CN115759321A - 一种以线损最小为优化目标的智能无功补偿方法 - Google Patents
一种以线损最小为优化目标的智能无功补偿方法 Download PDFInfo
- Publication number
- CN115759321A CN115759321A CN202211115854.5A CN202211115854A CN115759321A CN 115759321 A CN115759321 A CN 115759321A CN 202211115854 A CN202211115854 A CN 202211115854A CN 115759321 A CN115759321 A CN 115759321A
- Authority
- CN
- China
- Prior art keywords
- line loss
- power
- line
- lstm
- cnn
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 title claims abstract description 39
- 238000013136 deep learning model Methods 0.000 claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000004140 cleaning Methods 0.000 claims abstract description 9
- 230000015654 memory Effects 0.000 claims description 19
- 210000004027 cell Anatomy 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000007774 longterm Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000005065 mining Methods 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 2
- 230000002829 reductive effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02E40/30—Reactive power compensation
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种以线损最小为优化目标的智能无功补偿方法，通过对原有电力相关数据进行清洗，获得多条时序数据，建立无功补偿时序数据集；以CNN神经网络和LSTM网络为核心构建CNN‑LSTM深度学习模型，通过CNN神经网络在无功补偿时序数据集中提取原始时间序列的特征信息，特征信息带有反应有功功率及线损变化的相关数据特征；LSTM网络根据提取的特征信息对有功功率和线损进行预测；基于CNN‑LSTM深度学习模型进行训练与测试，预测出有功功率P和线损ΔP；通过迭代优化得到使线损最小的无功功率补偿值。本发明以线损最小为优化目标，实现对最佳无功功率补偿值的预测，预测准确度高，成本低。
Description
技术领域
本发明属于时间序列预测、深度学习及无功补偿技术领域，具体涉及 一种以线损最小为优化目标的智能无功补偿方法。
背景技术
无功补偿设备是配电网不可或缺的重要组成部分，在日常运行中常通 过投、切电容器的方法调整电压。无功补偿能够保持网络无功平衡，提高 电网的功率因数，降低供电变压器及输送线路的损耗，提高供电效率，改 善供电环境。合理的选择补偿装置，可以做到最大限度的减少电网的损耗， 使电网质量提高。反之，如选择或使用不当，可造成供电系统线损增大、 电压波动、谐波增大等诸多问题。研究表明，当补偿至功率因数接近为1 时，线损最小，若再继续加大电容量，则线损又会增大。目前通过电网改 造和无功补偿设备的应用，线损率逐年下降，但总体依然偏高。
现有采用的无功补偿方法主要是在电网运行中，根据获得的电网信息 数据，进行实时补偿，如CN113922386 A一种智能无功补偿方法，以及 CN109921433 A一种高压智能无功补偿系统及其补偿方法，虽然能够实现 无功补偿，但是成本高，准确率低。
发明内容
针对上述现有技术中存在的不足，本发明提供了一种以线损最小为优 化目标的智能无功补偿方法，其以线损最小为优化目标，实现对最佳无功 功率补偿值的预测。
针对有功功率和线损数据的特征，本发明采用以CNN及LSTM网络为核 心的深度学习模型架构对数据进行预测，并在精准预测出有功功率和线损 的基础上迭代优化，得到使线损最小的无功功率补偿值。实验结果表明： 关联高纬度历史数据，基于CNN-LSTM深度学习模型预测有功功率P和线损 ΔP，并在此基础上迭代优化得到使线损最小的无功功率补偿值，理论线损 率降低明显。本发明提出的方法对在电网中降低线损率有着很好的性能和推广应用前景，该方法可在后续的研究中持续优化，并投入实际应用。
