基于交错叠加CNN-LSTM模型的调相机无功出力建模方法与流程

基于交错叠加cnn-lstm模型的调相机无功出力建模方法
技术领域
1.本技术涉及直流输电系统技术领域，特别是涉及一种基于交错叠加cnn-lstm模型的调相机无功出力建模方法。


背景技术：

2.调相机具有容量大、可靠性高、动态电压维持能力强的特点，在电网扰动的情况下，能够通过强励及时提供大容量动态无功。针对调相机无功支持能力问题的研究，目前的研究方法主要有数学模型计算法和试验结果拟合法。其中解析计算法是基于同步电抗不饱和等假定，建立调相机各量值的解析数学模型，但调相机是一类多变量、强耦合的复杂非线性系统，数学模型难以精确建立，故解析法具有计算量大、精度低等局限。
3.卷积神经网络(cnn)具有高效的特征提取能力，可有效提取数据特征，减少干扰信息。长短时记忆神经网络(lstm)模型具备挖掘数据信息的能力，但当数据信息过大时，在训练过程中会出现不稳定性和梯度消失的现象。cnn-lstm模型不仅可利用cnn实现数据的特征提取，还可利用lstm学习数据的特征信息。目前，cnn-lstm模型的精度有待进一步提高。
4.因此，现有技术中依然存在调相机无功出力解析建模困难且建模精度低的技术问题。


技术实现要素：

5.本发明的目的在于克服现有技术中的不足，提供一种基于交错叠加cnn-lstm模型的调相机无功出力建模方法，能够降低调相机无功出力建模难度，提高模型精度。
6.为达到上述目的，本发明是采用下述技术方案实现的：
7.第一方面，本发明提供了一种基于交错叠加cnn-lstm模型的调相机无功出力建模方法，所述方法包括：
8.选取调相机励磁电流和励磁电压作为输入的样本数据，调相机的无功输出量和系统电压作为输出的样本数据，根据调相机无功调节仿真结果获取训练样本和测试样本；
9.将所述训练样本和所述测试样本进行数据归一化预处理，即将样本数据的数值映射到[-1,1]之间；
[0010]
将基于交错叠加的cnn模型与lstm模型融合构建基于交错叠加cnn-lstm模型；
[0011]
加载经过处理的样本数据到基于交错叠加cnn-lstm模型中；
[0012]
选取并调整基于交错叠加cnn-lstm模型的超参数；
[0013]
训练并测试基于交错叠加cnn-lstm模型；
[0014]
评估基于交错叠加cnn-lstm模型的性能指标，判断是否达到性能指标，如果未能达到性能指标，返回步骤5，调整基于交错叠加cnn-lstm模型的超参数，经过反复调整超参数并训练和测试基于交错叠加cnn-lstm模型，如果达到性能指标，获得最优的基于交错叠加cnn-lstm模型的调相机无功出力模型。
[0015]
结合第一方面，进一步的，所述基于交错叠加的cnn模型包括卷积单元1、卷积单元
2、卷积单元3、卷积单元4、卷积单元5、卷积单元6、最大池化层、平均池化层和连接层，其中，卷积单元1、卷积单元3和卷积单元5的结构相同，卷积单元2、卷积单元4和卷积单元6的结构相同；
[0016]
卷积单元1、卷积单元2、卷积单元3、卷积单元4、卷积单元5和卷积单元6顺序连接，卷积单元6连接到两个并行分支层，这两个并行分支层是最大池化层和平均池化层，最大池化层和平均池化层的大小为3
×
3，滑动步长为1，最大池化层和平均池化层一起连接到连接层，形成基于交错叠加的cnn模型。
[0017]
结合第一方面，进一步的，所述基于交错叠加的cnn模型中卷积单元1、卷积单元3和卷积单元5采用第一种结构，第一种结构的主支路按照二维卷积层1、批量归一化层1、激活层1、二维卷积层2、批量归一化层2、激活层2、添加层和最大池化层1顺序连接，第一种结构的分支路从激活层1通过二维卷积层3和批量归一化层3连接到添加层；
[0018]
卷积单元2、卷积单元4和卷积单元6采用第二种结构，第二种结构的主支路按照二维卷积层1、批量归一化层1、激活层1、二维卷积层2、批量归一化层2、激活层2、添加层和最大池化层1顺序连接，第二种结构的分支路从激活层1直接连接到添加层；
[0019]
卷积单元1中二维卷积层1和二维卷积层2的卷积核大小为2
×
1且深度为32，二维卷积层3的卷积核大小为1
×
1且深度为32，二维卷积层1和二维卷积层3的滑动步长为2，二维卷积层2的滑动步长为1；
[0020]
