CN114239407A - 一种基于cnn-gru的电压态势感知方法 - Google Patents

一种基于cnn-gru的电压态势感知方法 Download PDF

Info

Publication number
CN114239407A
CN114239407A CN202111563878.2A CN202111563878A CN114239407A CN 114239407 A CN114239407 A CN 114239407A CN 202111563878 A CN202111563878 A CN 202111563878A CN 114239407 A CN114239407 A CN 114239407A
Authority
CN
China
Prior art keywords
voltage
time
data
layer
gru
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.)
Pending
Application number
CN202111563878.2A
Other languages
English (en)
Inventor
李辉
冯裕祺
周彦博
谭貌
彭寒梅
李利娟
苏永新
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.)
Xiangtan University
Original Assignee
Xiangtan University
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 Xiangtan University filed Critical Xiangtan University
Priority to CN202111563878.2A priority Critical patent/CN114239407A/zh
Publication of CN114239407A publication Critical patent/CN114239407A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种基于CNN‑GRU的电压态势感知方法，包括以下步骤：采集电压、有功功率和太阳辐照度数据；构建电压时间序列；电压自相关性理解；变量因素相关性理解；时间序列数据预处理；构建电压态势预测模型；进行短期电压态势预测。本发明通过构建电压态势感知网络，采用电压态势感知方法对时间序列数据进行挖掘，首先通过电力参数测量仪、传感器单元采集电压、有功功率、太阳辐照度数据；然后提取数据构建电压时间序列，并通过最大信息系数等进行相关性理解；最后设计CNN‑GRU态势预测模型结构，实现了对电压的高精度态势预测。

