CN116054135B 微电网无功功率预测方法、装置、电子设备及存储介质 （国网河北省电力有限公司电力科学研究院）

US2019370693A1,2019.12.05本公开的实施例提供的微电网无功功率预电网数据计算得到微电网各节点的瞬时无功功述微电网各节点对应的目标变化曲线作为待测2根据所述目标电网数据计算得到微电网各节点的瞬时基于所述瞬时无功功率值和对应的时间标签生成微电网各节点对应的目标变化曲线，将所述待测样本输入预先训练的微电网无功功率预测模型，输出对根据所述历史电网数据计算得到微电网各节点的历史基于历史无功功率值与所述临界无功功率的比值关系对训练基于所述训练集、验证集和测试集对自注意力时间卷积神经网络重复上述过程，直到当输出结果与标识结果的差异度小于所述3若输出的无功功率预测标识结果为第二预设标识，则发出调数据采集模块，用于采集目标电网数据；所述目数据计算模块，用于根据所述目标电网数据计算得到微电网各节点的瞬时无功功率待测样本生成模块，用于基于所述瞬时无功功率值和对应的时间标签预测结果输出模块，用于将所述待测样本输入预先训练的微电网无功功率预测模型，根据所述历史电网数据计算得到微电网各节点的历史基于历史无功功率值与所述临界无功功率的比值关系对训练基于所述训练集、验证集和测试集对自注意力时间卷积神经网络重复上述过程，直到当输出结果与标识结果的差异度小于所述所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被7.一种存储有计算机指令的非瞬时计算机令用于使所述计算机执行根据权利要求1_4中4[0008]基于所述瞬时无功功率值和对应的时间标签生成微电网各节点对应的目标变化5[0013]基于所述历史无功功率值和对应的时间标签生成微电网各节点对应的历史变化[0022]基于所述训练集、验证集和测试集对自注意力时间卷积6[0044]图3示出了根据本公开的又一实施例的自注意力时间卷积神经网络的具体结构[0045]图4示出了根据本公开的又一实施例的自注意力时间卷积神经网络的单元结构[0050]图1示出了根据本公开实施例的微电网无功功率预测方法100的流程图。方法100[0051]步骤110，采集目标电网数据；所述目标电网数据包括微电网各节点输出电压数7[0057]步骤130，基于所述瞬时无功功率值和对应的时间标签生成微电网各节点对应的[0058]在一些实施例中，根据步骤120计算得到的微电网各节点的瞬时无功功率值以及pp8[0074]图3所示中展示了自注意力时间卷积神经网络的具体结构，为实现对相空间转换[0075]图4展示了自注意力时间卷积神经网络单元结构，时间卷积神经网络依托于膨胀[0079]基于所述历史无功功率值和对应的时间标签生成微电网各节点对应的历史变化9各节点对应的瞬时无功功率随时间变化的曲线作为模型0_wp)＝pcopppp所以首先使用混沌理论对数据进行相空间转换，将相空间转换后的数据再输入神经网络[0100]图5示出了根据本公开的实施例的微电网无功功率预测装置500的方框图。如图5[0102]数据计算模块520，用于根据所述目标电网数据计算得到微电网各节点的瞬时无[0103]待测样本生成模块530，用于基于所述瞬时无功功率值和对应的时间标签生成微电网各节点对应的目标变化曲线，将所述微电网各节点对应的目标变化曲线作为待测样[0104]预测结果输出模块540，用于将所述待测样本输入预先训练的微电网无功功率预序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当因特网的计算机网络和/或各种电信网络与其他设算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理[0112]用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网