CN116384525A - 一种基于含光伏配电网的电能质量扰动预测方法 - Google Patents
一种基于含光伏配电网的电能质量扰动预测方法 Download PDFInfo
- Publication number
- CN116384525A CN116384525A CN202211513680.8A CN202211513680A CN116384525A CN 116384525 A CN116384525 A CN 116384525A CN 202211513680 A CN202211513680 A CN 202211513680A CN 116384525 A CN116384525 A CN 116384525A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- input
- photovoltaic
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000007246 mechanism Effects 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 22
- 238000012795 verification Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 claims description 2
- 238000010835 comparative analysis Methods 0.000 claims description 2
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000006731 degradation reaction Methods 0.000 claims description 2
- 238000005538 encapsulation Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000011056 performance test Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000005286 illumination Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000012706 support-vector machine Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract description 3
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
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
- G06N3/08—Learning methods
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
该含光伏配电网的电能质量扰动预测方法解决了其他方法对大规模数据难以实施、建模复杂、运行缓慢的问题,优势在于:1)步骤3利用深度学习方法建立了基于LSTM的编解码器模型的含光伏配电网电能质量扰动预测模型,解决了BP神经网络模型结构难确定、训练速度慢、预测精度低的问题,实现了对含光伏配电网的电能质量扰动的有效预测;2)步骤3中所构建模型使用深度学习方法,无需人工提取特征,解决了支持向量机等传统机器学习方法对大规模训练样本难以实施的问题。
Description
技术领域
本发明属于电气工程和电能质量监测领域,涉及一种基于含光伏配电网的电能质量扰动预测方法。
背景技术
主动配电网作为充分利用分布式能源的一种有效形式,能够提高分布式可再生能源的利用率,已经成为国内外研究的热点。风力发电、光伏发电等间歇式分布式电源、波动性负荷以及高比例的电力电子换流器(如逆变器、电动汽车充电装置、固态切换开关等)的应用,造成诸多种类电能质量问题并存,使得含高渗透率分布式电源的主动配电网中电能质量问题(谐波、电压暂降/暂升、短时中断、电压波动与闪变、不平衡等)更为复杂且突出。特别的在交直流混合主动配电网中,不仅在同一地点多类电能质量问题存在相互耦合,而且交流和直流之间还存在耦合以及相互作用,使得在交直流混合主动配电网中的电能质量问题显得异常复杂,而这些复杂的电能质量问题不仅影响主动配电网本身的安全稳定运行,同时还有可能造成重大的经济损失。
由于含有分布式电源的配电网具有较大的波动性、随机性和较多的控制模式,含分布式电源配电网中的电能质量更加严重。若能对含分布式电源配电网的电能质量进定程度上的预测,那系统便可根据电能质量预测结果进行有效的预防和改善,从而进一步保障系统安全性和可靠性。
