一种用于直流微电网集群的基于深度学习的预测方法技术

本发明专利技术涉及直流微电网集群预测技术领域，具体提出了一种用于直流微电网集群的基于深度学习的预测技术，针对直流微电网集群系统结构复杂、动态变量众多，且具有非线性单元、强耦合等原因，在工作时有较多扰动，造成动态性能较差、数学建模复杂且难以预测的特点，以分布式控制构架为基础，用长短期记忆网络对多个互联直流微电网关键参数进行预测，本发明专利技术实现了通过长短期记忆网络对三次控制的直流微电网集群关键参数的预测，避免了复杂网络模型预测器的理论建模，算法简单且有效。

【技术实现步骤摘要】
一种用于直流微电网集群的基于深度学习的预测方法
本专利技术涉及直流微电网集群预测
，具体涉及一种用于三次控制的基于深度学习的直流微电网集群的预测方法。
技术介绍
近年来，随着国家大力倡导新能源，着重建设风电水电太阳能电厂，微电网也在绿色能源时代备受关注。微电网作为可独立可并网的发配电新型电能网络，由分布式可再生能源、储能单元、功率变换器、负荷以及保护装置等组成。由于直流系统的控制和管理比交流系统要简单得多，且不存在交流电网中谐波和无功功率等问题，因此近年来直流微电网备受青睐。同时，将地理上毗邻的多个微电网相连构成集群系统，可提高分布式发电的经济性、鲁棒性和可靠性。因直流微电网集群系统结构复杂、动态变量众多，且具有非线性单元、强耦合等原因，其在运行中会因为各种扰动而造成关键参数如V、I的波形振荡，从而难以进行精确的数学建模对其参数进行预测。
技术实现思路
本专利技术的目的在于提供一种用于直流微电网集群的基于深度学习的预测方法，针对直流微电网集群系统结构复杂、动态变量众多，且具有非线性单元、强耦合等原因在工作时有较多扰动，造成动态性能较差、数学建模复杂且难以预测的特点，以分布式控制构架为基础，用长短期记忆网络对多个互联直流微电网关键参数进行预测。为实现上述目的，本专利技术提供如下技术方案：一种用于直流微电网集群的基于深度学习的预测方法，包括以下步骤：步骤一、确定一个三次控制直流微电网集群的仿真模型、实验样机或工程样机，直流微电网集群由多个直流微电网单元互联组成；所述直流微电网集群包括各个直流微电网网内的一次控制、二次控制、以微电网为单元构成的通信网络以及与通信网络连接的三次控制系统；步骤二、直流微电网集群在三次控制下正常运行工作，对正在运行的实验样机、工程样机或运行完成的仿真进行各个微电网关键参数如V、I等进行采样提取；步骤三、对采样的微电网集群数据进行预处理，时间序列向量截取划分为训练数据和测试数据，并对其进行数据标准化；步骤四、准备深度学习所需框架，调用相关函数设计长短期记忆网络模型；步骤五、构造LSTM网络模型，设置隐藏层，学习率，迭代次数等相关参数，根据多次控制变量实验仿真结果调整网络模型参数；步骤六、导入训练数据向量，并根据结果对模型进行最后的调参，将预测时间序列向量数组与实际观察值进行对比，以均方根误差为评判标准，对预测数据进行评估。优选的，所述长短期记忆网络通过长短期记忆循环神经网络提取直流微电网集群中各微电网参数的特征信息。优选的，步骤一中，在MATLAB/Simulink中搭建一个直流微电网集群的仿真模型，直流微电网之间通过π型联络线互联，直流微电网内由光伏发电系统、储能系统、一次控制、二次控制和最大功率跟踪控制系统组成，直流微电网单元构成通信网络以及通信网络连接的三次控制系统。优选的，步骤二中，将运行完成的单个微电网的V、I参数以一次完整运行时间为采样周期，遵循香农采样定理进行采样，保证波形不失真，将时间序列向量数组导入到MATLAB的workspace。