对误差以及平均绝对百分比误差作为所述预测精度是否大于所述预设精度的评价指标。
9.根据权利要求8所述的一种基于深度学习的配电台区储能配置方法，其特征在于，所述均方根误差、所述平均绝对误差以及所述平均绝对百分比误差的表达式分别为：
Figure FDA0003549073670000031
Figure FDA0003549073670000032
Figure FDA0003549073670000033
其中，ERMS为均方根误差，N为储能预测总点数，
Figure FDA0003549073670000034
为p时刻储能功率预测值，yp为p时刻储能功率实际值。
CN202011247499.8A 2020-11-10 2020-11-10 一种基于深度学习的配电台区储能配置方法 Active CN112418496B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011247499.8A CN112418496B (zh) 2020-11-10 2020-11-10 一种基于深度学习的配电台区储能配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011247499.8A CN112418496B (zh) 2020-11-10 2020-11-10 一种基于深度学习的配电台区储能配置方法

Publications (2)

Publication Number Publication Date
CN112418496A CN112418496A (zh) 2021-02-26
CN112418496B true CN112418496B (zh) 2022-04-22

Family

ID=74781716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011247499.8A Active CN112418496B (zh) 2020-11-10 2020-11-10 一种基于深度学习的配电台区储能配置方法

Country Status (1)

Country Link
CN (1) CN112418496B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239029A (zh) * 2021-05-18 2021-08-10 国网江苏省电力有限公司镇江供电分公司 一种电能表缺失日冻结数据的补全方法
CN116901774B (zh) * 2023-09-11 2023-11-14 南京安充智能科技有限公司 基于全网通充电桩的柔性配电方法、系统及存储介质
CN117526348B (zh) * 2024-01-08 2024-03-22 成都汉度科技有限公司 基于峰谷时段的台区无功补偿方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107704970A (zh) * 2017-10-24 2018-02-16 上海电器科学研究所（集团）有限公司 一种基于Spark的需求侧负荷预测方法
CN109376960A (zh) * 2018-12-06 2019-02-22 国网北京市电力公司 基于lstm神经网络的电网负荷预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111466063B (zh) * 2018-11-21 2023-09-12 亿可能源科技（上海）有限公司 储能管理及控制方法、系统、计算机设备、存储介质
CN110059844B (zh) * 2019-02-01 2021-10-08 东华大学 基于集合经验模态分解和lstm的储能装置控制方法
CN109919370B (zh) * 2019-02-26 2021-06-11 国网冀北电力有限公司运营监测（控）中心 一种电力负荷预测方法及预测装置
CN111353909A (zh) * 2020-01-19 2020-06-30 中国电力科学研究院有限公司 一种基于光伏发电能力预测和博弈论的分布式能源管理策略
CN111736084B (zh) * 2020-06-29 2022-05-20 三峡大学 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107704970A (zh) * 2017-10-24 2018-02-16 上海电器科学研究所（集团）有限公司 一种基于Spark的需求侧负荷预测方法
CN109376960A (zh) * 2018-12-06 2019-02-22 国网北京市电力公司 基于lstm神经网络的电网负荷预测方法

Also Published As

Publication number Publication date
CN112418496A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
US11581740B2 (en) Method, system and storage medium for load dispatch optimization for residential microgrid
CN112418496B (zh) 一种基于深度学习的配电台区储能配置方法
CN105846461B (zh) 一种大规模储能电站自适应动态规划的控制方法和系统
CN107301472B (zh) 基于场景分析法和电压调节策略的分布式光伏规划方法
CN112993979B (zh) 配电网无功优化方法、装置、电子设备和存储介质
CN111934360B (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
CN108306303A (zh) 一种考虑负荷增长和新能源出力随机的电压稳定评估方法
CN114792156B (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN109034587B (zh) 一种协调多种可控单元的主动配电系统优化调度方法
CN110866633B (zh) 一种基于svr支持向量回归的微电网超短期负荷预测方法
CN113363998A (zh) 一种基于多智能体深度强化学习的配电网电压控制方法
CN111614110B (zh) 一种基于改进多目标粒子群算法的受端电网储能优化配置方法
CN114430165A (zh) 基于深度模型预测的微网群智能协调控制方法和装置
Zhang et al. Deep reinforcement learning for load shedding against short-term voltage instability in large power systems
Chang et al. Model predictive control based energy collaborative optimization management for energy storage system of virtual power plant
CN113872213A (zh) 一种配电网电压自主优化控制方法及装置
CN113270898A (zh) 一种基于两阶段规划的分布式光伏优化配置方法
Xu et al. Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network
CN117060386A (zh) 一种基于值分布深度q网络的微电网储能调度优化方法
CN109586309B (zh) 基于大数据自由熵理论和场景匹配的配电网无功优化方法
Fu et al. A spatial forecasting method for photovoltaic power generation combined of improved similar historical days and dynamic weights allocation
CN114897220A (zh) 一种基于gru神经网络的微电网短期负荷预测方法
CN111311032B (zh) 一种基于扇形雷达图模型的微网系统容量优化配置方法
CN113013909A (zh) 一种基于平抑牵引的储能容量改进方法
CN109149644B (zh) 一种基于大数据分析的光储一体在线策略匹配和协同优化方法

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