一种改进双层长短期记忆网络的负荷用电特性建模方法

本发明涉及电力系统负荷用电特性研究领域，尤其是涉及一种改进双层长短期记忆网络的负荷用电特性建模方法。
背景技术：
：负荷用电特性建模是指建立负荷有功、无功功率关于相关影响因素间的耦合特性，是负荷预测、需求响应实施和电力系统运行控制的基础，随着电动汽车等新型负荷接入，负荷用电特性日趋复杂，为精确建模带来新挑战。当前负荷用电特性建模主要分为物理驱动的建模和数据驱动的建模两大类。其中，物理驱动的建模是指根据负荷运行原理，建立负荷用电外特性数学模型，例如zip负荷特性模型、感应电机负荷模型和二者结合的综合负荷模型等。当出现无法用zip或感应电机刻画运行原理的负荷时，例如电动汽车充电负荷，上述方法将无法准确刻画负荷用电特性。数据驱动的建模方法是指采用深度学习方法，挖掘负荷有功/无功功率量测数据与其他因数量测值之间的耦合关系，从而建立负荷用电特性模型。深度学习具有强非线性拟合能力，可提高建模准确性。长短期记忆网络(longshort-termmemory，lstm)是一种具有递归结构的神经网络，可学习不同时段负荷数据间的耦合关系，已被广泛用于负荷特性建模和预测。文献《forecastingandoptimizationformicrogridinhomeenergymanagementsystems》采用lstm记忆网络建立空调负荷的用电特性模型，基于空调负荷和天气的时序量测数据，滚动预测空调负荷。文献《anann-basedmodelforlearningindividualcustomerbehaviorinresponsetoelectricityprices》采用lstm网络学习24-h负荷需求关于电价的耦合特性。发明专利《一种基于长短期记忆网络的负荷预测方法》(申请号：cn201910325295.2)利用长短期记忆网络，根据前一时间点的天气和用电负荷数据，预测当前时间点的用电负荷。但上述研究和发明都仅针对于负荷的有功特性，尚未考虑负荷的无功特性。随着新能源渗透率提高，电力系统电压稳定面临威胁，这提高了对电力系统有功-无功联合调度控制的需求，而建立负荷的有功-无功特性，是实现联合调度的基础。为解决该问题，本发明提出了一种基于双层长短期记忆网络的负荷用电特性建模方法，实现对负荷的有功特性和无功特性的联合建模。所提建模方法，对负荷有功-无功功率预测、特性评估等方面有重要意义。技术实现要素：本发明针对负荷的有功-无功特性建模方面，提供了一种改进双层长短期记忆网络的负荷用电特性建模方法，基于量测数据集，建立改进双层长短期记忆网络作为负荷用电特性模型并训练，训练后的模型可根据量测数据，同时评估负荷的有功功率和无功功率，对指导电力系统有功-无功联合调度有重要意义。为实现上述目标，本发明专利采用以下的技术方案：步骤1：收集负荷用电特性量测数据，负荷用电特性相关量测数据采用归一化处理得到归一化后负荷用电特性量测数据，构建有功特性训练集、构建无功特性训练集、构建有功特性测试集、构建无功特性测试集；步骤2：建立改进双层长短期记忆网络的负荷用电特性模型；步骤3：构建改进双层长短期记忆网络的负荷用电特性模型的损失函数模型，利用有功特性训练集、无功特性训练集训练改进双层长短期记忆网络的负荷用电特性模型，并用测试集验证训练后改进双层长短期记忆网络的负荷用电特性模型的准确性。