Description

一种基于CNN-GRU的电压态势感知方法
技术领域
本发明涉及电压态势感知技术领域，特别涉及一种基于CNN-GRU的电压态势感知方法。
背景技术
随着光伏等可再生能源并网容量的不断攀升，它对配电网电能质量可能产生的影响也激起了人们的广泛关注。光伏电站由于出力间歇性和随机性，会产生电压波动、闪变等电能质量问题，电压质量作为电能质量指标之一，其好坏会直接影响配电网的安全稳定运行。
研究通过挖掘光伏电站电压质量的历史数据信息提前感知电压变化态势，为电压质量的治理预留出一定时间，极大降低光伏电站电压波动对配电网产生的影响，成为可再生能源并网可靠运行的关键技术之一。
态势感知概念最早应用在航空军事领域，指在特定的时空环境中，对动态环境中的各种因素提取、分析并预测。传统的电压态势感知方法在面对海量输入数据时，挖掘时间序列数据信息不充分，无法有效提取数据高维特征，导致态势预测精度有限。
发明内容
为了解决上述技术问题，本发明提供一种数据信息充分挖掘、预测精度高的基于CNN-GRU的电压态势感知方法。
本发明解决上述问题的技术方案是：一种基于CNN-GRU的电压态势感知方法，包括以下步骤：
步骤一，采集电压、有功功率和太阳辐照度数据：通过电力参数测量仪、传感器单元采集电压、有功功率、太阳辐照度数据；
步骤二，构建电压时间序列：设定提取间隔时间，提取采集的电压数据作为参考值构建电压时间序列；
步骤三，电压自相关性理解：通过计算自相关系数进行电压自相关性理解，得到输入时间步长；
步骤四，变量因素相关性理解：通过最大信息系数方法理解变量因素与电压之间的相关程度，得到输入数据维度；
步骤五，时间序列数据预处理：对电压时间序列数据进行归一化；
步骤六，构建电压态势预测模型：电压预测模型第一层为输入层，第二层和第四层为卷积层，第三层和第五层为池化层，第六层和第七层为GRU层，第八层为扁平层，第九层为全连接层，最后一层为输出层，电压预测模型采用ReLU激活函数；
步骤七，进行短期电压态势预测：将归一化后的数据结合输入时间步长和输入数据维度得到数据集，将数据集输入电压态势预测模型，进行短期电压态势预测。
上述基于CNN-GRU的电压态势感知方法，所述步骤二中，提取电压数据公式为：
Figure BDA0003421451440000021
其中Vt_i～t_i+1为t_i～t_i+1时间段的电压时间序列，v1为时刻t_i的电压数据，v2为时刻t_i+Δt的电压数据，vn为时刻t_i+(n-1)Δt的电压数据，提取间隔时间Δt为5分钟。
上述基于CNN-GRU的电压态势感知方法，所述步骤三中，电压自相关性理解公式为：
Figure BDA0003421451440000031
其中C(h)为自相关系数，h是时间滞后长度，vt表示时刻t的电压值，vt+h表示时刻t+h的电压值，v是整个电压序列均值，m为总时刻，使得C(h)≥0.93的h的最大值确定为输入时间步长。
上述基于CNN-GRU的电压态势感知方法，所述步骤四中，最大信息系数计算公式为：
Figure BDA0003421451440000032
其中MIC(v；u)为电压u和变量因素v之间的最大信息系数，p(v,u)为电压u和变量因素v之间的联合概率，a，b是在x，y轴方向上划分网格的数目，B为划分网格数目上限值，MIC(v；u)取值区间为[0,1]，其值越大，电压和变量因素间的相关程度就越高，MIC(v；u)≥0.6的变量因素计入输入数据维度。
上述基于CNN-GRU的电压态势感知方法，所述步骤五中，对电压时间序列数据进行归一化的公式为：
Figure BDA0003421451440000033
其中vt'表示时刻t的归一化电压值，vt表示时刻t的电压值，vmax和vmin分别表示电压时间序列数据中的最大值和最小值。
上述基于CNN-GRU的电压态势感知方法，所述步骤七具体步骤为：
7-1)对于时间序列数据，选定输入时间步长为j，输入数据维度为q，输出时间步长为f，即用j×q个历史数据，预测未来f个数据，构造时间序列数据形如
Figure BDA0003421451440000041
其中j通过电压自相关性理解产生，f根据控制需求确定，q通过变量因素相关性理解产生；
其中对于时刻t，Vx＝{Vt-j,Vt-j+1,···,Vt}，···，Rx＝{Rt-j,Rt-j+1,···,Rt}，Ty＝{Tt+1,Tt+2,···,Tt+k}，其中Vx为电压时间序列，Px,···,Rx是通过相关性理解得到的有功功率、太阳辐照度等时间序列，Vt-j+1表示Vx序列t-j+1时刻的序列值，Ty是输出的真实电压时间序列；
7-2)将Vx,Px,···,Rx等时间序列输入电压态势预测模型得到预测结果序列
Figure BDA0003421451440000042
本发明的有益效果在于：本发明提供了一种基于CNN-GRU的电压态势感知方法，通过构建电压态势感知网络，采用电压态势感知方法对时间序列数据进行挖掘，首先通过电力参数测量仪、传感器单元采集电压、有功功率、太阳辐照度数据；然后提取数据构建电压时间序列，并通过最大信息系数等进行相关性理解；最后设计CNN-GRU态势预测模型结构，实现了对电压的高精度态势预测。
