【微网控制与光伏预测的人工智能算法与对应模型分析案例5400字】

微网控制与光伏预测的人工智能算法与对应模型分析案例目录TOC\o"1-3"\h\u32376微网控制与光伏预测的人工智能算法与对应模型分析案例 2014329第一章人工智能算法与对应模型 20157061.1神经网络 20631.1.1循环神经网络 20175101.1.2长短期记忆神经网络 21326701.1.3双向长短期记忆神经网络 22277381.2建立模型与训练方法 23273061.3本章小结 25800第二章实验仿真结果及分析 2673562.1微网模型及参数 2639312.2系统运行仿真图 27327272.2.1光照恒定下系统运行仿真图 273252.2.2光照恒定下系统运行仿真图 30165202.3光伏功率曲线预测 33人工智能算法与对应模型人工智能算法现在被广泛应用到电网的各项工作中，同时由于计算机算力的发展，很多前人提出的人工智能学习算法在如今得到了广泛使用。本章详细介绍了循环神经网络、长短期记忆神经网络、双向长短期记忆神经网络，并建立对应的模型，给出相应的训练步骤。1.1神经网络1.1.1循环神经网络循环神经网络，又称递归神经网络（RecurrentNeuralNetwork,RNN），是深度学习的常见算法之一。循环神经网络将所有重复模块链式连接，输入数据为序列数据，在其演进方向上递归，是中特殊的递归神经网络。RNN包含三个部分，分别为输入、隐含和输出层。隐含层根据时间顺序对来自输入层的序列循环训练，生成网络。RNN的学习训练过程如下图公式（3-1）所示：h其中，f表示激活函数，W表示权重系数，x、y、h分别表示输入层、输出层和隐含层，b表示偏置向量。RNN算法擅长处理和时序相关的问题，但是由于权重的问题容易使得计算的梯度不断放大或者缩小，形成梯度爆炸或者梯度弥散现象，于是，为解决该问题，长短期记忆网络的满足了这份需求。1.1.2长短期记忆神经网络长短期记忆神经网络，是为解决传统RNN的梯度弥散和梯度爆炸问题而提出的模型，相比后者而言，前者增加了记忆和遗忘模块，这样可以使原本的RNN具有记忆长期功能，能更有效地利用历史信息，因为这是他们的默认行为。同时LSTM相比常用的因马尔科夫模型来讲，它能更好地处理时间延迟稍长的数据，例如应用在手写识别上，同时他也能更好地构造更大规模的深度神经网络。正如所有RNN都具有重复模块链一样，LSTM也由重复模块链组成。不同的是，RNN中的结构非常简单，比如说只有单个tanh层，而LSTM中则包含四层以特殊方式交互的构造，LSTM基本结构如下图3-1所示。图3-1LSTM基本结构其中，方形边框代表的是学习神经网络层，圆形图标表示的是向量运算，如加法和点乘。单入单出箭头表示向量的传递，线路合并表示连接，线路的分叉表示内容正在被复制，而副本将转到不同的位置。每个LSTM计算单元都由三个门组成，分别是遗忘、输入、输出门，LSTM的实现包括下文所述步骤。LSTM的第一个步骤是遗忘，也就是我们要决定从记忆单元状态中放弃一些东西，或者也可以说是遗忘一些信息。它通过查看前一个输入和当前输入来进行运算，即ht−1和xt，这两者经权重矩阵Wf运算后加上偏置量bf处理后，给上一个状态fLSTM的第二个步骤是在记忆单元状态中存储一些信息。这区域分为两个部分，第一部分是经Sigmoid函数处理后我们更新了一些值，我们称之为输入门it部分。第二部分是经过tanh层处理后创建了候选状态CiC其中，Wi代表输入门对应的权重矩阵，WC代表候选状态的权重矩阵，下一步将更新记忆单元状态，使上一个记忆状态和遗忘门信号处理，以期望忘记，然后加上输入门it和当前候选状态CC最后一个步骤是输出，用输出门决定记忆单元值的输出，通过经非线性计算得到的隐藏层输出值，如下公式(3-6)和公式(3-7)所示。oh其中，Wo和b上述过程讲述了细胞信息中通过在时间序列上的训练学习进行负荷预测。一般来讲，LSTM网络是单方向的信息传输网络。单向的好处是信息处理简单，通过过去的信息来预测将来，但缺点是不能有效地利用将来的信息，为解决此问题，科研人员提出了具有正反两个方向的长短期记忆神经网络（Bi-LSTM）。