【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。