为实现上述目的，本发明具体地技术方案如下：
一种以线损最小为优化目标的智能无功补偿方法，无功补偿方法包括 如下步骤：
步骤一：通过对原有电力相关数据进行清洗，获得多条时序数据，建 立无功补偿时序数据集；
步骤二：构建CNN-LSTM深度学习模型；
以CNN神经网络和LSTM网络为核心构建CNN-LSTM深度学习模型，通 过CNN神经网络在无功补偿时序数据集中提取原始时间序列的特征信息， 特征信息带有反应有功功率及线损变化的相关数据特征；LSTM网络根据CNN 神经网络提取的特征信息对有功功率和线损进行预测；
步骤三：基于CNN-LSTM深度学习模型进行训练与测试，绘制预测的有 功功率P和线损ΔP的训练集和测试集，根据训练集和测试集显示的预测的 有功功率P和线损ΔP趋势，预测出有功功率P和线损ΔP；
步骤四：计算线损最小的无功功率补偿值；
在精准预测的有功功率P和线损ΔP基础上通过迭代优化得到使线损最 小的无功功率补偿值。
进一步地，在步骤二中构建CNN-LSTM深度学习模型的架构，用于时间 序列的预测，架构包括CNN神经网络、LSTM网络和AR模型；CNN神经网络 采用卷积神经网络；LSTM网络采用长短期记忆网络；AR模型为线性自回归 模型；
LSTM网络的预测层基于长短期记忆网络，同时结合当前日期和过去几 天历史数据，提取输入数据的短期特征和长期特征，并基于短期特征和长 期特征对有功功率P和线损ΔP进行精准预测。
进一步地，卷积神经网络包括卷积层和池化层；CNN神经网络通过对无 功补偿时序数据集中的数据进行多次卷积层与池化层的堆叠后提取出特征 信息。
进一步地，长短期记忆网络通过在隐含层中添加遗忘门、输入门、输 出门，用以挖掘时间序列中信息的时序依从关系。
进一步地，采用CNN-LSTM深度学习模型架构进行数据预测，包括如下 步骤：
步骤2.11、将卷积神经网络设置在LSTM网络模型的顶层，通过卷积层 提取时间维度上的短期模式以及原始时间序列的特征信息；X为模型输入的 线损率、输入电量、输出电量、售电量、损失电量列向量，卷积核向下平 移运动，经过卷积运算后得到b；
步骤2.12、采用最大池化方式得到特征图谱d；
步骤2.13、多个卷积层和池化层交替连接,逐层提取输入信息,堆叠后 得到特征信息d′；
步骤2.14、将特征信息d′输入LSTM网络，LSTM网络在隐含层中设有 记忆单元,(t-1)时刻的隐含层信息通过隐含层的记忆单元H和C分别传递 到t时刻的隐含层神经元中；
步骤2.15、CNN-LSTM深度学习模型架构对某时刻有功功率P和线损ΔP 的最终预测分解为线性部分和非线性部分，非线性部分为CNN神经网络的 预测结果，线性部分由AR模型输出。
进一步地，LSTM网络采用门控制机制进行精准预测，包括选择性遗忘 阶段、选择性记忆阶段和预测阶段，LSTM网络的各部分均称为细胞。
进一步地，LSTM网络算法具体如下：
步骤2.21、对步骤2.1传入的(t-1)时刻LSTM细胞的隐含层信息Ct-1利 用遗忘门σf滤除无关信息保留有用信息，其中，σf表示sigmod函数；
步骤2.22、基于记忆门σi提取当前状态参数特征信息；
步骤2.23、基于细胞状态，确定输出的值。
进一步地，在步骤四中，计算线损最小的无功功率补偿值步骤如下：
步骤4.1、根据受约束的非线性优化目标函数公式进行受约束优化；
受约束的非线性优化目标函数公式为：
其中Q*为使得线损最小的无功功率补偿值，ΔP为线损，P为有功功率， Q为无功功率，
定义为反应线路特征的线路常数；
步骤4.2、在初步预测得到有功功率P和线损ΔP的基础上，根据季节 性历史数据统计分析，定义反应线路特征的线路常数
取约束条件 
预测出下一时段使得线损最小的无功功率补偿值。
进一步地，在步骤一中通过对时序数据进行标准化、归一化处理完成 数据的清洗。
进一步地，在步骤一中对时序数据的清洗步骤如下：
步骤1.1：对多个时序数据的参数值进行标准化处理；
电力线路的多个电气特征参数构成的向量X＝(x1 x2 … xi … xn)；
其中，电气特征参数包括：输入电量、输出电量、售电量、损失电量，xi为电力线路的某一日的第i个电气特征值，i＝1、2、3、4，电气特征向量 X做z-score标准化处理：
其中，x′i为标准化后电力线路的电气特征值，xi为实际电力线路的电气 特征值，
为电力线路某一日电气特征参数的数学期望，s为电力线路某一 日电气特征参数的标准差；
步骤1.2：对线损率进行归一化处理；
设第i天电力线路的实际线损率为di，对实际线损率di进行归一化处理 如下：
其中，d′i为第i天电力线路的线损率归一化后的值，dmax为数据集中线 损率的最大值，dmin为数据集中线损率的最小值，α、β为常数，且满足0.9 ＜α＜1，0＜β＜0.1。
本发明的有益效果：
本发明公开了以线损最小为优化目标的智能无功补偿方法，其使用 CNN-LSTM深度学习模型进行精准预测，利用卷积核和池化层的堆叠作用， 提取电力相关数据的特征信息作为LSTM网络的输入,最终得到有功功率P 和线损ΔP的预测结果，之后根据受约束的非线性优化目标函数公式进行受 约束优化，计算出的无功功率补偿值使得补偿后的线损率明显减小。