卷积单元2中二维卷积层1和二维卷积层2的卷积核大小为2
×
1且深度为32，二维卷积层1的滑动步长为2，二维卷积层2的滑动步长为1；
[0021]
卷积单元3中二维卷积层1和二维卷积层2的卷积核大小为2
×
1且深度为64，二维卷积层3的卷积核大小为1
×
1且深度为64，二维卷积层1和二维卷积层3的滑动步长为2，二维卷积层2的滑动步长为1；
[0022]
卷积单元4中二维卷积层1和二维卷积层2的卷积核大小为2
×
1且深度为64，二维卷积层1滑动步长为2，二维卷积层2的滑动步长为1；
[0023]
卷积单元5中二维卷积层1和二维卷积层2的卷积核大小为2
×
1且深度为128，二维卷积层3的卷积核大小为1
×
1且深度为128，二维卷积层1和二维卷积层3的滑动步长为2，二维卷积层2的滑动步长为1；
[0024]
卷积单元6中二维卷积层1和二维卷积层2的卷积核大小为2
×
1且深度为128，二维卷积层1的滑动步长为2，二维卷积层2的滑动步长为1；
[0025]
最大池化层1的大小为2
×
2，滑动步长为2。
[0026]
结合第一方面，进一步的，所述lstm模型包括：序列展开层、扁平化层、lstm层、全连接层以及回归输出层；
[0027]
所述基于交错叠加的cnn模型与lstm模型融合构建的基于交错叠加cnn-lstm模型包括：序列输入层、序列折叠层、卷积单元1、卷积单元2、卷积单元3、卷积单元4、卷积单元5、卷积单元6、最大池化层、平均池化层、连接层、序列展开层、扁平化层、lstm层、全连接层以及回归输出层；
[0028]
通过序列输入层将经过处理过的样本数据加载到基于交错叠加cnn-lstm模型中，经过序列折叠层将卷积运算独立地应用于经过处理过的样本数据的特征提取，通过基于交错叠加的cnn模型获取经过处理过的样本数据的有效表征，自动提取经过处理过的样本数
据的有用特征形式形成特征向量；连接层则连接到序列展开层，序列展开层还原由序列折叠层删除的序列结构体；通过一个快捷通道将序列折叠层直接连接到序列展开层；在序列展开层与lstm层之间加入扁平化层，使lstm层从向量序列中学习；lstm层之后是全连接层，全连接层将学到的特征表示映射到样本的标记空间，大小设置为1；全连接层后连接到最后一层，即回归输出层。
[0029]
结合第一方面，进一步的，所述方法包括在pscad/emtdc仿真软件平台上进行调相机无功调节仿真，在不同无功负荷工况下，通过改变调相机的励磁电流和励磁电压来调节调相机无功功率输出大小，维持系统电压稳定，从而获得调相机无功调节仿真结果。
[0030]
结合第一方面，进一步的，所述方法包括用归一化公式对所获取的样本数据进行数据归一化预处理，即将所获取的样本数据归一化到[g
min
,g
max
]＝[-1,1]范围，归一化公式为：
[0031][0032]
式中，tk为第k个所获取的样本数据；t
max
为第k个所获取的样本数据所属行中的最大值；t
min
为第k个所获取的样本数据所属行中的最小值；gk为第k个所获取的样本数据归一化后的值；g
max
为归一化的区间[g
min
,g
max
]上限；g
min
为归一化的区间[g
min
,g
max
]下限。
[0033]
结合第一方面，进一步的，所述方法包括采用均方根误差(rmse)、平均绝对误差(mae)和平均绝对百分比误差(mape)作为基于交错叠加cnn-lstm模型的评估性能指标：
[0034][0035][0036]
mae值越小，表示模型的误差越低；
[0037][0038]
mape值越小，表示模型的精度就越高；
[0039]
式中，n为样本数，y
i(t)
分别为t时刻第i个样本的预测值和样本值。
[0040]
与现有技术相比，本发明提供的基于交错叠加cnn-lstm模型的调相机无功出力建模方法所达到的有益效果包括：
[0041]
本发明采用两种不同结构的卷积单元交错叠加方式来构建基于交错叠加cnn模型，增加网络深度和模型的泛化能力，同时在基于交错叠加cnn-lstm模型以及每个卷积单元中均采用了快捷通道的方式，有效避免由模型加深带来的梯度减缓和梯度消失。将基于交错叠加cnn模型与lstm模型融合构建基于交错叠加cnn-lstm模型，提高了学习数据的特征信息的有效性。通过加载调相机无功调节仿真结果到该模型中，训练并测试该模型，依据评估模型性能指标，反复实验并调整超参数，获得基于交错叠加cnn-lstm模型的调相机无功出力模型，有效克服了调相机无功出力解析建模难度大且建模精度低的缺点。该模型可