优选的，步骤三中，对导入到workspace的时间序列向量数组前90％设为训练数据，后10％设为测试数据，并将数据进行标准化为具有零均值和单位方差的量纲，以加快神经网络收敛速度，其中以电压为例标准化的函数表达式如下：步骤四中，预先准备深度学习所需的环境框架，所述环境框架为Keras、Tensorflow等，调用adam优化算法，tanh、sigmoid函数，predictAndUpstateState状态更新算法等以构建LSTM网络模型，使用predictAndUpsateState函数时，一次预测一个时间步，并在每次预测时更新网络状态，此时使用预测值或使用观测值对网络状态进行更新。进一步的，在构造电压的LSTM模型时，其长短期记忆网络(LSTM)中遗忘门、更新门、输出门的设计，其函数表达式如下：遗忘门的函数表达式为：其中，Γf介于0～1之间，表示给记忆细胞的电压状态值‘1’表示完全保留此时刻电压值，‘0’表示此时刻电压输出值完全舍弃；σ是sigmoid函数，形式为σ(x)＝(1+e-x)-1；wf是各个变量的权重；是(t-1)时刻的输出；是t时刻本层输入；bf是偏置项；更新门的函数表达式为：其中，Γf介于0～1之间，tanh即为双曲正切激励函数，输出-1～1之间的数值；表示t-1时刻的细胞状态电压值；表示从t时刻输入信息中提取的要记录的电压值；表示更新后的细胞状态电压值；其中，更新门的sigmoid函数计算结果Γu决定哪些值更新；根据tanh函数创建一个新的候选值向量添加到细胞状态中；通过旧的细胞状态中的电压值乘以遗忘门(Γf)，遗忘部分旧信息，然后加上新候选值更新细胞状态中的电压值；输出门的函数表达式为：使用sigmoid函数确定输出多少信息量，使用tanh函数处理将得到一个-1～1之间的值，Γo和相乘得到t时刻神经元的输出值。优选的，步骤五中，根据仿真结果调整模型参数，如训练数据和测试数据向量占比，学习率，隐藏层，迭代次数，训练轮数等，确定合适的参数设置，最终确定模型有25个隐藏层，训练迭代120轮，初始学习率0.005，在85轮后降低学习率为0.001。在步骤五中，将数据归一化为具有零均值和单位方差的标准值；在步骤六中，将输出值进行反归一化处理，还原为原量纲值。优选的，步骤六中，将预处理后的时序向量数据用本方案的预测模型得到最终预测结果，以均方根误差为评判标准，对预测的数据进行评估，对模型进行最后的优化调参，以预测参数电压为例其评估标准的数学表达式如下：其中，Vr为真实值，为预测值，n表示测试时序向量数据的长度，Vr,i表示i时刻V的真实值，表示i时刻V的预测值。与现有技术相比，本专利技术的有益效果是：本专利技术基于长短期记忆网络设计了一种黑箱式的预测算法，充分发挥长短期记忆网络在时序预测问题上的优势，使其能够规避复杂的数学建模对微电网参数进行预测，提供了直流微网集群预测的一种思路，显著提高了预测效率。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术中直流微电网集群结构示意图；图2为本专利技术中所提及的直流微电网的三次控制示意图；图3为本专利技术中长短期记忆网络的隐藏层数据迭代可视化示意图；图4为本专利技术中对于直流微电网集群的基于深度学习的预测技术结构框图；图5为图1直流微电网集群在图2所示三次控制下直流微电网1的电压波形图；图6(a)(b)为运用本专利技术的集群中直流微电网1变换器1输出本文档来自技高网...