与目前配电网中广泛使用的无功补偿设备相比本发明的优势主要体现 在以下两个方面：
(1)预测准确度高。本发明提出的CNN-LSTM深度学习模型，使用卷 积运算和池化层非线性下采样的方式,有效挖掘出电力相关数据所蕴含的 特征信息,并减少输入到LSTM网络的冗余信息，同时结合了卷积神经网络、 LSTM网络以及线性自回归模型的优点，提高了预测结果的准确度，预测出 的有功功率和线损的值准确度达到90％以上，相比于仅使用LSTM网络进行 预测准确度提高了15％左右。
(2)智能无功补偿。本发明相较传统的无功补偿设备，采用人工智能 的方法智能预测出使得线损率最低的无功补偿值，成本较低且可以带来较 大的效益。
附图说明
图1为本发明以线损最小为优化目标的智能无功补偿方法步骤图；
图2为本发明的模型架构图；
图3为本发明有功功率P和线损ΔP训练集预测趋势图；
图4为本发明有功功率P和线损ΔP测试集预测趋势图。
具体实施方式
下面结合说明书附图和实施例，对本发明的具体实施方式作进一步详 细描述。以下实施例仅用于说明本发明，但不用来限制本发明的范围。
本申请文件中的上、下、左、右、内、外、前端、后端、头部、尾部 等方位或位置关系用语是基于附图所示的方位或位置关系而建立的。附图 不同，则相应的位置关系也有可能随之发生变化，故不能以此理解为对保 护范围的限定。
本发明中，术语“安装”、“相连”、“相接”、“连接”、“固定” 等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，也可以 是一体地连接，也可以是机械连接，也可以是电连接或可以相互通信，也 可以是直接连接，也可以是通过中间媒介间接连接，可以是两个元器件内 部的联通，也可以是两个元器件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本实施例记载了一种以线损最小为优化目标的智能无功补偿方法，其针 对有功功率和线损数据的特征，基于Pytorch深度学习框架开发(开发平 台)以CNN及LSTM网络为核心架构的深度学习模型，对有功功率和线损进 行预测，并在精准预测出有功功率和线损的基础上迭代优化得到使线损最 小的无功功率补偿值。
本实施例的智能无功补偿方法步骤如图1所示，主要包括如下步骤：
步骤一：建立智能无功补偿时序数据集。
我们采用“10kV御河北2号线414”1年的时间、有功、无功、线损等 构成的高纬度数据采用CNN-LSTM深度学习模型进行了训练和测试。
通过缩放特征值，处理极端、离群及重复数据等方法对原有的数据进行 清洗，构成5386条数据，其涵盖了多种因素共同影响下的时序数据，为后 续CNN-LSTM深度学习模型训练提供了数据支撑，部分数据如表1所示。
表1为清洗后的时序数据
| 日期 | 线损率 | 输入电量 | 输出电量 | 售电量 | 损失电量 |
| 2020/7/1 | 2.6321 | 49731.6 | 16060.1 | 30593 | 1309 |
| 2020/7/2 | 3.9389 | 50750.8 | 16124.2 | 30312 | 1999 |
| 2020/7/3 | 3.8837 | 45317.5 | 15475.3 | 30915 | 1760 |
| 2020/7/4 | 2.3669 | 48967.3 | 15621.9 | 33639 | 1159 |
| 2020/7/5 | 4.3803 | 47667.5 | 15545.9 | 32866 | 2088 |
| 2020/7/6 | 2.4269 | 48456.4 | 15573.2 | 31648 | 1176 |
| 2020/7/7 | 2.7856 | 47960.5 | 15559.4 | 31470 | 1336 |
| 2020/7/8 | 3.4228 | 48702.4 | 15902 | 31429 | 1667 |
| 2020/7/9 | 2.7721 | 45597.5 | 15211.4 | 30025 | 1264 |
| 2020/7/10 | 2.3482 | 47654.1 | 15247.4 | 30818 | 1119 |
| 2020/7/11 | 2.6474 | 47253.3 | 15548.9 | 32823 | 1251 |
| 2020/7/12 | 4.1027 | 45092 | 15050.8 | 31998 | 1850 |
| 2020/7/13 | 2.4770 | 47355.7 | 16027.5 | 30304 | 1173 |
| 2020/7/14 | 4.2437 | 46799.1 | 14806.3 | 30877 | 1986 |
| 2020/7/15 | 4.5442 | 45310.8 | 15954.1 | 30449 | 2059 |
| 2020/7/16 | 3.0051 | 45855.3 | 15318.8 | 33470 | 1378 |
| 202077/17 | 3.8767 | 49836.5 | 16171.9 | 31031 | 1932 |