附图说明
图1为本发明的流程图。
图2为本发明的CNN-GRU模型结构示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步的说明。
如图1所示，电压态势感知分为三个阶段，电压要素提取通过电力参数测量仪、传感器单元采集电压、有功功率、太阳辐照度等数据；电压态势理解通过电压自相关性理解和变量因素相关性理解对电压要素提取的时间序列数据进行相关性理解；电压态势预测将经过相关性理解和时间序列数据预处理的时间序列数据输入构建的CNN-GRU电压态势预测模型进行电压态势预测。
一种基于CNN-GRU的电压态势感知方法，具体的过程为：
步骤一，采集电压、有功功率和太阳辐照度数据：通过电力参数测量仪、传感器单元采集2020年1月1日至2020年6月11日时间段的电压、有功功率、太阳辐照度数据，其数据按1s间隔采集。
步骤二，构建电压时间序列：设定提取间隔时间，提取采集的电压数据作为参考值构建电压时间序列。
提取电压数据公式为：
Figure BDA0003421451440000051
其中Vt_i～t_i+1为t_i～t_i+1时间段的电压时间序列，v1为时刻t_i的电压数据，v2为时刻t_i+Δt的电压数据，vn为时刻t_i+(n-1)Δt的电压数据，提取间隔时间Δt为5分钟。
步骤三，电压自相关性理解：通过计算自相关系数进行电压自相关性理解，得到输入时间步长。
电压自相关性理解公式为：
Figure BDA0003421451440000052
其中C(h)为自相关系数，h是时间滞后长度，vt表示时刻t的电压值，vt+h表示时刻t+h的电压值，
Figure BDA0003421451440000053
是整个电压序列均值，m为总时刻，使得C(h)≥0.93的h的最大值确定为输入时间步长。
步骤四，变量因素相关性理解：通过最大信息系数方法理解变量因素与电压之间的相关程度，得到输入数据维度。
最大信息系数计算公式为：
Figure BDA0003421451440000061
其中MIC(v；u)为电压u和变量因素v之间的最大信息系数，p(v,u)为电压u和变量因素v之间的联合概率，a，b是在x，y轴方向上划分网格的数目，B为划分网格数目上限值，MIC(v；u)取值区间为[0,1]，其值越大，电压和变量因素间的相关程度就越高，MIC(v；u)≥0.6的变量因素计入输入数据维度。
步骤五，时间序列数据预处理：对电压时间序列数据进行归一化。
对电压时间序列数据进行归一化的公式为：
Figure BDA0003421451440000062
其中vt'表示时刻t的归一化电压值，vt表示时刻t的电压值，vmax和vmin分别表示电压时间序列数据中的最大值和最小值。
步骤六，构建电压态势预测模型：电压预测模型第一层为输入层，第二层和第四层为卷积层，第三层和第五层为池化层，第六层和第七层为GRU层，第八层为扁平层，第九层为全连接层，最后一层为输出层，电压预测模型采用ReLU激活函数。
步骤七，进行短期电压态势预测：将归一化后的数据结合输入时间步长和输入数据维度得到数据集，将数据集输入电压态势预测模型，进行短期电压态势预测。
对于时间序列数据，选定输入时间步长为6，输入数据维度为3，输出时间步长为2，即用6×3个历史数据，预测未来2个时间点数据，构造时间序列数据形如(Vx,Px,Rx,Ty)，其中输入时间步长通过电压自相关性理解产生，输出时间步长根据控制需求确定，输入数据维度通过变量因素相关性理解产生。
其中对于时刻t，Vx＝{Vt-j,Vt-j+1,···,Vt}，Px＝{Pt-j,Pt-j+1,···,Pt}，Rx＝{Rt-j,Rt-j+1,···,Rt}，Ty＝{Tt+1,Tt+2,···,Tt+k}，其中Vx,Px,Rx是通过相关性理解得到的电压、有功功率、太阳辐照度时间序列，Vt-j+1表示Vx序列t-j+1时刻的序列值，Ty是输出的真实值时间序列；
假设原时间序列数据共L个点，维度为q，为L×q大小矩阵。此时时间序列数据为(L-j-f+1)×(j×q+f)大小矩阵。
2020年1月1日到2020年6月11日时间段共46944个时间点，对此时间段序列进行如上处理后，得到46944×20大小矩阵。
其中2020年5月12日到2020年6月11日数据作为模型预测阶段使用数据，其他为模型训练阶段使用数据。
建立CNN-GRU电压态势预测模型，其模型结构如图2。第一层为Input输入层，输入形为38016×20的矩阵；第二层为Conv1D卷积层，卷积核数目为16，卷积核大小为3；第三层为MaxPooling1D最大池化层，池化大小为1；第四层为Conv1D卷积层，卷积核数目为32，卷积核大小为3；第五层为MaxPooling1D最大池化层，池化大小为1；第六层为GRU层，隐藏神经单元为40；第七层为GRU层，隐藏神经单元为80；第八层为Flatten扁平层；第九层为Dense全连接层，最后为Output预测结果输出层，采用ReLU激活函数f(x)＝max(0,x)，模型采用Adam优化器。最后输出形为38016×2矩阵。

