[发明专利]一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法

说明书

一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法，包括：训练数据采集及归一化处理；历史输入数据集的聚类划分；训练集和验证集划分；BP神经网络预测模型训练；求取最佳训练集划分方式；预测输入变量值获取及归一化；确定输入变量值的簇类归属；电能质量预测输出及反归一化；电能质量预测结果评估。本发明的优点是：1、利用BP神经网络对含DG配电网电能质量进行了有效预测；2、用k‑means聚类算法对神经网络训练集进行分类预处理，对每个类提供不同的预测模型，以克服单独使用BP神经网络存在的易陷入局部最优解的缺点，明显缩小了预测误差；3、多次循环改变训练集、验证集划分方式和隐层节点个数N，提高了得到最优模型的概率。

技术领域

本发明涉及一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法，属电气工程和电能质量领域。

背景技术

衡量电能质量(Power Quality)的主要指标有电压、频率和波形。由于理想电力系统的恒定50Hz频率和正弦波形在实际状态中很难达到，过大的偏差会导致电气设备故障或不能正常工作，由此引出了电能质量问题。它主要包括电压偏差、频率偏差、电压波动与闪变、瞬时或暂态过电压、三相不平衡、波形畸变、电压暂降、暂升、中断及供电连续性问题。现今对于电能质量的研究应用主要集中在电能质量监测、分析、扰动识别和谐波源的定位，而针对电能质量预测的研究尚少。在新能源大量接入电网以及智能电网建设的大背景下，电能质量出现大量新问题，倘若提前对电能质量进行预测，并根据预测结果进行预警、诊断和治理，则有利于电能质量的提高，避免事故发生，保障电力系统安全稳定运行。

随着新能源的发展热潮，分布式电源(Distributed Generation，DG)大量接入电网，而分布式电源发电量的影响因素：每日温度、光照及负荷数据变化具有一定的波动性和差异性，在训练之前先将聚类技术应用于电能质量态势预测的数据预处理环节，能够为神经网络的训练和预测模型的选择提供更高的针对性，有利于提高预测的准确度，为后继的预警、诊断和治理提供依据，保障电力系统安全稳定运行。因此，在进行含分布式电源配电网电能质量预测之前进行合理的数据分类预处理相当重要。

当前，对含分布式电源配电网进行电能质量预测并用聚类算法对预测训练数据进行预处理的研究成果较少。大部分研究将聚类用于数据监测和离群点的筛除，如申请号为CN201810270350的专利提出一种高铁电能质量监测系统，对归一化以后的电能质量数据进行聚类，并检测出离群点，用于电能质量数据的异常检测处理；申请号为201310122440.X的专利提出一种风电电能质量趋势预测方法，对监测数据作聚类分析，将满足相似度阈值的监测日数据归为一类，计算出每类的概率密度分布，用蒙特卡罗模拟算法对电能质量趋势作出预测，它采用的聚类方法是基于密度的DBSCAN聚类，要求密度定义对数据有意义，计算的时间复杂度较高，且不能区分有重叠的簇。申请号为201810644850.3的专利提出一种基于支持向量机的含分布式电源配电网电能质量预测方法，将采集到的数据直接用于构建预测模型，而未进行数据聚类等预处理，不利于保证数据波动较大情况下的预测可靠性和精度。申请号为201611063183.7的专利提出一种光伏并网点电网阻抗辨识误差波动系数预测方法，将动态聚类划分后的数据集输入神经网络预测模型，但预测对象是阻抗辨识误差波动系数，非直接对电能质量进行的预测。

发明内容

本发明要克服现有技术的上述缺点，提供一种在外界条件变化较大时能灵活切换预测模型以提高预测准确度的基于聚类和神经网络的含分布式电源配电网电能质量预测方法。

本发明专利考虑到BP神经网络具有易陷入局部最优解的特性，在预测前加入聚类先导步骤有利于减小训练数据的差异性以得到全局最优解，提出一种基于聚类和神经网络的含分布式电源配电网电能质量预测方法。