步骤1所述负荷用电特性量测数据包括：负荷有功功率数据集、无功功率数据集、节点电压数据集、环境影响因素数据集；所述负荷有功功率数据集包括m个采样点的负荷有功功率；所述无功功率数据集包括m个采样点的无功功率；所述节点电压数据集包括m个采样点的节点电压；所述环境影响因素数据集包括m个采样点的环境影响因素；步骤1所述负荷用电特性量测数据采用归一化处理为：其中，xl代表第l种负荷用电特性量测数据，xl*为归一化后第l种负荷用电特性量测数据，xl，min代表第l种负荷用电特性量测数据的最小值，xl，max代表第l种负荷用电特性量测数据的最大值，l＝1表示负荷有功功率数据集，l＝2表示负荷无功功率数据集，l＝3表示节点电压数据集，l＝4表示环境影响因素数据集；步骤1所述归一化后负荷用电特性量测数据包括：归一化后负荷有功功率数据集、归一化后无功功率数据集、归一化后节点电压数据集、归一化后环境影响因素数据集；所述归一化负荷有功功率数据集包括m个采样点的归一化负荷有功功率，定义为：p*(1)，p*(2)，...，p*(m)所述归一化无功功率数据集包括m个采样点的归一化无功功率；q*(1)，q*(2)，...，q*(m)所述归一化节点电压数据集包括m个采样点的归一化节点电压；v(1)，v(2)，...，v(m)将当前采样点的对下一时刻采样点的节点电压进行预测得到当前采样点对下一时刻采样点预测的归一化节点电压数据集，具体为：v*(2)，v*(3)，...，v*(m+1)所述归一化环境影响因素数据集包括m个采样点的归一化环境影响因素；ψ*(1)，ψ*(2)，...，ψ*(m)步骤1中所述构建有功特性训练集为：通过n个采样点的归一化负荷有功功率即p*(1)，p*(2)，...，p*(n)、n个当前采样点对下一时刻采样点预测的归一化节点电压即v*(2)，v*(2)，...，v*(n+1)、n个采样点的归一化环境影响因素即ψ*(1)，ψ*(2)，...，ψ*(n)构建有功特性训练集，具体如下：其中，t∈[1，n]，n为有功特性训练集中样本的数量；p*(t)为第t个采样点的归一化负荷有功功率，v*(t+1)为第t个采样点对t+1采样点的预测的归一化节点电压，ψ*(t)第t个采样点的归一化环境影响因素；步骤1中所述构建有功特性测试集为：通过m-n个采样点的归一化负荷有功功率即p*(n+1)，p*(n+2)，...，p*(m)、m-n个采样点的归一化节点电压即v*(n+1)，v*(n+2)，...，v*(m)、m-n个采样点的归一化环境影响因素即ψ*(n+1)，ψ*(n+2)，...，ψ*(m)构建有功特性测试集，具体如下：步骤1中所述构建无功特性训练集为：通过n个采样点的归一化无功功率即q*(1)，q*(2)，...，q*(n)构建无功特性训练集，具体如下：dq＝[q*(1)q*(2)…q*(t)…q*(n)]步骤1中所述构建无功特性测试集为：通过m-n个采样点的归一化无功功率即q*(n+1)，q*(n+2)，...，q*(m)构建无功特性训练集，具体如下：tq＝[q*(n+1)q*(n+2)…q*(j)…q*(m)]作为优选，步骤2所述改进双层长短期记忆网络的负荷用电特性模型由下层长短期记忆网络、上层长短期记忆网络级联构成；所述下层长短期记忆网络：由第1个下层长短期记忆单元、......、第k个下层长短期记忆单元依次串联构成，用于学习负荷的有功特性，即负荷有功功率与过去k个时间点即t-k，t-k+1，…，t-1的历史有功功率、节点电压、环境影响因素的耦合特性；将步骤1中所述的有功特性训练集即dp内数据[p*(t-k)，v*(t-k+1)，ψ*(t-k)]，…，[p*(t-1)，v*(t)，ψ*(t-1)]分别依次输入第一下层长短期记忆单元、......、第k下层长短期记忆单元；并根据第k个下层长短期记忆单元的隐藏状态输出当前时刻(t)的有功功率评估值，如下：其中，gp()为下层第k个长短期记忆单元隐藏状态的线性函数；ap和bp为线性函数gp()的线性矩阵系数，维度分别为1xh、1x1；h为隐藏状态的大小。所述上层长短期记忆网络：由第1上层长短期记忆单元、...