| 2020/7/18 | 3.0107 | 45603.6 | 15299.1 | 31142 | 1373 |
| 2020/7/19 | 4.3762 | 46090.7 | 14842.2 | 33003 | 2017 |
| 2020/7/20 | 3.7415 | 49285.1 | 15887.3 | 33927 | 1844 |
| 2020/7/21 | 3.2417 | 50189.6 | 14924.3 | 30626 | 1627 |
| 2020/7/22 | 2.5236 | 48501.7 | 16062.9 | 33999 | 1224 |
| 2020/7/23 | 3.7150 | 45033.3 | 15369.7 | 32660 | 1673 |
| 2020/7/24 | 3.9265 | 49203.6 | 15248.9 | 30704 | 1932 |
| 2020/7/25 | 2.7691 | 49076.5 | 14815.4 | 31187 | 1359 |
| 2020/7/26 | 4.4579 | 46097.5 | 15288.1 | 33156 | 2055 |
| 2020/7/27 | 4.4273 | 45986.9 | 16102.8 | 31080 | 2036 |
| 2020/7/28 | 2.6020 | 50383.4 | 15919 | 33280 | 1311 |
本实施例通过对时序数据进行标准化、归一化处理完成数据的清洗； 具体地：
根据智能无功补偿时序数据集确定电力线路影响有功功率及线损的多 个电气特征参数，将多个电气特征参数的参数值进行标准化处理，将线损 率进行归一化处理。标准化可以将数据按比例缩放，使之落入一个小的特 定区间，一般目的在于：去除数据的单位限制，转化为无量纲的纯数值， 便于不同单位或量级的指标能够进行比较和加权。归一化使得预处理的数 据被限定在一定的范围内(比如[0,1]或者[-1,1])，从而减小奇异样本数据导致的不良影响。
步骤1.1：对多个时序数据的参数值进行标准化处理。
具体过程包括：电力线路的多个电气特征参数构成的向量X如下述公 式所示：X＝(x1 x2 … xi … xn)；
其中，电气特征参数包括：输入电量、输出电量、售电量、损失电量， xi为电力线路的某一日的第i个电气特征值，i＝1、2、3、4，先对此电气特 征向量X做z-score标准化处理：
其中，x′i为标准化后电力线路的电气特征值，xi为实际电力线路的电气 特征值，
为电力线路某一日电气特征参数的数学期望，s为电力线路某一 日电气特征参数的标准差。
对其中七日的电气特征参数进行标准化处理，结果如下表2：
| 日期 | 输入电量 | 输出电量 | 售电量 | 损失电量 |
| 2020/7/1 | 1.366881 | -0.51192 | 0.439728 | -1.29469 |
| 2020/7/2 | 1.385166 | -0.50684 | 0.408983 | -1.28731 |
| 2020/7/3 | 1.429622 | -0.46513 | 0.3161 | -1.28059 |
| 2020/7/4 | 1.330273 | -0.49044 | 0.484847 | -1.32468 |
| 2020/7/5 | 1.372863 | -0.52246 | 0.435235 | -1.28563 |
| 2020/7/6 | 1.293875 | -0.51056 | 0.546007 | -1.32932 |
| 2020/7/7 | 1.353694 | -0.45665 | 0.433702 | -1.33075 |
步骤1.2：对线损率进行归一化处理。
具体过程包括：设第i天电力线路的实际线损率为di，对实际线损率di进行归一化处理如下：
其中，d′i为第i天电力线路的线损率归一化后的值，dmax为数据集中线 损率的最大值，dmin为数据集中线损率的最小值，α、β为常数，且满足0.9 ＜α＜1，0＜β＜0.1。
对上述线路的线损率进行归一化处理，部分归一化结果如下表3：
步骤二：构建CNN-LSTM深度学习模型。
针对人工智能分析方法预测有功功率和线损，以CNN神经网络和LSTM 网络为核心构建CNN-LSTM深度学习模型来预测有功功率和线损数据。
CNN-LSTM深度学习模型通过CNN神经网络在无功补偿时序数据集中提 取原始时间序列的特征信息，提取的特征信息携带着更加明显反应有功功 率及线损变化的相关数据特征，有利于提高LSTM网络的学习效率和预测准 确性，采用本CNN-LSTM深度学习模型预测出的有功功率和线损值的准确度 达到90％以上，相比于仅使用LSTM网络进行预测准确度提高了15％左右。 LSTM网络根据CNN神经网络提取的特征信息对有功功率和线损进行预测， 而预测有功功率和线损属于多变量时间序列关联，即除了时间依赖外，还 有风速、风向等其他因素共同影响结果的发生。而LSTM网络在多变量时间 序列预测上的表现效果要优于传统的线性方法。
2.1构建CNN-LSTM深度学习模型架构
