【技術實現步驟摘要】
本專利技術屬于配電網無功預測，具體涉及一種基于組合神經網絡的無功需求預測方法和系統。
技術介紹
1、在現代配電網中，隨著城市化和工業化的快速發展，大量不確定性負荷的接入導致無功功率消耗顯著增加，這對電網的電壓穩定性和電能傳輸效率產生了重大影響。其在傳輸過程中產生的較大無功功率，不僅增加了電網的負擔，還可能導致電能損耗增加和電壓波動，影響供電質量。此外，分布式能源如太陽能光伏和風能的接入，以及電動汽車等新型負荷的涌現，使得配電網的無功需求變得更加動態和不確定，這對無功需求預測的準確性提出了更高要求。
2、現有技術常采用神經網絡進行配電網無功需求預測，但是預測模型的構建與訓練方案存在無功需求預測精準度不足，難以滿足配電網規劃和設計新要求等問題，且通常會在進行無功需求預測值反歸一化時引入偏差，進一步降低了無功需求預測精準度。
技術實現思路
1、為解決現有技術中存在的不足，本專利技術提供一種基于組合神經網絡的無功需求預測方法和系統，有效提高無功需求預測精準度，滿足配電網規劃和設計新要求。
2、本專利技術采用如下的技術方案。
3、本專利技術第一方面提出一種基于組合神經網絡的無功需求預測方法，包括：
4、獲取無功負荷特征歷史數據并進行預處理，將預處理后的數據劃分為訓練集和測試集；
5、采用卷積神經網絡與門控循環單元組合的方式構建無功需求預測模型，并設置損失函數；
6、基于所述損失函數，采用訓練集和測試集對無功需求預測模型進
7、獲取無功負荷特征實時數據并進行預處理，輸入到訓練完成的無功需求預測模型，得到無功需求預測值；
8、將無功需求預測值反歸一化，得到最終的無功需求預測值，并評價無功需求預測模型效果。
9、優選地，所述無功負荷特征歷史數據包括有功負荷歷史數據、無功負荷歷史數據、歷史用電量和溫度；
10、所述預處理包括篩選和歸一化處理。
11、優選地，采用卷積神經網絡與門控循環單元組合的方式構建無功需求預測模型包括卷積神經網絡及門控循環單元，其中卷積神經網絡的輸出均與其對應的門控循環單元連接；各門控循環單元之間互相連接；每一門控循環單元均與一個連接層連接；各連接層均與模型的輸出層連接。
12、優選地，所述卷積神經網絡包括輸入層、卷積層、池化層、全連接層以及輸出層；其中，輸入層輸入預處理后的數據矩陣；池化層與卷積層交替操作后，數據矩陣通過多層變化得到數據特征的概率分布；全連接層利用邏輯回歸函數對數據特征的概率分布進行分類，得到無功需求預測值；輸出層進行輸出。
13、優選地，所述損失函數設置為：
14、（2）
15、（3）
16、（4）
17、（5）
18、式中，為損失函數，為學習器輸出，為輸入層輸入的預處理后的數據矩陣；
19、為平均誤差；為平均方差；為各學習器的協方差；
20、為單點輸出與期望誤差，為學習器i的單點輸出，為期望輸出；
21、為卷積網絡中學習器個數；、為學習器i、j的輸出值；
22、、為學習器i、j的輸出與對應的期望輸出的誤差；
23、為學習器i迭代后單點輸出與期望誤差；
24、為學習器j迭代后單點輸出與期望誤差。
25、優選地，所述無功需求預測模型的訓練過程中，通過殘差經梯度下降反向傳播，在各層級更新神經網絡訓練參數。
26、優選地，所述反歸一化的公式如下：
27、（6）
28、式中，為最終的無功需求預測值；為無功需求預測模型得到的無功需求預測值；為卷積網絡中學習器個數；、分別為無功需求預測模型所得預測數據的最小值、最大值。
29、優選地，采取平均絕對誤差和均方根誤差來評價無功需求預測模型效果。
30、本專利技術第二方面提出一種基于組合神經網絡的無功需求預測系統，包括：
31、數據獲取模塊，用于獲取無功負荷特征歷史數據并進行預處理，將預處理后的數據劃分為訓練集和測試集；