Claims (6)

1.一种基于CNN-GRU的电压态势感知方法，其特征在于，包括以下步骤：
步骤一，采集电压、有功功率和太阳辐照度数据：通过电力参数测量仪、传感器单元采集电压、有功功率、太阳辐照度数据；
步骤二，构建电压时间序列：设定提取间隔时间，提取采集的电压数据作为参考值构建电压时间序列；
步骤三，电压自相关性理解：通过计算自相关系数进行电压自相关性理解，得到输入时间步长；
步骤四，变量因素相关性理解：通过最大信息系数方法理解变量因素与电压之间的相关程度，得到输入数据维度；
步骤五，时间序列数据预处理：对电压时间序列数据进行归一化；
步骤六，构建电压态势预测模型：电压态势预测模型第一层为输入层，第二层和第四层为卷积层，第三层和第五层为池化层，第六层和第七层为GRU层，第八层为扁平层，第九层为全连接层，最后一层为输出层，电压态势预测模型采用ReLU激活函数；
步骤七，进行短期电压态势预测：将归一化后的数据结合输入时间步长和输入数据维度得到数据集，将数据集输入电压态势预测模型，进行短期电压态势预测。
2.根据权利要求1所述基于CNN-GRU的电压态势感知方法，其特征在于，所述步骤二中，提取电压数据公式为：
Figure FDA0003421451430000011
其中Vt_i～t_i+1为t_i～t_i+1时间段的电压时间序列，v1为时刻t_i的电压数据，v2为时刻t_i+Δt的电压数据，vn为时刻t_i+(n-1)Δt的电压数据，提取间隔时间Δt为5分钟。
3.根据权利要求1所述基于CNN-GRU的电压态势感知方法，其特征在于，所述步骤三中，电压自相关性理解公式为：
Figure FDA0003421451430000021
其中C(h)为自相关系数，h是时间滞后长度，vt表示时刻t的电压值，vt+h表示时刻t+h的电压值，v是整个电压序列均值，m为总时刻，使得C(h)≥0.93的h的最大值确定为输入时间步长。
4.根据权利要求1所述基于CNN-GRU的电压态势感知方法，其特征在于，所述步骤四中，最大信息系数计算公式为：
Figure FDA0003421451430000022
其中MIC(v；u)为电压u和变量因素v之间的最大信息系数，p(v,u)为电压u和变量因素v之间的联合概率，a，b是在x，y轴方向上划分网格的数目，B为划分网格数目上限值，MIC(v；u)取值区间为[0,1]，其值越大，电压和变量因素间的相关程度就越高，MIC(v；u)≥0.6的变量因素计入输入数据维度。
5.根据权利要求1所述基于CNN-GRU的电压态势感知方法，其特征在于，所述步骤五中，对电压时间序列数据进行归一化的公式为：
Figure FDA0003421451430000023
其中vt'表示时刻t的归一化电压值，vt表示时刻t的电压值，vmax和vmin分别表示电压时间序列数据中的最大值和最小值。
6.根据权利要求1所述基于CNN-GRU的电压感知方法，其特征在于，所述步骤七具体步骤为：
7-1)对于时间序列数据，选定输入时间步长为j，输入数据维度为q，输出时间步长为f，即用j×q个历史数据，预测未来f个数据，构造时间序列数据形如
Figure FDA0003421451430000031
其中j通过电压自相关性理解产生，f根据控制需求确定，q通过变量因素相关性理解产生；
其中对于时刻t，Vx＝{Vt-j,Vt-j+1,···,Vt}，···，Rx＝{Rt-j,Rt-j+1,···,Rt}，Ty＝{Tt+1,Tt+2,···,Tt+k}，其中Vx为电压时间序列，Px,···,Rx是通过相关性理解得到的有功功率、太阳辐照度等时间序列，Vt-j+1表示Vx序列t-j+1时刻的序列值，Ty是输出的真实电压时间序列；
7-2)将Vx,Px,···,Rx等时间序列输入电压态势预测模型得到预测结果序列
Figure FDA0003421451430000032
CN202111563878.2A 2021-12-20 2021-12-20 一种基于cnn-gru的电压态势感知方法 Pending CN114239407A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111563878.2A CN114239407A (zh) 2021-12-20 2021-12-20 一种基于cnn-gru的电压态势感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111563878.2A CN114239407A (zh) 2021-12-20 2021-12-20 一种基于cnn-gru的电压态势感知方法