【技术保护点】
1.一种用于直流微电网集群的基于深度学习的预测方法，其特征在于，包括以下步骤：/n步骤一、确定一个三次控制直流微电网集群的仿真模型、实验样机或工程样机，直流微电网集群由多个直流微电网单元互联组成；所述直流微电网集群包括各个直流微电网网内的一次控制、二次控制、以微电网为单元构成的通信网络以及与通信网络连接的三次控制系统；/n步骤二、直流微电网集群在三次控制下正常运行工作，对正在运行的实验样机、工程样机或运行完成的仿真进行各个微电网关键参数如V、I等进行采样提取；/n步骤三、对采样的微电网集群数据进行预处理，时间序列向量截取划分为训练数据和测试数据，并对其进行数据标准化；/n步骤四、准备深度学习所需框架，调用相关函数设计长短期记忆网络模型；/n步骤五、构造LSTM网络模型，设置隐藏层，学习率，迭代次数等相关参数，根据多次控制变量实验仿真结果调整网络模型参数；/n步骤六、导入训练数据向量，并根据结果对模型进行最后的调参，将预测时间序列向量数组与实际观察值进行对比，以均方根误差为评判标准，对预测数据进行评估。/n

【技术特征摘要】
1.一种用于直流微电网集群的基于深度学习的预测方法，其特征在于，包括以下步骤：
步骤一、确定一个三次控制直流微电网集群的仿真模型、实验样机或工程样机，直流微电网集群由多个直流微电网单元互联组成；所述直流微电网集群包括各个直流微电网网内的一次控制、二次控制、以微电网为单元构成的通信网络以及与通信网络连接的三次控制系统；
步骤二、直流微电网集群在三次控制下正常运行工作，对正在运行的实验样机、工程样机或运行完成的仿真进行各个微电网关键参数如V、I等进行采样提取；
步骤三、对采样的微电网集群数据进行预处理，时间序列向量截取划分为训练数据和测试数据，并对其进行数据标准化；
步骤四、准备深度学习所需框架，调用相关函数设计长短期记忆网络模型；
步骤五、构造LSTM网络模型，设置隐藏层，学习率，迭代次数等相关参数，根据多次控制变量实验仿真结果调整网络模型参数；
步骤六、导入训练数据向量，并根据结果对模型进行最后的调参，将预测时间序列向量数组与实际观察值进行对比，以均方根误差为评判标准，对预测数据进行评估。


2.根据权利要求1所述的一种用于直流微电网集群的基于深度学习的预测方法，其特征在于：所述长短期记忆网络通过长短期记忆循环神经网络提取直流微电网集群中各微电网参数的特征信息。


3.根据权利要求1所述的一种用于直流微电网集群的基于深度学习的预测方法，其特征在于，步骤一中，在MATLAB/Simulink中搭建一个直流微电网集群的仿真模型，直流微电网之间通过π型联络线互联，直流微电网内由光伏发电系统、储能系统、一次控制、二次控制和最大功率跟踪控制系统组成，直流微电网单元构成通信网络以及通信网络连接的三次控制系统。


4.根据权利要求1所述的一种用于直流微电网集群的基于深度学习的预测方法，其特征在于，步骤二中，将运行完成的单个微电网的V、I参数以一次完整运行时间为采样周期，遵循香农采样定理进行采样，保证波形不失真，将时间序列向量数组导入到MATLAB的workspace。


5.根据权利要求1所述的一种用于直流微电网集群的基于深度学习的预测方法，其特征在于，步骤三中，对导入到workspace的时间序列向量数组前90％设为训练数据，后10％设为测试数据，并将数据进行标准化为具有零均值和单位方差的量纲，以加快神经网络收敛速度，其中以电压为例标准化的函数表达式如下：











6.根据权利要求1所述的一种用于直流微电网集群的基于深度学习的预测方法，其特征在于，步骤四中，预先准备深度学习所需的环境框架，所述环境框架为Keras、Tensorflow等，调用adam优化算法，tanh、sigmoid函数，predictAndUpstateSt...

【专利技术属性】
技术研发人员：刘宿城，周涛，杨柳，刘晓东，方炜，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：安徽;34