、第k上层长短期记忆单元依次串联构成，用于学习负荷的无功特性，即负荷无功功率与过去多个时间点的历史无功功率、各上层长短期记忆单元的隐藏状态间的耦合特性；其中，上层长短期记忆网络中第i个单元的输入量ii，由步骤1中获取的无功特性训练集dq中的[q*(i)]和下层长短期记忆网络中第i个单元的隐藏状态构成；根据上层长短期记忆网络第k个长短期记忆单元的隐藏状态输出当前时刻(t)的无功功率评估值：其中，gq()为上层第k个长短期记忆单元隐藏状态的线性函数；aq和bq为线性函数gq()的线性矩阵系数，维度分别为1xh、1x1；h为隐藏状态的大小。作为优选，步骤3所述改进双层长短期记忆网络的负荷用电特性模型的损失函数模型为：其中，p*(t)为第t个采样点的归一化负荷有功功率，q*(t)为第t个采样点的归一化负荷无功功率，为t时刻有功功率的评估结果，为t时刻无功功率的评估结果；步骤3所述训练改进双层长短期记忆网络的负荷用电特性模型为：采用adam算法对改进双层长短期记忆网络的负荷用电特性模型的超参数进行优化，使所述改进双层长短期记忆网络的负荷用电特性模型的损失函数模型为对t时刻采样点的有功功率和无功功率预测误差最小；所述超参数包括各层网络中每个长短期记忆单元的权重参数和偏置参数；通过优化后超参数构建训练后改进双层长短期记忆网络的负荷用电特性模型。本发明具有如下技术效果：本发明通过一种改进双层长短期记忆网络的负荷用电特性建模方法，学习负荷有功功率、无功功率关于节点电压、环境影响因素和历史有功功率、历史无功功率间的耦合特性。所提方法可用于负荷有功功率和无功功率评估，对负荷参与系统有功-无功联合调度有指导意义。附图说明图1为本发明方法流程图。图2为本发明实施例中改进双层长短期记忆网络(lstm)示意图。图3为本发明实施例中负荷特性模型训练流程图。图4为本发明实施例中负荷用电特性相关量测数据示意图。图5为本发明实施例中长短期记忆单元的结构示意图图6为本发明实施例的负荷用电特性评估结果示意图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。如图1所示，为本发明的第一实施例。本发明提供一种改进双层长短期记忆网络的负荷用电特性建模方法，具体包含以下步骤：步骤1：收集负荷用电特性量测数据，负荷用电特性相关量测数据采用归一化处理得到归一化后负荷用电特性量测数据，构建有功特性训练集、构建无功特性训练集、构建有功特性测试集、构建无功特性测试集；步骤1所述负荷用电特性量测数据包括：负荷有功功率数据集、无功功率数据集、节点电压数据集、环境影响因素数据集；所述负荷有功功率数据集包括m个采样点的负荷有功功率；所述无功功率数据集包括m个采样点的无功功率；所述节点电压数据集包括m个采样点的节点电压；所述环境影响因素数据集包括m个采样点的环境影响因素；步骤1所述负荷用电特性量测数据采用归一化处理为：其中，xl代表第l种负荷用电特性量测数据，xl*为归一化后第l种负荷用电特性量测数据，xl，min代表第l种负荷用电特性量测数据的最小值，xl，max代表第l种负荷用电特性量测数据的最大值，l＝1表示负荷有功功率数据集，l＝2表示负荷无功功率数据集，l＝3表示节点电压数据集，l＝4表示环境影响因素数据集；步骤1所述归一化后负荷用电特性量测数据包括：归一化后负荷有功功率数据集、归一化后无功功率数据集、归一化后节点电压数据集、归一化后环境影响因素数据集；所述归一化负荷有功功率数据集包括m个采样点的归一化负荷有功功率，定义为：p*(1)，p*(2)，...，p*(m)所述归一化无功功率数据集包括m个采样点的归一化无功功率；q*(1)，q*(2)，...，q*(m)所述归一化节点电压数据集包括m个采样点的归一化节点电压；v(1)，v(2)，...，v(m)将当前采样点的对下一时刻采样点的节点电压进行预测得到当前采样点对下一时刻采样点预测的归一化节点电压数据集，具体为：v*(2)，v*(3)，...