CN112564098B - 基于时间卷积神经网络的高比例光伏配电网电压预测方法 - Google Patents

Abstract

本发明公开了基于时间卷积神经网络的高比例光伏配电网电压预测方法，包括：步骤1，对原始负荷数据进行数据预处理：基于多时间尺度，采用最大最小区间缩放法对电压时间序列数据进行归一化处理，得到完整的电压序列；步骤2，构造输入特征向量集：基于决策树的极度梯度提升树算法进行特征筛选，构造训练样本集，输出各特征权重，结合权重大小和电压预测模型情况筛选出不同的特征子集；步骤3，建立基于含高比例光伏配电网电压预测构架，训练时间卷积网络预测模型，得到电压预测结果。本发明通过将提取到的特征与时间结合，输入时间卷积神经网络模型的不同通道，得出预测结果，从而达到显著升高配电网电压预测的精度的目的。

Description

基于时间卷积神经网络的高比例光伏配电网电压预测方法

技术领域

本发明涉及含高比例光伏的配电网电压预测领域，具体地说是基于时间卷积神经网络的高比例光伏配电网电压预测方法。

背景技术

在环境问题日益恶化与传统能源紧缺的双重压力下，光伏新能源并网容量迅速增加，随着部分低压配电网的用户分布式光伏接入比例越来高，由此产生的电压波动及越限等问题也愈发严重，这种波动性与间歇性受太阳辐射、天气、温度等环境因素变化较为明显，给分布式光伏大规模并网带来了很多问题，使得高比例分布式光伏配电网压越限和波动的风险加剧，仅依靠传统电压调节手段难以解决。除此之外，高比例的分布式光伏出力突变会导致节点电压波动性更加明显，而且户用光伏产权属于用户，将进一步增加电网运行的不确定性。

随着电网智能化程度的提高，具备通信功能的电表在配电网中被大量使用，使得配电网在运行中积累了大量数据。考虑到光伏发电存在一定的规律性，在如此巨大的数据量中蕴藏着一些潜有价值的信息，而目前并未对其进行有效利用，需要依靠人工智能技术来发掘数据价值。因此从数据驱动的角度出发，对电压变化趋势进行预测，为该问题的解决提供了全新思路。

综上所述，由于电网历史运行数据量的庞大，且电压预测属于时间序列预测范畴具有一定规律性，可应用根据电网信息化运营过程中形成的历史数据，采用大数据预处理并深度挖掘全局无功电压数据的潜在关键信息，为高比例分布式光伏配电网压智能预测技术研究提供可靠的数据集。从数据驱动的角度以人工智能深学习理论开展电压预测研究，探索出新的精度更高的配电网电压预测方法，有助及时解决配电网和分布式源发展过程中出现的技术问题，提升配电网在运行、控制、优化等方面的竞争力。

但是由于深度学习模型结构的“黑箱性”，需要对于电压预测的特征进行筛选工作，降低深度学习模型复杂度，防止过拟合，才能够得到较为理想的预测结果。除此之外，还要深入分析电压预测数据形式，才能寻找能够满足电压数据实际情况的预测方法。

发明内容

为弥补上述现有技术存在的不足，本发明提供基于时间卷积神经网络的高比例光伏配电网的电压预测方法，以达到提高光伏配电网无功电压预测结果的目的。

本发明采用如下的技术方案：基于时间卷积神经网络的高比例光伏配电网电压预测方法，所述方法包括：

步骤1，对原始负荷数据进行数据预处理：基于多时间尺度，采用最大最小区间缩放法对电压时间序列数据进行归一化处理，得到完整的电压序列；

步骤2，构造输入特征向量集：基于决策树的XGBoost算法进行特征筛选，构造训练样本集，输出各特征权重，结合权重大小和电压预测模型情况筛选出不同的特征子集；

步骤3，建立基于含高比例光伏配电网电压预测构架，训练时间卷积神经网络TCN预测模型，将提取的特征向量连接到具有一个全连接隐藏层的神经网络，输出电压预测值。

进一步地，所述步骤1中为了消除电压及功率数据量纲的影响，对原始数据进行无量纲化处理，使得数值置于(0,1)区间，其预处理的归一化公式如下：

式(1)中，v^*(t)为归一化处理后的无功电压数据，v(t)为电压时间序列信号，v_max与v_min分别为无功电压信号的最大值与最小值。

进一步地，所述步骤2具体包含三个步骤：

步骤21：首先根据步骤1中的数据预处理，得到完整的、无量纲化的配电网的节点电压及净功率数据，通过滑动时间窗口对数据采样构建样本特征，设滑动窗口长度为H，滑动步长为1个时间步长，按照时间序列顺序分别得到节点电压特征向量V_i与节点净功率特征向量P_i和对应标签y_i如下：

