一种基于改进BiGRU的配网超短期功率态势预测方法与流程

一种基于改进bigru的配网超短期功率态势预测方法
技术领域
1.本发明涉及配电网功率态势感知技术领域，特别是涉及一种基于改进bigru(双向门控循环单元)的配网超短期功率态势预测方法。


背景技术：

2.随着科学技术的不断发展，配电网会引入大量柔性负荷、分布式电源等绿色能源，虽然能够增加其供电能力和灵活性，但是也影响配电网的供电质量、可靠性、波动性等。功率波动等问题是配电网的常见问题，会限制线路的电力配送能力，还容易造成电力安全事故。同时有功、无功功率是配电网运行的重要指标，关系到配电网设备和线路的运行安全。态势感知是指在特定时空背景下，对系统中元素进行觉察、理解以及对未来运行情况进行预测。因此，为了确保配网设备和线路的安全运行则需要对电网有功、无功功率等进行短或实时短期态势感知，使其为配电网优化风、光、储新能源调度和负荷功率控制等态势利导方法提供有力数据支撑，从而维持配电网系统的持续稳定运行，为配电网安全可靠绿色运行提供技术支持。
3.基于数据驱动方式的深度学习技术在解决配电网运行态势感知方面具有潜在的技术优势，其受噪声干扰小，针对电网大数据可以准确地提取输入数据的特征，使输出结果较为稳定，能发掘数据内部的关联。近年来电网一些专家采用深度学习用于电力系统负荷预测、电网紧急控制和自动发电控制等方面的研究取得了部分成果。因此为构建有效的配电网态势感知能力，使用深度模型对配电系统进行态势感知能力已成为当前研究热点。
4.目前，配电网态势感知所提出的基于深度学习模型态势预测评估方法处于起步阶段，但在国家自然科学基金会和电网公司的资助下，不少高校和研究机构近几年也取得了些许进展。但现有配电网的功率态势预测研究领域发表的模型存在收敛速度慢、易过拟合现象，预测精度不高等问题，不能够给配电功率态势感知甚至之后的态势利导等决策提供可靠的数据支撑。


技术实现要素：

5.本发明的目的是提供一种基于改进bigru的配网超短期功率态势预测方法，搭建基于小波变换和自注意力机制的bigru(双向门控循环单元)深度模型，改善现有一般循环神经网络rnn、lstm、gru等深度模型在配电网态势预测中的训练时过拟合现象，提高现有模型预测精度，加快模型收敛速度，为态势感知和态势利导提供数据支持，从而维持配电网系统的安全持续稳定运行。
6.为实现上述目的，本发明提供了如下方案：
7.一种基于改进bigru的配网超短期功率态势预测方法，该方法包括以下步骤：
8.s1，获取配电网的运行数据，并对准备输入深度模型的功率数据进行数据预处理；
9.s2，利用小波分解将数据预处理后的功率数据进行多阶离散小波分解，之后对每条频率分量做单波重构，得到多条与分解前具有相同时序长度但不同频率分量的态势功率
数据；
10.s3，根据训练验证和滑动窗口策略划分出数据集及其输入输出格式：先将态势功率数据分为训练数据集、验证数据集和测试数据集，之后将各类数据集塑形为符合深度模型的输入格式和输出格式，深度模型根据功率超短期预测原则采用多个现有功率值预测一个近期未来功率值，态势预测时间范围为一刻；
11.s4，搭建基于小波变换和自注意力机制的bigru深度预测模型，bigru深度预测模型由两层双向门控循环单元和自注意力模块构成；
12.s5，将不同分量的训练数据集与验证数据集按顺序输入bigru深度预测模型，进行模型的训练和验证；将输出值与真实值利用不同的误差函数比较计算误差，在处理训练数据集时还要进行模型参数的反向梯度更新优化模型预测效果，而处理验证数据集则不用；
13.s6，将预测数据集输入训练和验证后的bigru深度预测模型，将预测数据集不同频率分量的预测结果相加得到最终模型预测值。
14.进一步的，所述步骤s1中，所述数据预处理，具体包括：空值和异常值剔除、数据归一化，其中采用的数据归一化公式如下：
[0015][0016]
式(1)中，x
i
代表剔除空值和异常值的实际一维功率数组中第i个时序值，x代表功率数组，min(x)代表计算该数组最小值，max(x)代表计算该数组最大值，该公式最终将原始数值限定在[
‑
1,1]范围中。
[0017]
进一步的，所述步骤s2中，利用小波分解将数据预处理后的功率数据进行多阶离散小波分解，之后对每条频率分量做单波重构，得到多条与分解前具有相同时序长度但不同频率分量的态势功率数据，具体包括：
[0018]
多阶离散小波分解采用多阶一维的离散小波变换公式如下：
[0019]
a
j
＝a
j+1
h1，d
j
＝d
j+1
l1，j＝0，1，...，m
‑1ꢀꢀꢀ
(2)
[0020]