Publications (1)

Publication Number Publication Date
CN114239407A true CN114239407A (zh) 2022-03-25

Family

ID=80759607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111563878.2A Pending CN114239407A (zh) 2021-12-20 2021-12-20 一种基于cnn-gru的电压态势感知方法

Country Status (1)

Country Link
CN (1) CN114239407A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115440317A (zh) * 2022-07-20 2022-12-06 中南大学 一种浸出铀浓度的预测方法及装置、电子设备、存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115440317A (zh) * 2022-07-20 2022-12-06 中南大学 一种浸出铀浓度的预测方法及装置、电子设备、存储介质

Similar Documents

Publication Publication Date Title
Fadare The application of artificial neural networks to mapping of wind speed profile for energy application in Nigeria
CN102930358B (zh) 一种光伏电站发电功率的神经网络预测方法
CN109524993B (zh) 用于中长期优化调度的风电光伏典型周出力场景生成方法
Bekele et al. Wind energy potential assessment at four typical locations in Ethiopia
CN103390202B (zh) 一种基于相似数据选取的光伏电站输出功率预测方法
CN110956312B (zh) 基于emd-cnn深度神经网络的光伏配电网电压预测方法
WO2023201552A1 (en) County-wide photovoltaic prediction method based on cluster division and data enhancement
Pham et al. A novel short-term load forecasting method by combining the deep learning with singular spectrum analysis
CN111027775A (zh) 基于长短期记忆网络的梯级水电站发电量预测方法
CN111384726A (zh) 一种高渗透率光伏配电网分区调压方法
CN115065078B (zh) 微网环境下储能容量配置方法及系统
CN116258269A (zh) 一种基于负荷特征分解的超短期负荷动态预测方法
CN110929924A (zh) 基于云边融合架构的小水电发电量预测系统及其实现方法
Rosas et al. Itineraries for charging and discharging a BESS using energy predictions based on a CNN-LSTM neural network model in BCS, Mexico
CN110909994A (zh) 基于大数据驱动的小水电群发电量预测方法
CN114239407A (zh) 一种基于cnn-gru的电压态势感知方法
CN114243696A (zh) 光伏发电典型日光伏出力的大概率场景生成方法
CN115660032B (zh) 基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法
CN110571862A (zh) 一种光伏电站与电力负荷的时序匹配度分析方法及系统
CN103337042B (zh) 基于双向渐进的地面太阳辐射净空模型构建方法
CN114004405B (zh) 基于Elman神经网络和卫星云图的光伏功率预测方法及系统
CN116090635A (zh) 一种气象驱动的新能源发电功率预测方法
CN113537575B (zh) 一种含分布式光伏和电动汽车并网的趋势负荷预测方法
CN112116127B (zh) 一种基于气象过程与功率波动关联的光伏功率预测方法
Kehe et al. Research of wind power prediction model based on RBF neural network

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