[发明专利]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

权利要求书

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。