式(2)中，h1和l1分别为低通滤波系数和高通滤波系数，a
j
和d
j
分别为第j阶分解后的低频信号序列和高频信号序列，m为小波分解层数；
[0021]
单波重构采用小波的重构算法公式如下：
[0022]
a
j
＝a
j+1
h2+d
j+1
l2，j＝m
‑
1，...，1，0
ꢀꢀꢀ
(3)
[0023]
式(3)中，h2和l2分别为h1和l1的对偶算子。
[0024]
进一步的，所述步骤s3中，将各类数据集塑形为深度模型的输入格式和输出格式，具体包括：分配好各类数据集的键值对；深度模型的输入格式和输出格式如下：
[0025]
<input：{seq
len
，batch
size
，input
size
}，output：{seq
len
，batch
size
，output
size
}>
ꢀꢀꢀ
(4)
[0026]
式(4)中，seq
len
为需要预测的点数，也是输入与输出计算误差时键值对的数量；batch
size
为每次深度模型进行反向梯度更新所需样本数；input
size
为模型需要根据多少数量的现有值进行预测未来值；output
size
为模型需要根据现有值进行预测多少未来值。
[0027]
进一步的，所述步骤s4中，搭建基于小波变换和自注意力机制的bigru深度预测模型，bigru深度预测模型由两层双向门控循环单元和自注意力模块构成，具体包括：
[0028]
两层双向的门控循环单元网络的隐含层维度不同，第一层维度和第二层维度变换由上到下：
[0029]
input：input
size
，hidden：hidden
size
*2，output：hidden
size
*4
ꢀꢀꢀ
(5)
[0030]
input：hidden
size
*4，hidden：hidden
size
，output：hidden
size
*2
ꢀꢀꢀ
(6)
[0031]
式(5)和式(6)中，hidden
size
为门控循环单元的隐含层维度；
[0032]
将输出的隐含层张量通过预设的超参数的三次张量线性变换得到三个维度的自注意力机制的query，key，value张量，再通过自注意力机制的计算方法得到自注意力输出，计算方法如下：
[0033][0034][0035]
式(7)首先通过query与key的转置key
t
做张量相乘将其变为特征值自注意力张量，再将自注意力矩阵进行特定维度归一化，之后将value张量与特征值自注意力张量相乘进行特征值的注意和重组得到attention特征值重组张量，最后将attention特征值重组张量再通过逆线性变换作为自注意力输出，其中d
k
为经过线性变换query，key，value张量的特征维度；
[0036]
式(8)为特定维度值归一化公式，其中x为进行维度归一化的张量，最终x的特定维度的值会被限制在[0,1]之间；
[0037]
将自注意力机制的输出与中间两层双向门控循环单元的输出相加，最后将其输出与双层输出的隐含层向量相加一齐输入最后的全连接层得到最终的深度模型输出态势预测值，全连接层张量隐含层维度变换如式(9)：
[0038]
input：hidden
size
*2，output：output
size
ꢀꢀꢀ
(9)
[0039]
进一步的，所述步骤s5中，不同的误差函数，包括：
[0040]
平均绝对值误差函数mae、平均相对绝对值误差mape、均方根误差rmse和r2决定系数的四个计算公式：
[0041][0042][0043][0044][0045]
式(10)
‑
(13)中的x
i
代表数据集中时序为i的深度模型输入值，pred(x
i
)代表深度预测模型根据已知值x
i
和现模型参数预测的结果，即深度预测模型的输出值，y(x
i
)对应时序为i的真实值，代表目前数据集中所有真实值的平均值，n代表总共需预测的数量。
[0046]
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于改进bigru的配网超短期功率态势预测方法，对深度模型输入的配电网有功或无功功率的态势序列首先进行数据预处理，进而采用小波分解对处理后的数据进行频域分解以及单波重构，重构为若干时序的近似功率分量和细节功率分量，针对每条单波分量搭建不同超参数的bigru神经网络和自注意力机制的深度模型进行实际模型的训练、验证和最终的功率合并的态势预测；本发明在传统态势预测的深度模型(例如：rnn、lstm、gru)基础上加入了双向网络结构改进了传统单向预测中可能出现的相位滞后问题，提高了模型的鲁棒性、预测精度和收敛速度，加入的小波变换方法将原始预测难度降低为预测近似和细节分量，改善了模型直接训练原始数据时的过拟合现象以及提高了模型预测精度，而最后提出的自注意力机制在此基础结构上更好把握了模型隐藏层维度之间的关系，进一步实现了模型态势预测精度的提高。