该CNN-LSTM深度学习模型架构专门用于时间序列的预测，该CNN-LSTM 深度学习模型具有如下3个单元：
CNN神经网络，CNN神经网络采用卷积神经网络，卷积神经网络是一种 深度神经网络，在结构上主要由输入层、卷积层、池化层、全连接层、输 出层等构成。CNN神经网络主要通过对无功补偿时序数据集中的数据进行若 干次卷积层与池化层的堆叠后提取出特征信息，从而获得有功功率及线损 的相关数据；
LSTM网络，LSTM网络采用长短期记忆网络，长短期记忆网络通过在隐 含层中添加遗忘门、输入门、输出门，来有效地挖掘时间序列中信息的时 序依从关系；
Autoregresssive(AR模型)：由于卷积和递归分量的非线性性质，CNN 神经网络的输出规模对输入规模不敏感，本方法采用线性自回归模型来解 决这一缺陷，线性自回归模型作为AR模型，如图2所示，将CNN-LSTM深 度学习模型的最终预测结果分解为线性部分和非线性部分。
采用CNN-LSTM深度学习模型架构进行数据预测，具体过程如图2所示， 包括：
步骤2.11：将卷积神经网络设置在整个LSTM网络模型的顶层，卷积 层的目标是提取时间维度上的短期模式以及原始时间序列的特征信息。X为 模型输入的线损率、输入电量、输出电量、售电量、损失电量等列向量， 大小为1×5，移动步长为2，卷积核向下平移运动，经过卷积运算后得到b。
步骤2.12：采用最大池化方式(池化层大小为1×2)得到特征图谱 d。池化层是非线性下采样的一种形式,最大池化方式是对邻域内特征点取 最大值。本方法通过最大池方式对数据进行降维,从而减少了网络的参数， 降低网络的复杂度。
步骤2.13：多个卷积层和池化层交替连接,逐层提取输入信息,堆叠 后得到的特征信息d′，数据维度得到一定的缩减。
步骤2.14：将步骤2.13中的特征信息d′输入LSTM网络，该LSTM 网络在隐含层中设有记忆单元,(t-1)时刻的隐含层信息(其是经过多层神 经网络处理后的数据)会通过隐含层的记忆单元H和C分别传递到t时刻 的隐含层神经元中,从而描述时间序列之间的长期相关性。
步骤2.15：将该CNN-LSTM深度学习模型架构的最终预测分解为线性 部分和非线性部分，神经网络部分作为非线性组件，AR模型作为线性组件。 整合神经网络部分的预测结果Y1和AR模型的输出Y2，获得CNN-LSTM深度学 习模型的最终预测：Y＝Y1+Y2，其中Y表示某时刻有功功率P和线损ΔP的最 终预测。
2.2LSTM网络设计在上述2.1所述的CNN-LSTM深度学习模型架构 中，LSTM网络预测层基于长短期记忆网络(LSTM)，同时考虑当前日期和 过去几天历史数据，从而提取输入数据的短期特征和长期特征，基于此进 行精准预测。
LSTM网络采用门控制机制进行精准预测，包括选择性遗忘阶段、选 择性记忆阶段和预测阶段，LSTM网络的单个部分可称为细胞。LSTM网络算 法具体如下：
步骤2.21：对传入的(t-1)时刻LSTM细胞的隐含层信息Ct-1利用遗忘 门σf滤除上文中的无关信息保留有用信息，具体为：读取Ht-1和Xt，输出一 个在0到1之间的数值给每个在细胞状态Ct-1中的数字，1表示“完全保留”， 0表示“完全舍弃”。其中Ht-1表示的是上一个细胞的输出，Xt表示的是当 前细胞的输入，σf表示sigmod函数。
步骤2.22：基于记忆门σi提取当前状态参数特征信息，具体为：将 步骤2.21中旧的细胞状态Ct-1利用遗忘门σf过滤后保留的有用信息，与经 过σi层和tanh层处理后所得结果相乘后的结果相加，得到新的候选值，其 将根据决定更新每个状态的程度进行变化，之后旧的细胞状态Ct-1将被更新 为新的细胞状态Ct。其中记忆门σi决定哪些信息需要更新，tanh层生成一 个备选的用来更新的向量。
步骤2.23：确定输出的值，这个输出基于细胞状态，具体为：通过 输出门σ°确定细胞状态的哪个部分将被输出，之后把细胞状态通过tanh层 进行处理得到一个在-1到1之间的值，将它和输出门的输出相乘，相乘 后的值即为最终确认输出的值。
步骤三：基于CNN-LSTM深度学习模型进行训练和推理，精准预测有功 功率P和线损ΔP。
基于本方法构建的CNN-LSTM深度学习模型架构进行训练与测试，绘制 预测的有功功率P和线损ΔP的训练集和测试集。
预测的有功功率P和线损ΔP趋势在训练集和测试集的结果如图3、4所 示，通过分析，可以看出预测趋势图趋于收敛，经推理可进一步精准的预 测出有功功率P和线损ΔP。
步骤四：计算线损最小的无功功率补偿值。
在精准预测出有功功率P和线损ΔP的基础上迭代优化得到使线损最小 的无功功率补偿值。
步骤4.1根据受约束的非线性优化目标函数公式进行受约束优化。受 约束的非线性优化目标函数公式可表示为公式(1)：
其中Q*为使得线损最小的无功功率补偿值，ΔP为线损，P为有功功率，Q为无功功率，
定义为反应线路特征的线路常数。
ΔP(Q)为无功功率补偿值为Q时的线损值，ΔP(Q)的推导如下：
功率因数定义为：
其中，P为有功功率，有功功率由上述步骤三预测出，S为视在功率， 视在功率通过表一的输入电量除以时间“24h”求得，视在功率S定义为：