现有的电能质量预测方法如申请公布号为 CN109871976 A 的发明专利申请公开的一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法,其采用k-means聚类算法对神经网络训练集进行分类预处理,对每个类提供不同的预测模型方式完成电能质量预测的,但BP神经网络存有网络结构难确定、训练速度慢、预测精度低的问题;申请公开号为CN115270850A的发明专利提出一种电能质量复合扰动检测方法、检测系统及终端机,但支持向量机对于对大规模训练样本难以实施。由此有必要研发一种新的电能质量扰动预测方法,以解决现有预测方法存有的以上问题。
发明内容
本发明的主要目的在于:提供一种能够解决现有电能质量扰动预测方法存有的建模复杂与运行缓慢方面问题的基于含光伏配电网的电能质量扰动预测方法。
本发明的技术方案为:
一种含光伏配电网的电能质量扰动预测方法,其特征在于:该电能质量扰动预测方法,包括如下步骤:
步骤1,光伏配电网电能质量相关历史数据的获取与特征的选择;
步骤2,数据的预处理:对步骤1获取的数据分别预处理,预处理包括数据非等间隔处理、数据缺失值插补、数据归一化处理和数据集划分;
步骤3,构建含光伏配电网电能质量扰动预测模型;
步骤4,含光伏配电网电能质量扰动预测模型的训练以及时间效率分析和预测能力测试:对步骤3构建的含光伏配电网电能质量扰动预测模型进行训练、对步骤3构建的含光伏配电网电能质量扰动预测模型进行预测能力的测试分析、对步骤3构建的含光伏配电网电能质量扰动预测模型进行时间效率分析;
步骤5,步骤403模型的部署及未来时期的含光伏配电网电能质量扰动预测:选择部署方式对模型进行部署,获取当前时期的输入特征,通过含光伏配电网电能质量扰动预测模型进行预测。
本发明的优点在于:
该含光伏配电网的电能质量扰动预测方法解决了其他方法对大规模数据难以实施、建模复杂、运行缓慢的问题,优势在于:1)步骤3利用深度学习方法建立了基于LSTM的编解码器模型的含光伏配电网电能质量扰动预测模型,解决了BP神经网络模型结构难确定、训练速度慢、预测精度低的问题,实现了对含光伏配电网的电能质量扰动的有效预测;2)步骤3中所构建模型使用深度学习方法,无需人工提取特征,解决了支持向量机等传统机器学习方法对大规模训练样本难以实施的问题。
附图说明
附图1为本发明的流程图;
附图2为本发明中所构建的含光伏配电网电能质量扰动预测模型结构图。
具体实施方式
该电能质量扰动预测方法,包括如下步骤:
步骤1,光伏配电网电能质量相关历史数据的获取与特征的选择:
时间序列指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列;本文所述的目标时间序列为被预测特征的时间序列,外源时间序列为输入特征的时间序列;输入特征指对被预测特征存在一定影响的因素,被预测特征也即所构建预测模型的输出特征;
某一时刻被预测特征的值,应为所有输入特征综合作用的结果;对含光伏配电网的电能质量扰动具有影响的因素众多,需要根据经验选择对扰动影响较大或存在关系的因素作为模型的输入特征,以用来预测电能质量的指标;
获取选择的各特征的相关历史数据,该数据包含目标时间序列与外源时间序列的历史数据,选择的被预测特征包括对应时间的三相不平衡度、总谐波失真率以及电压偏差,选择的输入特征包含:时间、光伏发电厂的光照、温度以及配电网负荷值。
步骤2,数据的预处理:对步骤1获取的数据分别预处理,预处理包括数据非等间隔处理、数据缺失值插补、数据归一化处理和数据集划分;
进一步的,所述步骤2具体包含四个步骤:
步骤201:数据非等间隔处理:对数据中非等间隔的数据之间使用线性内插法进行处理;
步骤202:数据缺失值插补:对时间序列中的缺失值使用均值填充法处理,使用缺失处相邻两个数据的均值代替缺失值进行插补;
步骤203:数据归一化处理:当步骤1中所述的各输入输出特征组合在一起的时候,由于各输入输出特征存在不同的量纲因自身表达方式的不同,而易导致特征的绝对数值上出现大数据将小数据“掩盖”的情况以及采用sigmoid有饱和区的激活函数时易导致陷入饱和区,而对所有特征进行归一化处理,这里采用(0,1)归一法:
记录下各输入输出特征最大的值Max与最小的值Min,将Max-Min作为基数进行特征向量的归一化处理,x为归一化处理前的数据:
步骤204:数据集划分:为利于含光伏配电网电能质量扰动预测模型的训练,防止模型出现过拟合的情况,便于调节模型超参数,同时为了合理地评估验证模型,也同样需要提供数据用以验证,因此需要对数据集进行分割;