附图说明
[0047]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0048]
图1为本发明实施例配电网设备或线路态势感知流程图；
[0049]
图2为本发明方法对应数据的整体流程框图；
[0050]
图3为本发明提出的深度预测模型网络结构；
[0051]
图4为本发明提出的自注意力机制详细结构；
[0052]
图5为本发明提出的单次模型训练与验证流程图。
具体实施方式
[0053]
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。
[0054]
本发明的目的是提供一种基于改进bigru的配网超短期功率态势预测方法，搭建基于小波变换和自注意力机制的bigru深度模型，提高模型预测精度，加快模型收敛速度，为态势感知和态势利导提供数据支持，从而维持配电网系统的安全持续稳定运行。
[0055]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0056]
如图1
‑
图2所示，本发明提供的基于改进bigru的配网超短期功率态势预测方法，包括以下步骤：
[0057]
s1，获取配电网的运行数据，并对准备输入深度模型的功率数据进行数据预处理；具体包括：空值和异常值剔除、数据归一化，其中采用的数据归一化公式如下：
[0058]
[0059]
式(1)中，x
i
代表剔除空值和异常值的实际一维功率数组中第i个时序值，x代表功率数组，min(x)代表计算该数组最小值，max(x)代表计算该数组最大值，该公式最终将原始数值限定在[
‑
1,1]范围中；
[0060]
s2，利用小波分解将数据预处理后的功率数据进行多阶离散小波分解，之后对每条频率分量做单波重构，得到多条与分解前具有相同时序长度但不同频率分量的态势功率数据；针对每个功率数据集中的低频和高频分量，采用不同的阶数和不同小波基函数分解方法观察预测效果变化，选择模型训练最优的误差值时的参数作为验证和预测超参数；具体包括：
[0061]
多阶离散小波分解采用多阶一维的离散小波变换公式如下：
[0062]
a
j
＝a
j+1
h1，d
j
＝d
j+1
l1，j＝0，1，...，m
‑1ꢀꢀꢀ
(2)
[0063]
式(1)中，h1和l1分别为低通滤波系数和高通滤波系数，a
j
和d
j
分别为第j阶分解后的低频信号序列和高频信号序列，m为小波分解层数；式(2)是基于mallat算法推导出的多阶一维的离散小波变换公式，实际离散小波变换是使用低通和高通滤波器组方法实现的；
[0064]
单波重构采用小波的重构算法公式如下：
[0065]
a
j
＝a
j+1
h2+d
j+1
l2，j＝m
‑
1，...，1，0
ꢀꢀꢀ
(3)
[0066]
式(3)中，h2和l2分别为h1和l1的对偶算子。
[0067]
s3，根据训练验证和滑动窗口策略划分出数据集及其输入输出格式：先将态势功率数据分为训练数据集、验证数据集和测试数据集，之后将各类数据集塑形为符合深度模型的输入格式和输出格式，深度模型根据功率超短期预测原则采用多个现有功率值预测一个近期未来功率值，态势预测时间范围为一刻；分配好的数据集的键值对张量维度如下，这对应的深度模型的输入与输出：
[0068]
<input：{seq
len
，batch
size
，input
size
}，output：{seq
len
，batch
size
，output
size
}>
ꢀꢀꢀ
(4)
[0069]
式(4)中，seq
len
为需要预测的点数，也是输入与输出计算误差时键值对的数量；batch
size
为每次深度模型进行反向梯度更新所需样本数；input
size
为模型需要根据多少数量的现有值进行预测未来值；output
size
为模型需要根据现有值进行预测多少未来值。
[0070]
s4，搭建基于小波变换和自注意力机制的bigru深度预测模型，bigru深度预测模型由两层双向门控循环单元和自注意力模块构成；
[0071]
s5，将不同分量的训练数据集与验证数据集按顺序输入bigru深度预测模型，进行模型的训练和验证，如图5所示单次模型训练与验证流程图；将输出值与真实值利用不同的误差函数比较计算误差，在处理训练数据集时还要进行模型参数的反向梯度更新优化模型预测效果，处理验证数据集则不用；结束时绘制不同分量损失值的步长变化曲线，该曲线体现了模型的过拟合程度、收敛速度、预测精度；
