CN119496129A 基于深度学习的光伏并网谐波电流预测方法 （国网辽宁省电力有限公司辽阳供电公司）

基于深度学习的光伏并网谐波电流预测方法本发明公开了一种基于深度学习的光伏并载电流和并网点电压数据，采用Clark和Park变利用快速傅里叶变换提取并网点电压数据的时2S2.通过Clark变换和Park变换将三相负载电流S3.通过快速傅里叶变换提取并网点电压数据的时域和频域特征，分析电压谐波成分S4.通过卷积神经网络对谐波电流分量提取局部特征，通过双向长短期记忆网络捕捉S5.将预处理后的谐波电流分量和并网点电压特征输入波电流预测模型，生成谐波电过Clark变换和Park变换将三相负载电流转换为两相直流分量，通过低通滤波器提取两相通过Clark变换将三相负载电流转换为两相直流分量，将三相交流电流投影到静止坐通过Park变换将两相直流分量转换为旋转坐标系中的直流分量，通过低通滤波器提取两相交流电流的直流分量中的基波电流成分，去除高频谐波分从两相交流电流的直流分量中提取的基波成分，将计算得到的三相负根据谐波电流分量的时间序列特性，进行数据插值填补，处理缺失对并网点电压数据进行快速傅里叶变换，将时域数据分析电压信号的谐波成分，包括基波和各阶谐波的幅值及3通过分析电压信号的谐波成分和负载电流的谐波分量，对比电压信通过相关系数量化电压谐波和负载电流谐波之间的相关程度，根据相关性分析结果，过卷积神经网络对谐波电流分量提取局部特征的具体将谐波电流分量时间序列数据输入卷积神经网络中，通过卷积层对输通过卷积核在局部区域内滑动，捕捉谐波电流分量的局部空间通过卷积层和池化层逐步提取谐波电流分量的不同层次的局部特征，过双向长短期记忆网络捕捉谐波电流分量时序特征的具体将卷积神经网络提取的谐波电流分量局部特征输入双双向长短期记忆网络通过对谐波电流分量的时序数据进行建模，捕捉双向长短期记忆网络在前向和反向传播的过程中，分别学习到正向和反向的时序信将预处理后的谐波电流分量和并网点电压特征输入4[0004]针对现有技术的不足，本发明提供了基于深度学习的光伏并网谐波电流预测方低通滤波器提取两相直流分量的基波电流的具体过程如下：通过Clark变换将三相负载电提取的基波成分，将计算得到的三相负载电流的总电流与提取的基波电流进行差值运算，5压谐波成分的幅值和频率分布的具体过程如下：对并网点电压数据进行快速傅里叶变换，[0012]进一步地，通过双向长短期记忆网络捕捉谐波电流分量时序特征的具体过程如6的精确性和鲁棒性。将预处理后的谐波电流分量和并网点电压特征输入谐波电流预测模[0022]通过Clark变换和Park变换将三相负载电流转换为两相直流分量，通过低通滤波通过Clark变换和Park变换将三相负载电流转换为两相直流分量，通过低通滤波器提取两谐波电流分量进行预处理；S3.通过快速傅里叶变换提取并网点电压数据的时域和频域特7低通滤波器提取两相直流分量的基波电流，并将三相负载电流的总电流与基波电流相减，压)从三维空间坐标系转换为二维平面坐标系。这种变换将原本复杂的三相信号简化为两种用于处理时间序列数据的深度学习模型，能够同时捕捉信号在时间上的前向和反向特通滤波器提取两相直流分量的基波电流的具体过程如下：通过Clark变换将三相负载电流8qcqbc9值及其频率分布对于系统优化和故障预防至关重要。根据从傅里叶变换中得到的频域数yi分别为电压信号和负载电流信号在某一频段上的幅值；和分别为电压信号和负载电征能够有效反映电流波形的周期性变化和异[0040]具体地，通过双向长短期记忆网络捕捉谐波电流分从而为进一步的预测或分类任务提供更丰富的上下文。隐状态矩阵(Ht):双向隐状态矩阵现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0048]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装