将步骤203得到的数据进行分割,从而分割为训练集、验证集及测试集,分割时采用随机抽样的方法进行,为了保证含光伏配电网电能质量扰动预测模型的训练效果以及合理地评估验证模型,训练集、验证集以及测试集分别占总数据集的70%、20%和10%。
步骤3,构建含光伏配电网电能质量扰动预测模型:
本发明的含光伏配电网电能质量扰动预测模型使用基于目标注意力机制和时间注意力机制的编码器解码器框架,编码器中引入目标注意力机制,该机制可以自适应性地选择相关驱动序列,解码器前的时间注意力机制,可使得在所有的时间步长中自动地选择编码器隐藏状态,同时本发明还在编码器中引入改进型卷积机制,从而减少需要手动设置的参数同时也能够较为深入地提取学习到输入特征之间地相关性;
含光伏配电网电能质量扰动预测模型(参见说明书附图2),输入时间序列数据首先由含光伏配电网电能质量扰动预测模型的目标注意力机制在每个时间步选择相应的输入特征,再由改进型卷积机制提取不同输入特征之间的相关性,再通过一个LSTM编码器,其输出再通过时间注意力机制在整个时间步长中选择相应的隐藏层状态,最后由LSTM解码器解码,最终得到输出结果,各部分详细说明如下:
输入时间序列首先经过目标注意力机制,该机制用于对多个输入时间序列进行特征提取,并将他们合为新的输入特征,这使得编码器能够关注输入特征中最重要的那些,而并非对所有输入特征均一视同仁;
含光伏配电网电能质量扰动预测模型需要学习参数用分别表示,编码器的隐藏层的大小由/>来表示,处理/>时的编码器状态用/>表示,再引入点评积分函数使被预测时间序列/>与/>向量之间建立起来联系,即/>表示含光伏配电网电能质量扰动预测模型输入中第/>个特征与被预测特征之间相关性大小;
注意力系数便可以为不同的输入特征赋予一定的权重,为每个时刻的输入序列其中的每个影响因子赋予一定的权重,对输入序列进行合成,合成方式为,
可以简化为
其中
考虑到不同的输入特征之间也可能存在着某种相关性,于是便采用卷积的方式来使含光伏配电网电能质量扰动预测模型学习各个输入特征之间的相互关系,同时也为了减少需要手动设置的参数并能够较为深入地提取学习到输入特征之间地相关性,这里使用了改进型卷积机制;
改进型卷积机制分为卷积层、池化层和Concat层,与常规的CNN卷积神经网络多在最后使用全连接层不同,使用采用Concat层可以解决手动设置某些参数的问题,卷积层的n个卷积核通过输入上一阶段的,输出对应的n个特征图,池化层再对n个特征图进行最大池化
最后经改进型卷积机制中的Concat层进行拼接后输出的结果为
通过目标注意力机制,编码器便可以有选择地关注输入特征中最重要的那些,而不是对所有输入特征均平等处理;
为解决过长输入序列长度导致的编码器解码器性能下降的问题,在本含光伏配电网电能质量扰动预测模型中还引入时间注意力机制来自动选择调整隐藏层的状态;
最终考虑了注意力系数权重以及新的输入序列在t时刻的隐藏状态特征为
步骤4,含光伏配电网电能质量扰动预测模型的超参数设置与训练:用不同的超参数设置对步骤3构建的含光伏配电网电能质量扰动预测模型进行训练、对步骤3构建的含光伏配电网电能质量扰动预测模型进行性能测试分析、使用最佳性能的参数设置进行最终训练;
进一步的,所述步骤4具体包含三个步骤:
步骤401:设定步骤3模型的超参数,时间步长T、编码器以及解码器隐藏单元大小H,设定T的取值集合为{2,4,6,8,10,12},H的取值集合为{16,32,64,128,256},两个参数取值两两组合设置,读取训练集对模型进行训练。
步骤402:对步骤401中的模型进行预测能力的实验分析,读取步骤204所得到的验证集,作为预测能力测试的测试数据输入模型,得到预测结果后,利用RMSE、MES和MAPE作为评价指标进行对比评价,以评估验证构建模型的效果,并更换超参数取值组合重复进行步骤401直至完成所有超参数组合的训练,根据RMSE、MES和MAPE指标选择出多次训练中性能最好的模型并记录其模型的所有参数值以及超参数值。
步骤403:使用步骤402最终得到的性能最好的模型的参数值以及超参数值,读取训练集和验证集作为训练数据进行训练,得到最终的含光伏配电网电能质量扰动预测模型。
步骤5,步骤403模型的部署及未来时期的含光伏配电网电能质量扰动预测:选择部署方式对模型进行部署,获取当前时期的输入特征,通过含光伏配电网电能质量扰动预测模型进行预测;
进一步的,步骤5具体包含两个步骤:
步骤501:对最终得到的预测模型进行部署,使用SDK部署的方式,进行模型准换、模型的量化压缩、模型封装为SDK;
步骤502,未来时期的光伏配电网电能质量扰动预测:
首先读取当前时期的输入特征时间序列,该时间序列作为本实施例步骤4得到的含光伏配电网电能质量扰动预测模型的输入,实施未来时期的光伏配电网电能质量扰动预测,经含光伏配电网电能质量扰动预测模型推理运算,进而得到未来时期的三相不平衡度、总谐波失真率以及电压偏差时间序列。
