基于聚类LSTM深度学习模型的主动配电网电能质量预测

发布时间：2021-07-10 13:41

　　针对较长时间跨度上电能质量（PQ）数据的时序性和非线性特点,提出一种基于K-means聚类和长短期记忆（LSTM）网络的主动配电网（ADN）电能质量预测方法。在构建LSTM深度学习模型的基础上,将大量的电能质量历史数据、环境因素及负荷数据以多维向量的形式进行K-means聚类,并针对每一类数据集分别使用LSTM模型进行网络的训练和性能评估,然后利用完成训练和评估的聚类LSTM网络模型进行主动配电网电能质量稳态指标项的预测。最后,通过IEEE-13节点含分布式电源的主动配电网仿真算例,分析验证了所提聚类LSTM网络法比时间序列预测法、反向传播（BP）神经网络法和标准LSTM网络法具有更优的预测性能。 

【文章来源】：高技术通讯. 2020,30(07)北大核心

【文章页数】：11 页

【部分图文】：

基于聚类LSTM模型的PQ预测系统框架

LSTM神经网络由一个个内部结构相同的LSTM细胞单元链接而成,如图2所示。在整个LSTM网络结构中, LSTM单元细胞状态{…, Ct-1, Ct, Ct+1,…}最为关键。图2中上方从左贯穿到右的水平线像传送带一样,将信息从上一个细胞单元传送至下一个细胞单元,且和细胞单元中其他部分仅有很少的线性关联。LSTM细胞单元内部结构中,网络依靠一些“门”结构让信息有选择性地影响循环神经网络中每个时刻的状态[18]。“门”是一种能够使信息选择性通过的结构,由一个输出值在[0,1]区间Sigmoid函数和点乘操作符组成,每个LSTM细胞单元均包含遗忘门、输入门、输出门,其各自的核心构造、作用可由式(3)～(8)表征[19]。遗忘门(forget gate)本质是以上一个单元输出ht-1和本单元输入xt为输入的Sigmoid函数,其为Ct-1中的每一项产生一个在[0,1]内的值,用以控制上一单元状态被遗忘的程度。 图2中,ft 为Sigmoid函数的输出序列:

式中, it、 C ? t、ot的形式与ft相同,但其各自的权重系数矩阵{Wi, Wc, Wo}及偏置项{bi, bc, bo}与ft完全不同;Sigmoid和tanh函数分别用以将输入连续实值“压缩”到[0,1]和[-1,1]之间一定范围,其各自的函数曲线如图3所示。2.3 BPTT与Adam算法

【参考文献】：
期刊论文
[1]基于CNN-LSTM混合神经网络模型的短期负荷预测方法[J]. 陆继翔,张琪培,杨志宏,涂孟夫,陆进军,彭晖.  电力系统自动化. 2019(08)
[2]LSTM Based Reserve Prediction for Bank Outlets[J]. Yu Liu,Shuting Dong,Mingming Lu,Jianxin Wang.  Tsinghua Science and Technology. 2019(01)
[3]基于深度学习分位数回归模型的风电功率概率密度预测[J]. 李彬,彭曙蓉,彭君哲,黄士峻,郑国栋.  电力自动化设备. 2018(09)
[4]VMD-LSTM算法在短期负荷预测中的应用[J]. 胡欣球,马立新.  电力科学与工程. 2018(06)
[5]基于长短期记忆网络的风电场发电功率超短期预测[J]. 朱乔木,李弘毅,王子琪,陈金富,王博.  电网技术. 2017(12)
[6]深度学习框架下LSTM网络在短期电力负荷预测中的应用[J]. 陈亮,王震,王刚.  电力信息与通信技术. 2017(05)
[7]大数据下的深度学习研究[J]. 王金甲,陈浩,刘青玉.  高技术通讯. 2017(01)
[8]主动配电网中的电能质量解决方案 访江苏省电力公司电力科学研究院电网技术中心副主任袁哓冬[J]. 杨帆.  电气应用. 2015(23)
[9]电能质量预测与预警机制及其应用[J]. 丁泽俊,刘平,欧阳森,曾江,黄瑞艺.  电力系统及其自动化学报. 2015(10)
[10]主动配电网现状与未来发展[J]. 赵波,王财胜,周金辉,赵俊晖,杨野青,余金龙.  电力系统自动化. 2014(18)



本文编号：3276017