，v*(m+1)所述归一化环境影响因素数据集包括m个采样点的归一化环境影响因素；ψ*(1)，ψ*(2)，...，ψ*(m)步骤1中所述构建有功特性训练集为：通过n个采样点的归一化负荷有功功率即p*(1)，p*(2)，...，p*(n)、n个当前采样点对下一时刻采样点预测的归一化节点电压即v*(2)，v*(2)，...，v*(n+1)、n个采样点的归一化环境影响因素即ψ*(1)，ψ*(2)，...，ψ*(n)构建有功特性训练集，具体如下：其中，t∈[1，n]，n为有功特性训练集中样本的数量；p*(t)为第t个采样点的归一化负荷有功功率，v*(t+1)为第t个采样点对t+1采样点的预测的归一化节点电压，ψ*(t)第t个采样点的归一化环境影响因素；步骤1中所述构建有功特性测试集为：通过m-n个采样点的归一化负荷有功功率即p*(n+1)，p*(n+2)，...，p*(m)、m-n个采样点的归一化节点电压即v*(n+1)，v*(n+2)，...，v*(m)、m-n个采样点的归一化环境影响因素即ψ*(n+1)，ψ*(n+2)，...，ψ*(m)构建有功特性测试集，具体如下：步骤1中所述构建无功特性训练集为：通过n个采样点的归一化无功功率即q*(1)，q*(2)，...，q*(n)构建无功特性训练集，具体如下：dq＝[q*(1)q*(2)…q*(t)…q*(n)]步骤1中所述构建无功特性测试集为：通过m-n个采样点的归一化无功功率即q*(n+1)，q*(n+2)，...，q*(m)构建无功特性训练集，具体如下：tq＝[q*(n+1)q*(n+2)…q*(j)…q*(m)]步骤2：建立改进双层长短期记忆网络的负荷用电特性模型；步骤2所述改进双层长短期记忆网络的负荷用电特性模型由下层长短期记忆网络、上层长短期记忆网络级联构成；所述下层长短期记忆网络：由第1个下层长短期记忆单元、......、第k个下层长短期记忆单元依次串联构成，用于学习负荷的有功特性，即负荷有功功率与过去k个时间点即t-k，t-k+1，…，t-1的历史有功功率、节点电压、环境影响因素的耦合特性；将步骤1中所述的有功特性训练集即dp内数据[p*(t-k)，v*(t-k+1)，ψ*(t-k)]，…，[p*(t-1)，v*(t)，ψ*(t-1)]分别依次输入第一下层长短期记忆单元、......、第k下层长短期记忆单元；并根据第k个下层长短期记忆单元的隐藏状态输出当前时刻(t)的有功功率评估值，如下：其中，gp()为下层第k个长短期记忆单元隐藏状态的线性函数；ap和bp为线性函数gp()的线性矩阵系数，维度分别为1xh、1x1；h为隐藏状态的大小。所述上层长短期记忆网络：由第1上层长短期记忆单元、...、第k上层长短期记忆单元依次串联构成，用于学习负荷的无功特性，即负荷无功功率与过去多个时间点的历史无功功率、各上层长短期记忆单元的隐藏状态间的耦合特性；其中，上层长短期记忆网络中第i个单元的输入量ii，由步骤1中获取的无功特性训练集dq中的[q*(i)]和下层长短期记忆网络中第i个单元的隐藏状态构成；根据上层长短期记忆网络第k个长短期记忆单元的隐藏状态输出当前时刻(t)的无功功率评估值：其中，gq()为上层第k个长短期记忆单元隐藏状态的线性函数；aq和bq为线性函数gq()的线性矩阵系数，维度分别为1xh、1x1；h为隐藏状态的大小。步骤3：构建改进双层长短期记忆网络的负荷用电特性模型的损失函数模型，利用有功特性训练集、无功特性训练集训练改进双层长短期记忆网络的负荷用电特性模型，并用测试集验证训练后改进双层长短期记忆网络的负荷用电特性模型的准确性。