其中,Q为无功功率，将前述P及S代入3求得。
线路功率损失定义为
将公式(3)代入公式(2)得到
再将
带入公式(4)，可得
线路功率损失为：
步骤4.2：在初步预测得到有功功率P和线损ΔP的基础上，根据季节 性历史数据统计分析，定义反应线路特征的线路常数
如表4所示。
表4依赖季节特性的线路特征常数
| 一季度 | 二季度 | 三季度 | 四季度 |
| 0.0011303678913171498 | 0.0011743717401433691 | 0.0011883521409505795 | 0.0013685555320589408 |
取约束条件
预测出下一时段使得线损最小的无功功率补偿 值，结果如表5所示：
表5无功补偿值预测结果
由分析表中数据可知，预测出的无功功率补偿值使得无功补偿后的线 损率明显小于原来线损率。
虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描 述，本领域技术人员应该理解，上述实施例仅仅是对本发明的示意性实现 方式的解释，并非对本发明包含范围的限定。实施例中的细节并不构成对 本发明范围的限制，在不背离本发明的精神和范围的情况下，任何基于本 发明技术方案的等效变换、简单替换等显而易见的改变，均落在本发明保 护范围之内。
Claims (10)
1.一种以线损最小为优化目标的智能无功补偿方法，其特征在于，无功补偿方法包括如下步骤：
步骤一：通过对原有电力相关数据进行清洗，获得多条时序数据，建立无功补偿时序数据集；
步骤二：构建CNN-LSTM深度学习模型；
以CNN神经网络和LSTM网络为核心构建CNN-LSTM深度学习模型，通过CNN神经网络在无功补偿时序数据集中提取原始时间序列的特征信息，特征信息带有反应有功功率及线损变化的相关数据特征；LSTM网络根据CNN神经网络提取的特征信息对有功功率和线损进行预测；
步骤三：基于CNN-LSTM深度学习模型进行训练与测试，绘制预测的有功功率P和线损ΔP的训练集和测试集，根据训练集和测试集显示的预测的有功功率P和线损ΔP趋势，预测出有功功率P和线损ΔP；
步骤四：计算线损最小的无功功率补偿值；
在精准预测的有功功率P和线损ΔP基础上通过迭代优化得到使线损最小的无功功率补偿值。
2.根据权利要求1所述的以线损最小为优化目标的智能无功补偿方法，其特征在于其特征在于，在步骤二中构建CNN-LSTM深度学习模型的架构，用于时间序列的预测，架构包括CNN神经网络、LSTM网络和AR模型；CNN神经网络采用卷积神经网络；LSTM网络采用长短期记忆网络；AR模型为线性自回归模型；
LSTM网络的预测层基于长短期记忆网络，同时结合当前日期和过去几天历史数据，提取输入数据的短期特征和长期特征，并基于短期特征和长期特征对有功功率P和线损ΔP进行精准预测。
3.根据权利要求2所述的以线损最小为优化目标的智能无功补偿方法，其特征在于，卷积神经网络包括卷积层和池化层；CNN神经网络通过对无功补偿时序数据集中的数据进行多次卷积层与池化层的堆叠后提取出特征信息。
4.根据权利要求2所述的以线损最小为优化目标的智能无功补偿方法，其特征在于，长短期记忆网络通过在隐含层中添加遗忘门、输入门、输出门，用以挖掘时间序列中信息的时序依从关系。
5.根据权利要求2所述的以线损最小为优化目标的智能无功补偿方法，其特征在于，采用CNN-LSTM深度学习模型架构进行数据预测，包括如下步骤：
步骤2.11、将卷积神经网络设置在LSTM网络模型的顶层，通过卷积层提取时间维度上的短期模式以及原始时间序列的特征信息；X为模型输入的线损率、输入电量、输出电量、售电量、损失电量列向量，卷积核向下平移运动，经过卷积运算后得到b；
步骤2.12、采用最大池化方式得到特征图谱d；
步骤2.13、多个卷积层和池化层交替连接,逐层提取输入信息,堆叠后得到特征信息d′；
步骤2.14、将特征信息d′输入LSTM网络，LSTM网络在隐含层中设有记忆单元,(t-1)时刻的隐含层信息通过隐含层的记忆单元H和C分别传递到t时刻的隐含层神经元中；
步骤2.15、CNN-LSTM深度学习模型架构对某时刻有功功率P和线损ΔP的最终预测分解为线性部分和非线性部分，非线性部分为CNN神经网络的预测结果，线性部分由AR模型输出。
6.根据权利要求2所述的以线损最小为优化目标的智能无功补偿方法，其特征在于，LSTM网络采用门控制机制进行精准预测，包括选择性遗忘阶段、选择性记忆阶段和预测阶段，LSTM网络的各部分均称为细胞。
7.根据权利要求6所述的以线损最小为优化目标的智能无功补偿方法，其特征在于，LSTM网络算法具体如下：
步骤2.21、对步骤2.1传入的(t-1)时刻LSTM细胞的隐含层信息Ct-1利用遗忘门σf滤除无关信息保留有用信息，其中，σf表示sigmod函数；
步骤2.22、基于记忆门σi提取当前状态参数特征信息；
步骤2.23、基于细胞状态，确定输出的值。
8.根据权利要求1所述的以线损最小为优化目标的智能无功补偿方法，其特征在于，在步骤四中，计算线损最小的无功功率补偿值步骤如下：
步骤4.1、根据受约束的非线性优化目标函数公式进行受约束优化；
受约束的非线性优化目标函数公式为：