[0072]
s6，将预测数据集输入训练和验证后的bigru深度预测模型，将预测数据集不同频率分量的预测结果相加得到最终模型预测值。
[0073]
其中，如图3和图4所示，所述步骤s4中，搭建基于小波变换和自注意力机制的bigru深度预测模型，bigru深度预测模型由两层双向门控循环单元和自注意力模块构成，具体包括：
[0074]
两层双向的门控循环单元网络的隐含层维度不同，第一层维度和第二层维度变换由上到下：
[0075]
input：input
size
，hidden：hidden
size
*2，output：hidden
size
*4
ꢀꢀꢀ
(5)
[0076]
input：hidden
size
*4，hidden：hidden
size
，output：hidden
size
*2
ꢀꢀꢀ
(6)
[0077]
式(5)和式(6)中，hidden
size
为门控循环单元的隐含层维度；
[0078]
将输出的隐含层张量通过预设的超参数的三次张量线性变换得到三个维度的自注意力机制的query，key，value张量，再通过自注意力机制的计算方法得到自注意力输出，计算方法如下：
[0079][0080][0081]
式(7)首先通过query与key的转置key
t
做张量相乘将其变为特征值自注意力张量，再将自注意力矩阵进行特定维度归一化，在此之前使用不同的线性变换目的是为了提高最后形成张量的泛化能力，之后为了防止query，key向量维度较大时，导致点积结果过大，归一化张量梯度很小的不足，需要进行缩放操作减轻影响；之后将value张量与特征值自注意力张量相乘进行特征值的注意和重组得到attention特征值重组张量，最后将attention特征值重组张量再通过逆线性变换作为自注意力输出，其中d
k
为经过线性变换query，key，value张量的特征维度；
[0082]
式(8)为特定维度值归一化公式，其中x为进行维度归一化的张量，最终x的特定维度的值会被限制在[0,1]之间；
[0083]
由于引入新结构与网络参数，模型收敛速度不可避免受到影响，因此本发明将自注意力机制的输出与中间两层双向门控循环单元的输出相加，最后将其输出与双层输出的隐含层向量相加一齐输入最后的全连接层得到最终的深度模型输出态势预测值，全连接层张量隐含层维度变换如式(9)：
[0084]
input：hidden
size
*2，output：output
size
ꢀꢀꢀ
(9)
[0085]
所述步骤s5中，不同的误差函数，包括：
[0086]
平均绝对值误差函数mae、平均相对绝对值误差mape、均方根误差rmse和r2决定系数的四个计算公式：
[0087][0088][0089][0090][0091]
式(10)
‑
(13)中的x
i
代表数据集中时序为i的深度模型输入值，pred(x
i
)代表深度
预测模型根据已知值x
i
和现模型参数预测的结果，即深度预测模型的输出值，y(x
i
)对应时序为i的真实值，代表目前数据集中所有真实值的平均值，n代表总共需预测的数量。
[0092]
在本发明实施例中，分别使用功率训练集和功率验证集实现配电网有功、无功的深度预测模型的训练和验证，在实际训练中，当使用第三方文件读取库读入表格文件后，首先要确定目标设备或线路的id号以及读取有功还是无功数据进行模型的搭建和训练。在模型训练过程中同时也要进行模型的验证，目的是为了在训练是同时监控模型对与相近但不同时期的有功、无功功率的鲁棒性。在模型训练和验证完成之后进行的模型的态势预测的应用阶段，输入值可以是几个已知功率值也可以是一批功率值，但最终还是要对每个单波模型的输出的预测功率值进行时域的数值重构合成最终态势预测值。
[0093]
综上，本发明提供的基于改进bigru的配网超短期功率态势预测方法，在传统态势预测的深度模型(例如：rnn、lstm、gru)基础上加入了双向网络结构改进了传统单向预测中可能出现的相位滞后问题，提高了模型的鲁棒性、预测精度和收敛速度，加入的小波变换方法将原始预测难度降低为预测近似和细节分量，改善了模型直接训练原始数据时的过拟合现象以及提高了模型预测精度，而最后提出的自注意力机制在此基础结构上更好把握了模型隐藏层维度之间的线性关系，进一步实现了模型态势预测精度的提高。
[0094]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。