作为调相机运行性能参数监测和无功调节，有助于研究调相机更好的维持系统稳定运行控制策略。
附图说明
[0042]
图1是本发明实施例中基于交错叠加cnn-lstm模型的调相机无功出力建模方法的流程示意图；
[0043]
图2是本发明实施例中基于交错叠加的cnn模型中卷积单元1、卷积单元3和卷积单元5的结构框图；
[0044]
图3是本发明实施例中基于交错叠加的cnn模型中卷积单元2、卷积单元4和卷积单元6的结构框图；
[0045]
图4是本发明实施例中基于交错叠加cnn-lstm模型的结构框图。
具体实施方式
[0046]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本技术。
[0047]
本发明实施例中，如图1所示，提供了一种基于交错叠加cnn-lstm模型的调相机无功出力建模方法，以该方法应用于终端为例进行说明，包括以下步骤：
[0048]
步骤1：选取调相机励磁电流和励磁电压作为输入的样本数据，调相机的无功输出量和系统电压作为输出的样本数据，根据调相机无功调节仿真结果获取训练样本和测试样本。
[0049]
其中，由于调相机无功出力与其励磁电流及励磁电压大小有关，为了维持系统电压稳定，在不同无功负荷工况下，可以通过改变调相机的励磁电流和励磁电压来调节调相机无功功率输出大小，提高系统电压稳定性。因此选取调相机的励磁电流和励磁电压作为输入样本数据；调相机无功出力是衡量调相机运行性能的重要指标，调相机的无功调节能力是维持直流输电系统母线电压稳定的关键因数之一，系统电压可作为调相机无功调节能力的重要指标。故选取调相机的无功功率和直流输电系统电压作为输出样本数据。
[0050]
步骤2：对所述训练样本和所述测试样本进行数据归一化预处理，即将样本数据的数值映射到[-1,1]之间。
[0051]
其中，对由调相机无功调节仿真结果获取的训练样本和测试样本进行数据归一化预处理，即将样本数据的数值映射到[-1,1]之间。
[0052]
作为一种实施例，本发明根据基于pscad/emtdc仿真软件调相机无功调节的仿真结果获取38组样本数据，每组样本数据包括：励磁电流、励磁电压、无功功率和系统电压；如表1所示，从38组样本数据中选取序号6、11、16、21、26、31、36组样本数据为测试样本，其余为训练样本。
[0053]
表1测试样本和训练样本
[0054]
[0055][0056][0057]
由于所获取的样本数据之间存在量纲、数量级等方面的差异，因此需要对所获取的样本数据进行数据预处理，即归一化处理。
[0058]
在本发明实施例中，采用归一化公式将所获取的样本数据进行数据归一化预处理，即将所获取的样本数据归一化到[g
min
,g
max
]＝[-1,1]范围，归一化公式为：
[0059][0060]
式中，tk为第k个所获取的样本数据；t
max
为第k个所获取的样本数据所属行中的最大值；t
min
为第k个所获取的样本数据所属行中的最小值；gk为第k个所获取的样本数据归一化后的值；g
max
为归一化的区间[g
min
,g
max
]上限；g
min
为归一化的区间[g
min
,g
max
]下限。
[0061]
以第k个所获取的样本数据为第2组中的励磁电流为例：t
max
为38组样本数据中的所有励磁电流中最大的励磁电流值；t
min
为38组样本数据中的所有励磁电流中最小的励磁电流值，gk为第2组中的励磁电流归一化后的值。
[0062]
步骤3：将基于交错叠加的cnn模型与lstm模型融合构建基于交错叠加cnn-lstm模型。
[0063]
其中，基于交错叠加的cnn模型包括卷积单元1、卷积单元2、卷积单元3、卷积单元4、卷积单元5、卷积单元6、最大池化层、平均池化层和连接层，其中，卷积单元1、卷积单元3和卷积单元5的结构相同，卷积单元2、卷积单元4和卷积单元6的结构相同；
[0064]
卷积单元1、卷积单元2、卷积单元3、卷积单元4、卷积单元5和卷积单元6顺序连接，卷积单元6连接到两个并行分支层，这两个并行分支层是最大池化层和平均池化层，最大池化层和平均池化层的大小为3