步骤3所述改进双层长短期记忆网络的负荷用电特性模型的损失函数模型为：其中，p*(t)为第t个采样点的归一化负荷有功功率，q*(t)为第t个采样点的归一化负荷无功功率，为t时刻有功功率的评估结果，为t时刻无功功率的评估结果；步骤3所述训练改进双层长短期记忆网络的负荷用电特性模型为：采用adam算法对改进双层长短期记忆网络的负荷用电特性模型的超参数进行优化，使所述改进双层长短期记忆网络的负荷用电特性模型的损失函数模型为对t时刻采样点的有功功率和无功功率预测误差最小；所述超参数包括各层网络中每个长短期记忆单元的权重参数和偏置参数；通过优化后超参数构建训练后改进双层长短期记忆网络的负荷用电特性模型。本发明第二实施例具体如下：步骤1：收集负荷用电特性相关量测数据，分别构成有功、无功特性训练集和有功、无功特性测试集；步骤2：建立改进双层长短期记忆网络的负荷用电特性模型，在本发明实施例中的具体结构如图2所示；步骤3：利用步骤1获得的训练集训练步骤2所建立的负荷用电特性模型，并用测试集验证准确性，在本发明实施例中的具体流程如图3所示，其中epoch代表迭代次数，在本发明实施例中，epoch设置为150。作为优选，步骤1中所述负荷用电特性相关量测数据包含m个采样点的负荷有功功率p、无功功率q、节点电压v和环境影响因素ψ。在本发明实施例中，以某区域内空调集群负荷用电特性为研究对象，m具体为14400，并选择室外温度t作为环境影响因素ψ，相关量测数据如图4所示。进一步地，为了提高模型训练效果，步骤1中的量测数据全部采用归一化处理，如下：其中，x代表p、q、v和ψ的量测数据；x*为归一化后的值；xmin和xmax分别代表x的最小值和最大值。进一步地，步骤1中所述有功、无功特性训练集和有功、无功特性测试集分别用dp、dq、tp和to表示；其中，有功特性训练集dp包含连续n个采样点的负荷有功功率、节点电压和环境影响因素归一化后的值，如下所示：其中，t∈[1，n]，n为采样点的数量，在本发明实施例中，n具体取值为12960；p*(t)为第t个采样点负荷有功功率量测结果归一化后的值，v*(t+1)为第t个采样点对下一时刻采样点节点电压预测结果归一化后的值，ψ*(t)第t个采样点环境影响因素量测结果归一化后的值，。有功特性测试集tp包含剩余连续m-n个采样点的负荷有功功率、节点电压和环境影响因素量测数据归一化后的值，如下所示：无功特性训练集dq包含连续n个采样点的负荷无功功率归一化后的值，如下所示：dq＝[q*(1)q*(2)…q*(t)…q*(n)]无功特性测试集to包含剩余连续m-n个采样点的负荷无功功率归一化后的值，如下所示：tq＝[q*(n+1)q*(n+2)…q*(t)…q*(m)]作为优选，步骤2中所述改进双层长短期记忆网络的负荷用电特性模型，具体包含上层长短期记忆网络和下层长短期记忆网络，其中：2.1下层长短期记忆网络，用于学习负荷的有供特性，即负荷有功功率与过去k个时间点(t-k，t-k+1，…，t-1)的历史有功功率、环境影响因素的耦合特性，由第1个下层长短期记忆单元、......、第k个下层长短期记忆单元依次串联构成，如图2所示。其中，分别为上层第1…k个单元的单元状态；分别为上层第1…k个单元的隐藏状态。在本发明实施例中，k具体设置为288，单个长短期记忆单元的架构如图5所示，数学表达式如下，ft＝σ(wf，h·ht-1+wf，m·mt+bf)it＝σ(wi，h·ht-1+wi，m·mt+bi)ht＝tanh(wc·ct+bc)·σ(wo，h·ht-1+wo，m·mt+bo)其中，mt代表t时刻采样点采集到的量测数据；ft、it、ct、ht分别代表t时刻的遗忘门结果、单元状态候选、输入门结构、单元状态、隐藏状态；wf，h、wf，m、wi，h、wi，m、wo，h、wo，m、wc、wo，h、wo，m为权重矩阵；bf、bi、bc、bo为偏置量；tanh函数和σ函数为激活函数，表达式如下，特别地，将dp内数据[p*(t-k)，v*(t-k+1)，ψ*(t-k)]，…，[p*(t-1)，v*(t)，ψ*(t-1)]依次输入2.1所述下层长短期记忆网络的1，…，k个记忆单元，并根据下层第k个长短期记忆单元的隐藏状态输出当前时刻(t)的有功功率评估值有功功率评估值的计算公式如下：其中，gp()为下层第k个长短期记忆单元隐藏状态的线性函数；ap和bp为线性函数gp()的线性矩阵系数，维度分别为1xh、1x1；h为隐藏状态的大小。