该含光伏配电网的电能质量扰动预测方法解决了其他方法对大规模数据难以实施、建模复杂、运行缓慢的问题,优势在于:1)步骤3利用深度学习方法建立了基于LSTM的编解码器模型的含光伏配电网电能质量扰动预测模型,解决了BP神经网络模型结构难确定、训练速度慢、预测精度低的问题,实现了对含光伏配电网的电能质量扰动的有效预测;2)步骤3中所构建模型使用深度学习方法,无需人工提取特征,解决了支持向量机等传统机器学习方法对大规模训练样本难以实施的问题。
Claims (4)
1.一种含光伏配电网的电能质量扰动预测方法,其特征在于:该电能质量扰动预测方法,包括如下步骤:
步骤1,光伏配电网电能质量相关历史数据的获取与特征的选择:
时间序列指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列;本文所述的目标时间序列为被预测特征的时间序列,外源时间序列为输入特征的时间序列;输入特征指对被预测特征存在一定影响的因素,被预测特征也即所构建预测模型的输出特征;
某一时刻被预测特征的值,应为所有输入特征综合作用的结果;对含光伏配电网的电能质量扰动具有影响的因素众多,需要根据经验选择对扰动影响较大或存在关系的因素作为模型的输入特征,以用来预测电能质量的指标;
获取选择的各特征的相关历史数据,该数据包含目标时间序列与外源时间序列的历史数据,选择的被预测特征包括对应时间的三相不平衡度、总谐波失真率以及电压偏差,选择的输入特征包含:时间、光伏发电厂的光照、温度以及配电网负荷值;
步骤2,数据的预处理:对步骤1获取的数据分别预处理,预处理包括数据非等间隔处理、数据缺失值插补、数据归一化处理和数据集划分;
步骤3,构建含光伏配电网电能质量扰动预测模型:
本发明的含光伏配电网电能质量扰动预测模型使用基于目标注意力机制和时间注意力机制的编码器解码器框架,编码器中引入目标注意力机制,该机制可以自适应性地选择相关驱动序列,解码器前的时间注意力机制,可使得在所有的时间步长中自动地选择编码器隐藏状态,同时本发明还在编码器中引入改进型卷积机制,从而减少需要手动设置的参数同时也能够较为深入地提取学习到输入特征之间地相关性;
含光伏配电网电能质量扰动预测模型,输入时间序列数据首先由含光伏配电网电能质量扰动预测模型的目标注意力机制在每个时间步选择相应的输入特征,再由改进型卷积机制提取不同输入特征之间的相关性,再通过一个LSTM编码器,其输出再通过时间注意力机制在整个时间步长中选择相应的隐藏层状态,最后由LSTM解码器解码,最终得到输出结果,各部分详细说明如下:
输入时间序列首先经过目标注意力机制,该机制用于对多个输入时间序列进行特征提取,并将他们合为新的输入特征,这使得编码器能够关注输入特征中最重要的那些,而并非对所有输入特征均一视同仁;
含光伏配电网电能质量扰动预测模型需要学习参数用分别表示,编码器的隐藏层的大小由/>来表示,处理/>时的编码器状态用/>表示,再引入点评积分函数使被预测时间序列/>与/>向量之间建立起来联系,即/>表示含光伏配电网电能质量扰动预测模型输入中第k个特征与被预测特征之间相关性大小;
注意力系数便可以为不同的输入特征赋予一定的权重,为每个时刻的输入序列其中的每个影响因子赋予一定的权重,对输入序列进行合成,合成方式为,
可以简化为
其中
考虑到不同的输入特征之间也可能存在着某种相关性,于是便采用卷积的方式来使含光伏配电网电能质量扰动预测模型学习各个输入特征之间的相互关系,同时也为了减少需要手动设置的参数并能够较为深入地提取学习到输入特征之间地相关性,这里使用了改进型卷积机制;
改进型卷积机制分为卷积层、池化层和Concat层,与常规的CNN卷积神经网络多在最后使用全连接层不同,使用采用Concat层可以解决手动设置某些参数的问题,卷积层的n个卷积核通过输入上一阶段的,输出对应的n个特征图,池化层再对n个特征图进行最大池化
最后经改进型卷积机制中的Concat层进行拼接后输出的结果为
通过目标注意力机制,编码器便可以有选择地关注输入特征中最重要的那些,而不是对所有输入特征均平等处理;
为解决过长输入序列长度导致的编码器解码器性能下降的问题,在本含光伏配电网电能质量扰动预测模型中还引入时间注意力机制来自动选择调整隐藏层的状态;
最终考虑了注意力系数权重以及新的输入序列在t时刻的隐藏状态特征为
步骤4,含光伏配电网电能质量扰动预测模型的超参数设置与训练:用不同的超参数设置对步骤3构建的含光伏配电网电能质量扰动预测模型进行训练、对步骤3构建的含光伏配电网电能质量扰动预测模型进行性能测试分析、使用最佳性能的参数设置进行最终训练;
步骤5,步骤403模型的部署及未来时期的含光伏配电网电能质量扰动预测:选择部署方式对模型进行部署,获取当前时期的输入特征,通过含光伏配电网电能质量扰动预测模型进行预测。