其中Q*为使得线损最小的无功功率补偿值，ΔP为线损，P为有功功率，Q为无功功率，
定义为反应线路特征的线路常数；
步骤4.2、在初步预测得到有功功率P和线损ΔP的基础上，根据季节性历史数据统计分析，定义反应线路特征的线路常数
取约束条件
预测出下一时段使得线损最小的无功功率补偿值。
9.根据权利要求1所述的以线损最小为优化目标的智能无功补偿方法，其特征在于，在步骤一中通过对时序数据进行标准化、归一化处理完成数据的清洗。
10.根据权利要求9所述的以线损最小为优化目标的智能无功补偿方法，其特征在于，在步骤一中对时序数据的清洗步骤如下：
步骤1.1：对多个时序数据的参数值进行标准化处理；
电力线路的多个电气特征参数构成的向量X＝(x1 x2 … xi … xn)；
其中，电气特征参数包括：输入电量、输出电量、售电量、损失电量，xi为电力线路的某一日的第i个电气特征值，i＝1、2、3、4，电气特征向量X做z-score标准化处理：
其中，x′i为标准化后电力线路的电气特征值，xi为实际电力线路的电气特征值，
为电力线路某一日电气特征参数的数学期望，s为电力线路某一日电气特征参数的标准差；
步骤1.2：对线损率进行归一化处理；
设第i天电力线路的实际线损率为di，对实际线损率di进行归一化处理如下：
其中，d′i为第i天电力线路的线损率归一化后的值，dmax为数据集中线损率的最大值，dmin为数据集中线损率的最小值，α、β为常数，且满足0.9＜α＜1，0＜β＜0.1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211115854.5A CN115759321A (zh) | 2022-09-14 | 2022-09-14 | 一种以线损最小为优化目标的智能无功补偿方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211115854.5A CN115759321A (zh) | 2022-09-14 | 2022-09-14 | 一种以线损最小为优化目标的智能无功补偿方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115759321A true CN115759321A (zh) | 2023-03-07 |
Family
ID=85349867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211115854.5A Withdrawn CN115759321A (zh) | 2022-09-14 | 2022-09-14 | 一种以线损最小为优化目标的智能无功补偿方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115759321A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116054185A (zh) * | 2023-03-30 | 2023-05-02 | 武汉新能源接入装备与技术研究院有限公司 | 一种无功功率补偿器的控制方法 |
| CN116369867A (zh) * | 2023-06-06 | 2023-07-04 | 泉州装备制造研究所 | 一种基于woa-1dcnn-lstm的足底地面反作用力预测方法及系统 |
| CN116760055A (zh) * | 2023-06-07 | 2023-09-15 | 东南大学 | 一种基于神经网络的动态无功补偿方法 |
| CN116930667A (zh) * | 2023-09-15 | 2023-10-24 | 广东电网有限责任公司 | 一种台区电网边缘测试方法、装置、设备及存储介质 |
-
2022
- 2022-09-14 CN CN202211115854.5A patent/CN115759321A/zh not_active Withdrawn
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116054185A (zh) * | 2023-03-30 | 2023-05-02 | 武汉新能源接入装备与技术研究院有限公司 | 一种无功功率补偿器的控制方法 |
| CN116054185B (zh) * | 2023-03-30 | 2023-06-02 | 武汉新能源接入装备与技术研究院有限公司 | 一种无功功率补偿器的控制方法 |
| CN116369867A (zh) * | 2023-06-06 | 2023-07-04 | 泉州装备制造研究所 | 一种基于woa-1dcnn-lstm的足底地面反作用力预测方法及系统 |
| CN116369867B (zh) * | 2023-06-06 | 2023-11-21 | 泉州装备制造研究所 | 一种基于woa-1dcnn-lstm的足底地面反作用力预测方法及系统 |
| CN116760055A (zh) * | 2023-06-07 | 2023-09-15 | 东南大学 | 一种基于神经网络的动态无功补偿方法 |