式(2)中，t为某一时刻点随着整个数据集的选取确定，i为样本编号，V_i与P_i为维度为H的特征向量，向量中各元素为前H个时间点的历史数据，y_i为样本标签，数值为1小时后的电压数据；

步骤22：将离散的时间变量进行独热编码处理后，构造预测时间点的时间特征向量T_i；其中，i为样本编号，T_i代表着y_i对应的预测点的时间信息；

步骤23：将滑动窗口取得的节点电压与净功率向量V_i、P_i与时间特征向量T_i进行串联，得到最终第i个样本的输入特征向量x_i为：

x_i＝[V_i,P_i,T_i](3)

特征向量x_i与标签y_i共同构成XGBoost算法的训练样本集合为：

式(4)中，n为训练样本数量；

XGBoost算法的所有树模型的损失函数L具体表达式如下所示：

式(5)中，n为样本数，y_i为第i个样本标签值，

为第i样本模型预测输出值，在回归问题中，l一般为平方误差函数；其中Ω(b_m)为树模型的复杂度项，即模型正则化项，其计算公式为：

式(6)中，T为单个树模型的叶子结点个数，w为叶子结点输出向量，γ与λ为控制正则化项权重的参数，在算法训练前能够调节；

应用向前分布算法计算思想，初始化一个模型后，进行M轮循环计算，每次优化一棵决策树模型，新增加的树模型使得损失函数L最小；在第t轮计算时，需最小化的目标函数Obj^(t)计算公式为：

式(7)中，b_t为第t轮训练树模型，

为前t-1轮得到加法模型预测输出值，C为一个常数，其值为前t-1轮得到的树模型的复杂度之和，即

Ω(b_t)为第t轮得到的树模型的复杂度；

根据式(7)计算树模型分割节点时的增益，通过对特征遍历来确定使得增益最大的最优分割点，增益Gain计算公式为：

式(8)中，前两项分式分别表示对节点分割左子树与右子树后产生的增益，最后一项为对节点不进行分割时的增益；通过该增益能够来优化树模型结构，进而得到使损失函数达到较小的学习模型。

进一步地，所述步骤3具体包含三个步骤：

构建基于TCN的电压预测模型，包含输入层，输出层及残差模块；

步骤31：构建电压预测的输入特征集：由步骤2得到提取到的特征向量：节点向量、净功率，以及时间向量；其中，为了对于历史数据特征进行提取，将滑动窗口长度相等的历史电压序列v、节点净功率特征向量序列p上下组合成H*2维的矩阵，其中H为动时间窗口长度，输入到TCN的双通道卷积层中，然后输入到TCN的残差模块中进行特征提取操作；

步骤32：用每个残差模块代替卷积层，即通过残差模块的堆叠进行历史数据的特征提取工作；其中，TCN的感受野由网络深度N、卷积核大小k和扩张率d决定，TCN的N个残差模块以输入到输出的连接方式进行堆叠，每个模块包含两个扩张率和卷积核大小相同的一维扩张因果卷积层，随着残差模块的加深，扩张率d以2为底的指数函数增加，对于历史输入特征进行充分提取；

步骤33：经过步骤32提取到的输出为一特征矩阵，设该矩阵为E，其维度为输入序列长度*卷积核个数；针对本文电压点预测问题，输出为时间序列最后一个时刻T的数据，取各个卷积核提取的序列最后一个时间点值为特征向量F维度为卷积核个数，作为最终经过TCN网络提取的特征向量，与时间特征T串联，连接到具有一个全连接隐藏层的神经网络进行输出，输出层维度为1，得到输出电压预测值y_i。