2.根据权利要求1所述的一种含光伏配电网的电能质量扰动预测方法,其特征在于:所述步骤2具体包含以下四个步骤:
步骤201:数据非等间隔处理:对数据中非等间隔的数据之间使用线性内插法进行处理;
步骤202:数据缺失值插补:对时间序列中的缺失值使用均值填充法处理,使用缺失处相邻两个数据的均值代替缺失值进行插补;
步骤203:数据归一化处理:当步骤1中所述的各输入输出特征组合在一起的时候,由于各输入输出特征存在不同的量纲因自身表达方式的不同,而易导致特征的绝对数值上出现大数据将小数据“掩盖”的情况以及采用sigmoid有饱和区的激活函数时易导致陷入饱和区,而对所有特征进行归一化处理,这里采用(0,1)归一法:
记录下各输入输出特征最大的值Max与最小的值Min,将Max-Min作为基数进行特征向量的归一化处理,x为归一化处理前的数据:
步骤204:数据集划分:为利于含光伏配电网电能质量扰动预测模型的训练,防止模型出现过拟合的情况,便于调节模型超参数,同时为了合理地评估验证模型,也同样需要提供数据用以验证,因此需要对数据集进行分割;
将步骤203得到的数据进行分割,从而分割为训练集、验证集及测试集,分割时采用随机抽样的方法进行,为了保证含光伏配电网电能质量扰动预测模型的训练效果以及合理地评估验证模型,训练集、验证集以及测试集分别占总数据集的70%、20%和10%。
3.根据权利要求1所述的一种含光伏配电网的电能质量扰动预测方法,其特征在于:所述步骤4具体包含三个步骤:
步骤401:设定步骤3模型的超参数,时间步长T、编码器以及解码器隐藏单元大小H,设定T的取值集合为{2,4,6,8,10,12},H的取值集合为{16,32,64,128,256},两个参数取值两两组合设置,读取训练集对模型进行训练;
步骤402:对步骤401中的模型进行预测能力的实验分析,读取步骤204所得到的验证集,作为预测能力测试的测试数据输入模型,得到预测结果后,利用RMSE、MES和MAPE作为评价指标进行对比评价,以评估验证构建模型的效果,并更换超参数取值组合重复进行步骤401直至完成所有超参数组合的训练,根据RMSE、MES和MAPE指标选择出多次训练中性能最好的模型并记录其模型的所有参数值以及超参数值;
步骤403:使用步骤402最终得到的性能最好的模型的参数值以及超参数值,读取训练集和验证集作为训练数据进行训练,得到最终的含光伏配电网电能质量扰动预测模型。
4.根据权利要求1所述的一种含光伏配电网的电能质量扰动预测方法,其特征在于:所述步骤5具体包含两个步骤:
步骤501:对最终得到的预测模型进行部署,使用SDK部署的方式,进行模型准换、模型的量化压缩、模型封装为SDK;
步骤502,未来时期的光伏配电网电能质量扰动预测:
首先读取当前时期的输入特征时间序列,该时间序列作为本实施例步骤4得到的含光伏配电网电能质量扰动预测模型的输入,实施未来时期的光伏配电网电能质量扰动预测,经含光伏配电网电能质量扰动预测模型推理运算,进而得到未来时期的三相不平衡度、总谐波失真率以及电压偏差时间序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211513680.8A CN116384525A (zh) | 2022-11-30 | 2022-11-30 | 一种基于含光伏配电网的电能质量扰动预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211513680.8A CN116384525A (zh) | 2022-11-30 | 2022-11-30 | 一种基于含光伏配电网的电能质量扰动预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116384525A true CN116384525A (zh) | 2023-07-04 |
Family
ID=86975541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211513680.8A Pending CN116384525A (zh) | 2022-11-30 | 2022-11-30 | 一种基于含光伏配电网的电能质量扰动预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116384525A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116995734A (zh) * | 2023-09-27 | 2023-11-03 | 合肥工业大学 | 一种面向新型电网的分布式能源电能质量监测控制评价系统 |
-
2022