| CN116760055B (zh) * | 2023-06-07 | 2024-03-12 | 东南大学 | 一种基于神经网络的动态无功补偿方法 |
| CN116930667A (zh) * | 2023-09-15 | 2023-10-24 | 广东电网有限责任公司 | 一种台区电网边缘测试方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115759321A (zh) | 一种以线损最小为优化目标的智能无功补偿方法 | |
| Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
| CN112487702B (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
| CN110598854A (zh) | 一种基于gru模型的台区线损率预测方法 | |
| CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
| CN110738349A (zh) | 基于多模型融合的电网故障抢修时长预测方法 | |
| Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
| CN112668611B (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN111008726A (zh) | 一种电力负荷预测中类图片转换方法 | |
| CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
| CN115688993A (zh) | 一种适用于配电台区的短期电力负荷预测方法 | |
| CN115310669A (zh) | 一种基于二次分解和iwoa-lssvm的超短期风电功率预测方法 | |
| CN116643174A (zh) | 一种电池剩余寿命预测方法 | |
| CN114676814A (zh) | 一种基于satcn-lstm的风功率超短期预测方法 | |
| CN110059737B (zh) | 基于集成深度神经网络的配电变压器连接关系辨识方法 | |
| CN116957698A (zh) | 一种基于改进时序模式注意力机制的电价预测方法 | |
| Liu et al. | Short-term wind power forecasting based on multivariate/multi-step LSTM with temporal feature attention mechanism | |
| CN113434493A (zh) | 一种基于Transformer的非侵入式负荷分解方法 | |
| CN113537556A (zh) | 一种基于状态频率记忆网络的家庭短期负荷预测方法 | |
| CN113449912B (zh) | 一种基于人工智能技术的空间负荷态势感知方法 | |
| CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
| Sim et al. | Temporal Attention Gate Network With Temporal Decomposition for Improved Prediction Accuracy of Univariate Time-Series Data | |
| CN114638421A (zh) | 一种发电机组备件需求的预测方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Shang Wen Inventor after: Tong Xiaoqin Inventor after: Zhao Rui Inventor after: Ma Fei Inventor after: Bai Jingbo Inventor after: Xia Yan Inventor after: Peng Liu Inventor after: Ma Jianghai Inventor after: Jing Chao Inventor before: Shang Wen Inventor before: Tong Xiaoqin Inventor before: Zhao Rui Inventor before: Ma Fei Inventor before: Bai Jingbo Inventor before: Xia Yan Inventor before: Peng Liu Inventor before: Ma Jianghai |
|
| CB03 | Change of inventor or designer information | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230307 |