[发明专利]电力系统负荷预测的分布式无功优化方法及装置

权利要求书

1.一种电力系统负荷预测的分布式无功优化方法，其特征在于，包括以下步骤：

将预测地的电力负荷信息、气象信息和节假日信息划分为多个输入神经元一个输出样本的测试集；

建立初始LSTM网络，将所述测试集带入所述初始LSTM网络中进行前向计算和反向传播训练；

通过训练好的LSTM网络输入预测日所需使用的神经元信息，以对每一个时间点进行负荷预测；

分析分布式电源的无功补偿特性，并采集分布式电源的目标参数，以建立分布式电源无功模型；

建立以网络损耗最小为目标函数的电网无功优化模型；以及

根据无功平均利用率和瞬时通信拓扑矩阵进行分布式优化控制计算，以实现分布式无功优化；

其中，

所述目标函数为：

所述无功平均利用率得的计算公式为：

其中，分别是第i个单元的额定功率、有功功率、无功功率和最大无功功率，α_qi为第i个单元的无功平均利用率；

所述瞬时通信拓扑矩阵的计算公式为：

其中，t时刻，s_ii＝1；如果第i个分布式电源已知第j个分布式电源的输出，s_ij＝1；并把单元0作为可计算无功平均利用率的分布式电源。

2.根据权利要求1所述的电力系统负荷预测的分布式无功优化方法，其特征在于，在划分为所述多个输入神经元一个输出样本的测试集之后，还包括：

对特征数据进行预处理，其中，采用函数进行预处理，以使得输入元各值充分打开，且互不相关，并且使用sigmoid函数作为激活函数，将数据归一化，所述函数为：

其中，x_i为系统中所有单元可提供无功功率的平均值，为平均值，δ为标准差，n为数据长度。

3.根据权利要求1所述的电力系统负荷预测的分布式无功优化方法，其特征在于，所述将所述测试集带入所述初始LSTM网络中进行前向计算和反向传播训练，包括：

通过遗忘门对上一个细胞单元传递过来的信息进行筛选，筛选公式为：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)，

其中，W_f是遗忘门的权重矩阵，h_t-1是上一个细胞传来的隐藏层信息，x_t是当前单元的输入神经元信息，b_f是遗忘门的偏置项，σ是sigmoid函数，将输入的数据转化为[0,1]之间的数进行计算；

通过输入门确定新的输入信息里能被使用信息，选择公式为：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)，

其中，W_i是输入门的权重矩阵，b_i是输入门的偏置项；

获取上一单元的隐藏层与当前单元的输入所构成的当前单元隐藏层的暂时状态，计算方式为：

其中，W_c暂态计算的权重矩阵，b_c是其偏置项，tanh是tanh函数；

根据筛选后的信息、选的能被使用的信息、所述当前单元隐藏层的暂时状态和长期单元信息得到新的单元信息，计算公式为：

其中，o为按元素乘；

通过输出门获取LSTM最终输出，计算公式为：

h_t＝o_tοtanh(c_t)，

其中，o_t为o_t＝σ(W_o·[h_t-1,x_t]+b_o)；

将所述新的单元信息和所述最终输出分别作为隐藏层状态和单元状态进入到下一单元中。