与最接近的现有技术相比，本发明具有的有益效果是：

1、本发明构建了计及光伏调压的配电网无功电压预测模型，既有助于改善电能质量，提高电网运行的安全稳定性，又可通过无功补偿等方式，节能降损，提高运行经济性和可靠性；

2、本发明在构架高比例光伏预测模型的基础上，使用时间卷积神经网络进行模型训练，采用因果卷积和扩张卷积的结构，有效地解决了历史数据特征提取不充分的问题，且卷积神经网络具备并行计算能力、占用内存小、不易发生梯度消失或***现象等固有优点，并采用了残差连接的网络结构来加深网络，以及采用扩张卷积的形式，让网络能够感受到更远的历史信息，提高网络对于深度历史信息特征提取能力，进而提高电压预测精度。

附图说明

图1为本发明的流程图；

图2为本发明应用例中采用的仿真***结构图；

图3为本发明中所用的时间卷积神经网络结构图；

图4为本发明应用例中经XGBoost算法特征筛选后的特征分解图；

图5为本发明应用例中预测节点16在3h时间尺度下的电压图；

图6为本发明应用例中预测节点16在6h时间尺度下的电压图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施案例对本发明进行深入地详细说明。应当理解，此处所描述的具体实施案例仅仅用以解释本发明，并不用于限定发明。

实施例1

如图1所示，本发明所述的一种基于时间卷积神经网络的高比例光伏配电网电压预测方法，流程如图1所示，具体包括以下步骤：

步骤1：原始负荷数据进行数据预处理

所述步骤1如下：

选取配电网关键节点近一年的历史运行数据，预测电压时间尺度为1h，即s＝1，采用滚动预测方式，构建训练特征集。为了便于时间卷积神经网络预测模型训练以及特征提取，将电压时间序列数据进行最大最小归一化处理，使得原始数据位于为[0,1]区间，归一化处理公式如式(1)：

式(1)中，v^*(t)为归一化处理后的无功电压数据，v(t)为电压时间序列信号，v_max与v_min分别为无功电压信号的最大值与最小值；

步骤2：构造输入特征向量集

所述步骤2包含以下三个步骤，如下：

步骤21：首先根据步骤1中的数据预处理，得到完整的、无量纲化的配电网的节点电压及净功率数据，通过滑动时间窗口对数据采样构建样本特征，设滑动窗口长度为H，滑动步长为1个时间步长，按照时间序列顺序分别得到节点电压特征向量V_i与节点净功率特征向量P_i和对应标签y_i如下：

式(2)中，t为某一时刻点随着整个数据集的选取确定，i为样本编号，V_i与P_i为维度为H的特征向量，向量中各元素为前H个时间点的历史数据，y_i为样本标签，数值为1小时后的电压数据；

步骤22：将离散的时间变量进行独热编码处理后，构造预测时间点的时间特征向量T_i；其中，i为样本编号，T_i代表着y_i对应的预测点的时间信息；

步骤23：将滑动窗口取得的节点电压与净功率向量V_i、P_i与时间特征向量T_i进行串联，得到最终第i个样本的输入特征向量x_i为：

x_i＝[V_i,P_i,T_i] (3)

特征向量x_i与标签y_i共同构成XGBoost算法的训练样本集合为：

式(4)中，n为训练样本数量；

XGBoost算法的所有树模型的损失函数L具体表达式如下所示：

式(5)中，n为样本数，y_i为第i个样本标签值，

为第i样本模型预测输出值，在回归问题中，l一般为平方误差函数；其中Ω(b_m)为树模型的复杂度项，即模型正则化项，其计算公式为：

式(6)中，T为单个树模型的叶子结点个数，w为叶子结点输出向量，γ与λ为控制正则化项权重的参数，在算法训练前能够调节；

应用向前分布算法计算思想，初始化一个模型后，进行M轮循环计算，每次优化一棵决策树模型，新增加的树模型使得损失函数L最小；在第t轮计算时，需最小化的目标函数Obj^(t)计算公式为：