在本发明实施例中，h具体设置为16。2.2上层长短期记忆网络，由第1上层长短期记忆单元、......、第k上层长短期记忆单元依次串联构成，用于学习负荷的无功特性，即负荷无功功率与过去多个时间点的历史无功功率、下层长短期记忆网络各单元的隐藏状态间的耦合特性；其中，上层长短期记忆网络中第i个单元的输入量ii由训练集数据集dq中的[q*(i)]和下层长短期记忆网络中第i个单元的隐藏状态构成，如图2所示。其中，分别为上层第1…k个单元的单元状态；分别为上层第1…k个单元的隐藏状态。进一步地，2.2所述上层长短期记忆网络根据最后一个单元的隐藏状态输出当前时刻(t)的无功功率评估值计算公式如下：其中，gq()为关于隐藏状态的线性函数；aq和bq为gq()函数的线性矩阵系数，维度分别为1xh、1x1；h为隐藏状态的大小，在本实施例中，h取值为16。优选地，步骤3利用步骤1获得的训练集训练步骤2所建立的负荷用电特性模型，并用测试集验证准确性，具体包含以下2个步骤：步骤3.1，利用步骤1获得的dp、dq，训练步骤2所建立的负荷用电特性模型，在本发明实施例中，流程如图3所示；步骤3.2，利用步骤1获得的tp、tq，验证训练后的负荷用电特性模型的准确性，在本发明实施例中，流程如图3所示。特别地，所述步骤3.1采用adam算法对步骤2中双层长短期记忆网络的超参数进行优化，使步骤2所建的负荷用电特性模型的损失函数最小，如图3所示。其中，所述超参数包括各层网络中每个长短期记忆单元的权重参数和偏置参数，即wf，h、wf，m、wi，h、wi，m、wo，h、wo，m、wc、wo，h、wo，m、bf、bi、bc、bo。所述损失函数loss为对t时刻采样点的有功功率和无功功率预测误差最小：特别地，在本发明实施例中，所述步骤3.2将测试集tp和to的相关数据输入步骤3.1训练好的模型中，输出有有功功率评估值和无功功率评估值采用均方根差rmse衡量负荷用电特性模型对负荷有功、无功功率的评估误差，即评估值与测试集中对应实际值(p*(t)、q*(t))间的偏差，计算公式如下：特别地，在本发明实施例中，所述步骤3.2的负荷用电特性评估结果如图5所示。以常规wecc模型作为对照组，负荷用电特性评估误差如下：表1：负荷用电特性评估误差负荷用电特性模型有功功率评估rmse无功功率评估rmsewecc3.91mw1.58mw改进双层长短期记忆网络1.21mw0.87mw可见，与常规wecc模型相比，本发明提供的一种改进双层长短期记忆网络的负荷用电特性模型具有评估误差小的优点，能够更准确地刻画该区域空调集群的负荷用电特性，可根据历史负荷有功功率、无功功率和室外天气，动态评估当前时刻的负荷有功功率和无功功率。以上所描述的一种改进双层长短期记忆网络的负荷用电特性建模方法，其有益效果是：所提出的改进双层长短期记忆网络能够学习负荷有功功率、无功功率关于节点电压、环境影响因素和历史有功功率、历史无功功率间的耦合特性，提高了建模准确性，实现对负荷有功功率和无功功率的联合评估。所提方法可用于负荷有功功率和无功功率评估，对负荷参与系统有功-无功联合调度有指导意义。应当理解的是，本说明书未详细阐述的部分均属于现有技术。应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。当前第1页12