[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

说明书

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。

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。