式(7)中，b_t为第t轮训练树模型，

为前t-1轮得到加法模型预测输出值，C为一个常数，其值为前t-1轮得到的树模型的复杂度之和，即

Ω(b_t)为第t轮得到的树模型的复杂度；

根据式(7)计算树模型分割节点时的增益，通过对特征遍历来确定使得增益最大的最优分割点，增益Gain计算公式为：

式(8)中，前两项分式分别表示对节点分割左子树与右子树后产生的增益，最后一项为对节点不进行分割时的增益。通过该增益能够来优化树模型结构，进而得到使损失函数达到较小的学习模型。最终得到筛选出的特征向量子集：节点向量、净功率，以及时间向量；

步骤3：建立基于含高比例光伏配电网电压预测构架

所述步骤3具体包含三个步骤：

构建基于TCN的电压预测模型，包含输入层，输出层及残差模块；

步骤31：构建电压预测的输入特征集：由步骤2得到提取到的特征向量：节点向量、净功率，以及时间向量；其中，为了对于历史数据特征进行提取，将滑动窗口长度相等的历史电压序列v、节点净功率特征向量序列p上下组合成H*2维的矩阵，其中H为动时间窗口长度，输入到TCN的双通道卷积层中，然后输入到TCN的残差模块中进行特征提取操作；

步骤32：用每个残差模块代替卷积层，即通过残差模块的堆叠进行历史数据的特征提取工作；其中，TCN的感受野由网络深度N、卷积核大小k和扩张率d决定，TCN的N个残差模块以输入到输出的连接方式进行堆叠，每个模块包含两个扩张率和卷积核大小相同的一维扩张因果卷积层，随着残差模块的加深，扩张率d以2为底的指数函数增加，对于历史输入特征进行充分提取；

步骤33：经过步骤32提取到的输出为一特征矩阵，设该矩阵为E，其维度为输入序列长度*卷积核个数；针对本文电压点预测问题，输出为时间序列最后一个时刻T的数据，取各个卷积核提取的序列最后一个时间点值为特征向量F维度为卷积核个数，作为最终经过TCN网络提取的特征向量，与时间特征T串联，连接到具有一个全连接隐藏层的神经网络进行输出，输出层维度为1，得到输出电压预测值y_i。

实施例2

1)建立含高比例光伏配电网网络模型

附图图2为IEEE33节点配电***，***中含有3个光伏电源，其节点5,14,28安装光伏电源，其容量如表1所示。

表1.节点光伏电源参数

安装位置	5	14	28
				有功功率/kW	25	16	45
无功功率/kvar	8	5	5

2)配电网历史电压数据分析

设该***母线1为平衡节点，节点电压大致波动范围在220-240V，根据式(1)得到节点16在10天左右的预处理后的电压序列，然后对预处理后的数据经XGBoost算法特征分析，输出各特征用来***决策树的次数占比，即特征权重(所有权重之和为1)，如图4所示。

3)含高比例光伏配电网电压预测

将滑动窗口长度相等的电压特征向量v、节点净功率特征向量p分别放置在卷积层的两个通道中，然后输入到TCN的残差模块中，进行特征进行充分提取操作，经过TCN残差模块提取到的输出为一特征矩阵，与时间特征T串联，连接到具有一个全连接隐藏层的神经网络进行输出，得到最终预测值。为了更加清楚的展示预测效果，将结果与LSTM、BPNN、SVM模型预测效果进行对比，预测节点16在3小时前、6小时前，在不同模型不同时间尺度下的电压变化曲线，如图5，6所示。

Claims (3)

1.基于时间卷积神经网络的高比例光伏配电网电压预测方法，其特征在于，所述方法包括：

步骤1，原始负荷数据进行数据预处理：基于多时间尺度，采用最大最小区间缩放法对电压时间序列数据进行归一化处理，得到完整的电压序列；

步骤2，构造输入特征向量集：基于决策树的XGBoost算法进行特征筛选，构造训练样本集，输出各特征权重，结合权重大小和电压预测模型情况筛选出不同的特征子集；

步骤3，建立基于含高比例光伏配电网电压预测构架：训练时间卷积神经网络TCN预测模型，将提取的特征向量连接到具有一个全连接隐藏层的神经网络，输出电压预测值；

步骤3具体包含三个步骤：

构建基于TCN的电压预测模型，包含输入层，输出层及残差模块；

步骤31：构建电压预测的输入特征集：由步骤2得到提取到的特征向量：节点向量、净功率，以及时间向量；其中，为了对于历史数据特征进行提取，将滑动窗口长度相等的历史电压序列v、节点净功率特征向量序列p上下组合成H*2维的矩阵，其中H为动时间窗口长度，输入到TCN的双通道卷积层中，然后输入到TCN的残差模块中进行特征提取操作；