×
3，滑动步长为1，最大池化层和平均池化层一起连接到连接层，形成基于交错叠加的cnn模型。
[0065]
基于交错叠加的cnn模型中卷积单元1、卷积单元3和卷积单元5采用第一种结构，如图2所示，第一种结构的主支路层按照二维卷积层1、批量归一化层1、激活层1、二维卷积层2、批量归一化层2、激活层2、添加层和最大池化层1顺序连接，第一种结构的分支路层从激活层1通过二维卷积层3和批量归一化层3连接到添加层。
[0066]
卷积单元2、卷积单元4和卷积单元6采用第二种结构，如图3所示，第二种结构的主支路层按照二维卷积层1、批量归一化层1、激活层1、二维卷积层2、批量归一化层2、激活层2、添加层和最大池化层1顺序连接，第二种结构的分支路层从激活层1直接连接到添加层。
[0067]
卷积单元1中二维卷积层1和二维卷积层2的卷积核大小为2
×
1且深度为32，二维卷积层3的卷积核大小为1
×
1且深度为32，二维卷积层1和二维卷积层3的滑动步长为2，二维卷积层2的滑动步长为1；
[0068]
卷积单元2中二维卷积层1和二维卷积层2的卷积核大小为2
×
1且深度为32，二维卷积层1的滑动步长为2，二维卷积层2的滑动步长为1；
[0069]
卷积单元3中二维卷积层1和二维卷积层2的卷积核大小为2
×
1且深度为64，二维卷积层3的卷积核大小为1
×
1且深度为64，二维卷积层1和二维卷积层3的滑动步长为2，二维卷积层2的滑动步长为1；
[0070]
卷积单元4中二维卷积层1和二维卷积层2的卷积核大小为2
×
1且深度为64，二维卷积层1滑动步长为2，二维卷积层2的滑动步长为1；
[0071]
卷积单元5中二维卷积层1和二维卷积层2的卷积核大小为2
×
1且深度为128，二维卷积层3的卷积核大小为1
×
1且深度为128，二维卷积层1和二维卷积层3的滑动步长为2，二
维卷积层2的滑动步长为1；
[0072]
卷积单元6中二维卷积层1和二维卷积层2的卷积核大小为2
×
1且深度为128，二维卷积层1的滑动步长为2，二维卷积层2的滑动步长为1。
[0073]
使用零填充的方法使时间窗口大小保持不变，卷积核沿着时间轴进行卷积运算。为了加快训练并降低对基于交错叠加的cnn模型初始化的敏感度，二维卷积层1连接到批量归一化层1，二维卷积层2连接到批量归一化层2，二维卷积层3连接到批量归一化层3，批量归一化层对小批量中的每个输入通道进行归一化，也可作为一个正则化项，可以考虑不添加dropout层。
[0074]
批量归一化层1连接到激活层1，批量归一化层2连接到激活层2，选择激活函数为relu。激活层1和激活层2对输入的每个元素执行阈值运算，作用是将其中任何小于零的值都设置为零。
[0075]
通过添加层将分支层添加到主支路上，添加层连接到最大池化层1，最大池化层1的大小为2
×
2，滑动步长为2，最大池化层1具有平移不变性，加快计算速度和防止过拟合。
[0076]
lstm模型包括：序列展开层、扁平化层、lstm层、全连接层以及回归输出层；基于交错叠加的cnn模型与lstm模型融合构建的基于交错叠加cnn-lstm模型包括：序列输入层、序列折叠层、卷积单元1、卷积单元2、卷积单元3、卷积单元4、卷积单元5、卷积单元6、最大池化层、平均池化层、连接层、序列展开层、扁平化层、lstm层、全连接层以及回归输出层，如图4所示。通过序列输入层将经过处理过的样本数据加载到基于交错叠加cnn-lstm模型中，经过序列折叠层将卷积运算独立地应用于经过处理过的样本数据的特征提取，通过基于交错叠加的cnn模型获取经过处理过的样本数据的有效表征，自动提取经过处理过的样本数据的有用特征形式形成特征向量；连接层则连接到序列展开层，序列展开层还原由序列折叠层删除的序列结构体；通过一个快捷通道将序列折叠层直接连接到序列展开层；在序列展开层与lstm层之间加入扁平化层，使lstm层从向量序列中学习；lstm层之后是全连接层，全连接层将学到的特征表示映射到样本的标记空间，大小设置为1；全连接层后连接到最后一层，即回归输出层。
[0077]
步骤4：加载经过处理的样本数据到基于交错叠加cnn-lstm模型中。
[0078]
步骤5：选取并调整基于交错叠加cnn-lstm模型的超参数。
[0079]
其中，超参数包括：梯度阈值、迭代次数、批次大小、初始学习率、学习率下降期和学习率下降因子。