32、模型構建模塊，用于采用卷積神經網絡與門控循環單元組合的方式構建無功需求預測模型，并設置損失函數；
33、模型訓練模塊，用于基于所述損失函數，采用訓練集和測試集對無功需求預測模型進行訓練和測試，得到訓練完成的無功需求預測模型；
34、迭代預測模塊，用于獲取無功負荷特征實時數據并進行預處理，輸入到訓練完成的無功需求預測模型，得到無功需求預測值；
35、反歸一化模塊，用于將無功需求預測值反歸一化，得到最終的無功需求預測值，并評價無功需求預測模型效果。
36、本專利技術第三方面提出一種終端，包括處理器及存儲介質；所述存儲介質用于存儲指令；所述處理器用于根據所述指令進行操作以執行所述方法的步驟。
37、本專利技術第四方面提出計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行時實現所述方法的步驟。
38、與現有技術相比，本專利技術的有益效果至少包括：
39、本專利技術提出一種基于組合神經網絡的無功需求預測方法，可以幫助電網運營商更準確地預測和平衡無功功率，優化無功補償策略，從而提高電網的運行效率和穩定性；可以更有效地管理電纜接入帶來的無功功率變化，減少電網損耗，提升電能傳輸效率，同時也為分布式能源的集成提供了更好的支持，促進了智能電網的發展。
40、本專利技術采用卷積神經網絡與門控循環單元組合的方式構建無功需求預測模型，并設置采用所提誤差-方差-協方差分解表述的損失函數，使結果更貼近真實值，能夠準確預測電纜接入配電網無功需求，幫助電網運營商更好地規劃無功補償資源，實現動態無功優化，在新型配電網投資規劃中實現供電可靠性與經濟型的協調。
41、本專利技術將無功需求預測值反歸一化時，綜合考慮了各學習器的差異性誤差，可以保持數據的分布特性，避免因反歸一化而引入的偏差，直觀展現預測值與實際值的關聯度。
本文檔來自技高網...【技術保護點】
1.一種基于組合神經網絡的無功需求預測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于組合神經網絡的無功需求預測方法，其特征在于：
3.根據權利要求1所述的一種基于組合神經網絡的無功需求預測方法，其特征在于：
4.根據權利要求3所述的一種基于組合神經網絡的無功需求預測方法，其特征在于：
5.根據權利要求1所述的一種基于組合神經網絡的無功需求預測方法，其特征在于：
6.根據權利要求1所述的一種基于組合神經網絡的無功需求預測方法，其特征在于：
7.根據權利要求1所述的一種基于組合神經網絡的無功需求預測方法，其特征在于：
8.一種基于組合神經網絡的無功需求預測系統，利用權利要求1-7任一項所述的方法，其特征在于，所述系統包括：
9.一種終端，包括處理器及存儲介質；其特征在于：
10.計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時實現權利要求1-7任一項所述方法的步驟。
【技術特征摘要】
1.一種基于組合神經網絡的無功需求預測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于組合神經網絡的無功需求預測方法，其特征在于：
3.根據權利要求1所述的一種基于組合神經網絡的無功需求預測方法，其特征在于：
4.根據權利要求3所述的一種基于組合神經網絡的無功需求預測方法，其特征在于：
5.根據權利要求1所述的一種基于組合神經網絡的無功需求預測方法，其特征在于：
6.根據權利要求1所述的...
【專利技術屬性】
技術研發人員：樊戴福，平勇陳，付宏宇，陳偉國，胡正文，陳磊，王亮，馮翼，
申請(專利權)人：國網上海市電力公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。