步骤32：用每个残差模块代替卷积层，即通过残差模块的堆叠进行历史数据的特征提取工作；其中，TCN的感受野由网络深度N、卷积核大小k和扩张率d决定，TCN的N个残差模块以输入到输出的连接方式进行堆叠，每个模块包含两个扩张率和卷积核大小相同的一维扩张因果卷积层，随着残差模块的加深，扩张率d以2为底的指数函数增加，对于历史输入特征进行充分提取；

步骤33：经过步骤32提取到的输出为一特征矩阵，设该矩阵为E，其维度为输入序列长度*卷积核个数；针对本文电压点预测问题，输出为时间序列最后一个时刻T的数据，取各个卷积核提取的序列最后一个时间点值为特征向量F维度为卷积核个数，作为最终经过TCN网络提取的特征向量，与时间特征T串联，连接到具有一个全连接隐藏层的神经网络进行输出，输出层维度为1，得到输出电压预测值y_i。

2.根据权利要求1所述的基于时间卷积神经网络的高比例光伏配电网电压预测方法，其特征在于，所述步骤1中为了消除电压及功率数据量纲的影响，对原始数据进行无量纲化处理，使得数值置于(0,1)区间，其预处理的归一化公式如下：

式(1)中，v^*(t)为归一化处理后的无功电压数据，v(t)为电压时间序列信号，v_max与v_min分别为无功电压信号的最大值与最小值。

3.根据权利要求1所述的基于时间卷积神经网络的高比例光伏配电网电压预测方法，其特征在于，所述步骤2具体包含三个步骤：

步骤21：首先根据步骤1中的数据预处理，得到完整的、无量纲化的配电网的节点电压及净功率数据，通过滑动时间窗口对数据采样构建样本特征，设滑动窗口长度为H，滑动步长为1个时间步长，按照时间序列顺序分别得到节点电压特征向量V_i与节点净功率特征向量P_i和对应标签y_i如下：

式(2)中，t为某一时刻点随着整个数据集的选取确定，i为样本编号，V_i与P_i为维度为H的特征向量，向量中各元素为前H个时间点的历史数据，y_i为样本标签，数值为1小时后的电压数据；

步骤22：将离散的时间变量进行独热编码处理后，构造预测时间点的时间特征向量T_i；其中，i为样本编号，T_i代表着y_i对应的预测点的时间信息；

步骤23：将滑动窗口取得的节点电压与净功率向量V_i、P_i与时间特征向量T_i进行串联，得到最终第i个样本的输入特征向量x_i为：

x_i＝[V_i,P_i,T_i] (3)

特征向量x_i与标签y_i共同构成XGBoost算法的训练样本集合为：

式(4)中，n为训练样本数量；

XGBoost算法的所有树模型的损失函数L具体表达式如下所示：

式(5)中，n为样本数，y_i为第i个样本标签值，

为第i样本模型预测输出值，在回归问题中，l一般为平方误差函数；其中Ω(b_m)为树模型的复杂度项，即模型正则化项，其计算公式为：

式(6)中，T为单个树模型的叶子结点个数，w为叶子结点输出向量，γ与λ为控制正则化项权重的参数，在算法训练前能够调节；

应用向前分布算法计算思想，初始化一个模型后，进行M轮循环计算，每次优化一棵决策树模型，新增加的树模型使得损失函数L最小；在第t轮计算时，需最小化的目标函数Obj^(t)计算公式为：

式(7)中，b_t为第t轮训练树模型，

为前t-1轮得到加法模型预测输出值，C为一个常数，其值为前t-1轮得到的树模型的复杂度之和，即

Ω(b_t)为第t轮得到的树模型的复杂度；

根据式(7)计算树模型分割节点时的增益，通过对特征遍历来确定使得增益最大的最优分割点，增益Gain计算公式为：

式(8)中，前两项分式分别表示对节点分割左子树与右子树后产生的增益，最后一项为对节点不进行分割时的增益，通过该增益能够来优化树模型结构，进而得到使损失函数达到较小的学习模型。

Images