[0080]
步骤6：训练与测试基于交错叠加cnn-lstm模型。
[0081]
对经过处理的训练样本进行基于交错叠加cnn-lstm模型训练，训练结束后，应用经过处理的测试样本对基于交错叠加cnn-lstm模型进行泛化能力测试。
[0082]
步骤7：评估基于交错叠加cnn-lstm模型的性能指标，判断是否达到性能指标，如果未能达到性能指标，返回到步骤5，调整基于交错叠加cnn-lstm模型的超参数，经过反复调整超参数并训练和测试基于交错叠加cnn-lstm模型，如果达到性能指标，获得最优的基于交错叠加cnn-lstm模型的调相机无功出力模型。
[0083]
在本发明实施例中，采用均方根误差(rmse)、平均绝对误差(mae)和平均绝对百分比误差(mape)作为基于交错叠加cnn-lstm模型的评估性能指标：
[0084][0085][0086]
mae值越小，表示模型的误差越低。
[0087][0088]
mape值越小，表示模型的精度越高。
[0089]
式中，n为样本数，y
i(t)
分别为t时刻第i个样本的预测值和样本值。
[0090]
进一步的，达到性能指标后，获得最优的基于交错叠加cnn-lstm模型的调相机无功出力模型和最佳性能指标数值，可以作为调相机运行性能参数监测和无功调节，有助于研究调相机更好的维持系统稳定运行控制策略。
[0091]
一个实施例中，采用如表1所示的38组样本数据对基于交错叠加cnn-lstm模型进行训练和测试，选取序号6、11、16、21、26、31、36组样本数据为测试样本，其余为训练样本。对经过处理的训练样本进行基于交错叠加cnn-lstm模型训练，训练结束后，应用经过处理的测试样本对基于交错叠加cnn-lstm模型进行泛化能力测试。
[0092]
为了验证训练结束后的基于交错叠加cnn-lstm模型的泛化能力，通过绝对误差和相对误差对其进行评价，见表2。由表2可知，训练结束后的基于交错叠加cnn-lstm模型的无功功率误差绝对值范围0.0368mvar～1.4171mvar，系统电压误差绝对值范围0.0003kv～0.0971kv，不仅误差绝对值低，而且整体波动范围较小。结果表明，基于交错叠加cnn-lstm模型的调相机无功出力模型的精度高，具有很好的泛化能力，有效克服了调相机无功出力解析建模计算量大和精度低的缺点。
[0093]
表2基于交错叠加cnn-lstm模型泛化能力验证
[0094]
[0095][0096]
评估基于交错叠加cnn-lstm模型的性能指标，判断是否达到性能指标，如果未能达到性能指标，返回步骤5，调整基于交错叠加cnn-lstm模型的超参数，经过反复调整超参数并训练和测试基于交错叠加cnn-lstm模型，如果达到性能指标，获得最优的基于交错叠加cnn-lstm模型的调相机无功出力模型，最优的基于交错叠加cnn-lstm模型的调相机无功出力模型的超参数如表3所示。
[0097]
表3最优的基于交错叠加cnn-lstm模型的调相机无功出力模型的超参数选取
[0098]
超参数数值超参数数值梯度阈值1初始学习率0.02迭代次数250学习率下降期125批次大小128学习率下降因子0.5
[0099]
采用如表1所示的38组样本数据对基于交错叠加cnn-lstm模型进行训练和测试，得到的最优的基于交错叠加cnn-lstm模型的调相机无功出力模型的rmse＝0.8277、mae＝0.6931和mape＝1.13％，系统电压的rmse＝0.0227、mae＝0.019和mape＝0.0083％。结果表明，基于交错叠加cnn-lstm模型的调相机无功出力模型的精度高，具有很好的泛化能力，有效克服了调相机无功出力解析建模计算量大和精度低的缺点。
[0100]
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0101]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例
中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0102]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。