1.1.3双向长短期记忆神经网络Bi-LSTM包括正向传播和反向传播的两个LSTM层，其中正向的与上一章节提到的功能一样，按照正常时刻顺序计算当前信息。而反向传播的则与之相反，按照相反方向读取与之前相同的序列。它们在同一个输出层连接上，在训练过程中包括正反方向两种信息序列。如图3-2简化模型，可以看到他们的结构对称，但在计算过程中是独立的。公式(3-8)如下：图3-2双向LSTM简化模型h式中，h表示反向传播隐藏层状态，h'表示正向传播隐藏层状态。Wii=1,2,3,4表示权重矩阵。H表示隐藏层状态的输出值，x表示输入神经元的输入值，b1.2建立模型与训练方法 本文构建的模型是基于上面提到的LSTM的微电网负荷功率的预测模型，包括输入层、隐藏层和输出层。输入层提取微网负荷特性的相关序列，包括不同时刻的功率、电压。隐藏层包括连接层，学习相关序列的内在关联，输出层输出模型的估计值。本文构建的模型如图3-3所示。图3-3基于Bi-LSTM的参数估计模型完整的参数估计过程包括数据的选取、标准化以及划分。模型输入的是时间步长为τ的光伏端功率等构成的特性观测序列，模型的输出是时间步长为τ的估计序列。hτ'(i)和h本文所阐述方法理论流程如下。一是对数据进行预处理，包括标准化处理原始数据。把数据划分为两类，一类用作训练的训练集，另一类是用作验证的验证集。二是设定对应的神经网络基本模型，设定不同层的神经元节点个数，包括输入、隐藏、输出层，之后选取激活与损失函数等。三是设定本网络的超参数，包括但不限于步长、采样的时间间隔、训练批量等，初始化相应的其他参数，如权重矩阵、初始向量。四是训练与测试网络模型，训练基于训练集的网络，通过不断迭代的方式来获得满足相关设定条件的参数；之后将待作测试的数据投入到训练好的网络使用，来验证本模型的相关预测性能。本文将时间序列转换成监督学习数据，然后对原有数据进行差分计算，提取差分后的数据，重构成n行一列的数据，为消除数据的其他物理因素带来的影响，只考虑其数值性能，对实验用到的数据进行归一化处理，如公式(3-9)所示：x其中，x和xnorm分别表示归一化前后的数据，x将数据处理在[-1,1]区间之间，将处理后的数据重构，构建成为步长为m的监督学习型数据，并分割出一定数据作为测试数据。之后开始训练数据，重构训练数据结构、网络结构，传递序列状态，每次训练完初始化网络状态，然后对LSTM进行预测，对预测数据逆差分、逆转换，评估预测结果的均方差。均方差误差公式为：RMSE=1.3本章小结本章详细介绍了循环神经网络、长短期记忆神经网络、双向长短期记忆神经网络以及各自对应的优缺点，尤其重点阐述了LSTM的单元结构以及运行机制，并根据所需选择了适合的算法建立对应的模型，给出相应的训练步骤。实验仿真结果及分析2.1微网模型及参数在本章节中，在上文第二章所提出构建的微网系统进行了仿真并分析结果，考虑建模以及控制的复杂性，将上文所述微电网作简化处理，直流侧连接有光伏阵列用作分布式发电系统，此外连接有蓄电池用作储能装置，中间通过变流器连接交流电网，形成简单的交直流混合微电网。微电网各模块基本参数见表4-1。表4-1微网基本参数参数符号数值单位交流母线额定线电压u380V交流母线额定频率f50Hz直流母线额定电压u700V交流侧有功功率参考值P30kW蓄电池荷电最大阈值SOC80%蓄电池荷电最小阈值SOC20%蓄电池额定电压U600V光伏阵列标准温度T25℃光伏阵列开路电压U565V光伏阵列短路电流I53A最大功率点电压U458V最大功率点电流I50A蓄电池容量S9.6Ah由于其中光伏发电输出功率随光照强度变化而发生变化，下面将从不同光照情况来简单分析该微网的运行状况以及相关参数参数的变化，建立交直流微网Simulink接线图如图4-1所示。图4-1简化交直流混合微电网Simulink接线图2.2系统运行仿真图2.2.1光照恒定下系统运行仿真图下面各图为在光照强度为1000W/m图4-2光伏阵列输出功率曲线图4-3蓄电池输出功率波形图由图4-2可以看出，由于最大功率点跟踪扰动观测法，光伏阵列的输出功率大约在0.2s后达到最大功率点，之后一直保持在最大功率点处运行。由图4-3可以看出蓄电池由于电压电流双闭环的控制，功率输出在经过一段时间暂态后也达到了稳定，由于光伏阵列输出功率小于交流侧功率，所以蓄电池处于放电状态。