- 2022-11-30 CN CN202211513680.8A patent/CN116384525A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116995734A (zh) * | 2023-09-27 | 2023-11-03 | 合肥工业大学 | 一种面向新型电网的分布式能源电能质量监测控制评价系统 |
CN116995734B (zh) * | 2023-09-27 | 2023-12-12 | 合肥工业大学 | 面向电网的分布式能源电能质量监测控制评价系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107591844B (zh) | 考虑节点注入功率不确定性的主动配电网鲁棒重构方法 | |
CN103400052A (zh) | 一种风电场短期风速组合预测方法 | |
CN116384525A (zh) | 一种基于含光伏配电网的电能质量扰动预测方法 | |
CN104978605A (zh) | 基于深度学习网络的大规模风电功率预测系统及方法 | |
Wang et al. | A novel wind power prediction model improved with feature enhancement and autoregressive error compensation | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
Zhang et al. | Joint forecasting of regional wind and solar power based on attention neural network | |
CN117013580A (zh) | 基于预测的储能调控方法及其系统 | |
JP2023143703A (ja) | 電力分配システムの純負荷測定値からの瞬間再生可能発電の抽出 | |
CN116258057A (zh) | 一种基于Transformer进行光伏发电预测分析的方法 | |
CN115146739A (zh) | 基于堆叠时间序列网络的电力变压器故障诊断方法 | |
CN115577748A (zh) | 一种集成挤压激励注意力机制的双通道风电预测方法 | |
CN111753097B (zh) | 基于深度学习的电力现货交易出清的数据分析方法及装置 | |
CN114707713A (zh) | 一种考虑分布式电源影响的低压配电网负荷预测方法 | |
CN114861967A (zh) | 一种电力负荷预测方法、系统、装置及存储介质 | |
CN113808071A (zh) | 基于深度学习的非侵入式负荷监测方法和系统 | |
CN113988686A (zh) | 基于多换流器并网协同控制的柔性配电网控制方法及系统 | |
Ming et al. | Electrical load prediction in energy internet via linear correlation coefficient approach | |
Huang et al. | Photovoltaic Power Prediction Model Based on Weather Forecast | |
Qi | Operation ControlMethod of Relay Protection in Flexible DC Distribution Network Compatible with Distributed Power Supply. | |
Lv et al. | Photovoltaic power forecasting in dunhuang based on recurrent neural network | |
CN110889491A (zh) | 一种基于天气因素的电力负荷的预测方法和预测系统 | |
Fan et al. | Ultra-Short-Term Wind Power Forecasting Based on Fluctuation Pattern Clustering and Prediction | |
Huang et al. | Research on Fault Prognostic of Photovoltaic System Based on LSTM-SA | |
Qi et al. | Transformer Voiceprint Feature Extraction and Fault Recognition Based on MFCC and Deep Learning |
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 |