图4-4直流母线电压图图4-4是直流侧母线电压输出情况。可以观测到大概在0.2s后母线电压稳定在设定的参考值700V左右，直流母线电压得到了稳定，标志交直流两侧的功率得到平衡。图4-5并网后网侧有功功率图图4-6并网后网侧无功功率图图4-5和图4-6分别为变流器交流侧有功功率和无功功率，由图可看出并网有功功率维持在参考值30kW附近，验证了微网恒功率控制的有效性。2.2.2光照恒定下系统运行仿真图为了验证光照变化下系统控制的稳定性。基本参数按照表4-1设置，光伏阵列的光照强度设置为初始值1000W/m2，之后分别在0.5s和0.8s后变为500W/m图4-7光伏阵列输出功率曲线图4-8蓄电池输出功率曲线由图可以看出可知，光伏阵列在开始工作一段时间暂态后，输出的功率达到峰值，验证了最大功率点跟踪扰动观察法的有效性。在此之后，无论光照强度如何改变，光伏阵列仍旧可以调整为相应光照值的最大功率输出。观察蓄电池0.8s左右输出功率曲线可看出，当光照强度上升时，因为光伏输出功率增加，蓄电池输出功率会相应减少以维持功率平衡。下图4-9为直流母线电压，可以看出母线电压稳定在700V设置的参考值附近。图4-9直流母线电压波形图 下面图4-10、图4-11、图4-12分别为交流侧电网电流、交流侧电网电压以及单相电压电流，可以看出，电网电压电流呈较好的正弦波并且同相位。图4-13和图4-14为网侧有功功率和无功功率。图4-10交流侧电网电流波形图图4-11交流侧电网电压波形图图4-12单相电压与电流波形图图4-13交流侧有功功率图4-14交流侧无功功率 结合所作实验分析，在系统启动直到稳定过程后，考虑到光伏阵列的输出功率仅有22.5kW，不能满足交流侧的功率30kW，所欲蓄电池需要再提供7.5kW左右的功率以满足功率平衡；在光照强度发生改变时，蓄电池可以通过充放电的控制来获取和向外供给功率。当光伏电池功率大于交流侧给定功率时，蓄电池可以吸收多余部分的电能，当光伏输出功率小于逆变器给定的参考功率时，系统吸收功率，来实现系统之间功率的平衡，从而减弱光照改变对系统功率所带来的不利影响，从而使得交流侧功率一直保持在在30kW，达到恒功率并网控制。2.3光伏功率曲线预测本节将对光伏发电产生的负荷功率进行预测，使用长短期记忆神经网络对数据进行训练并进行多步预测。考虑数据量较大，为减少计算量把更多的时间用于对预测数据的调试改进上，我们对其中的数据进行等间隔抽样，以样本数据代表原始数据。根据预测结果来对未来微网的功率控制做出合适的规划，基于图4-7所示光照对输出功率的影响，改变输出光照强度得到初始数据。下面通过简单改变各种数据参数来比对分析该预测模型的准确性。参数数据有：使用数据量n，预测数据量m，神经节点数q，训练次数1500次。（1）首先我们将预测数据量取为3，神经节点数取为1，使用数据量从左至右依次为1、2、3，预测曲线如图4-14所示。图4-14不同使用数据量下的预测曲线可以看出当使用数据量取的比较小时，预测曲线比较激进。当使用数据量取的比较大时，预测曲线比较保守。所以在使用数据量取2的时候预测曲线更能拟合原始曲线。（2）我们将使用数据量取为3，神经节点数取为1，预测数据量从左至右依次为1、2、3，预测曲线如图4-15所示。图4-15不同预测数据量下的预测曲线可以看出当预测数据量取的比较小时，预测曲线比较激进。当预测数据量比较大的时候，对于大幅度变动能更精准地预测，对于小幅度变动，显然在预测数据量取2的时候更佳。（3）我们将使用数据量和预测数据量都取为2，将神经节点数作为变量，从左到右依次为1、2、3，预测曲线如图4-16所示。图4-16不同神经节点数的预测曲线 综上可以看出，相比较而言，取使用数据量为3，预测数据量为2，神经节点数为1所作出的预测曲线在上述预测模型中有比较好的表现，如图4-17，但是当功率大幅度变化时，LSTM的多步预测在时间序列上的表现可能并不足够理想。图4-17较优预测曲线基于上面经验，用整体数据预测后面20个单位时间的数据，得到图4-18最终预测曲线，可以看出预测值和实际值之间有较小差别，以此来对为来的功率作预测和调整，更改以后的运行策略。详细数据如表4-2所示。图4-18最终预测曲线表4-2功