基于聚类LSTM深度学习模型的主动配电网电能质量预测

摘要：

针对较长时间跨度上电能质量(PQ)数据的时序性和非线性特点,提出一种基于K-means聚类和长短期记忆(LSTM)网络的主动配电网(ADN)电能质量预测方法.在构建LSTM深度学习模型的基础上,将大量的电能质量历史数据、环境因素及负荷数据以多维向量的形式进行K-means聚类,并针对每一类数据集分别使用LSTM模型进行网络的训练和性能评估,然后利用完成训练和评估的聚类LSTM网络模型进行主动配电网电能质量稳态指标项的预测.最后,通过IEEE-13节点含分布式电源的主动配电网仿真算例,分析验证了所提聚类LSTM网络法比时间序列预测法、反向传播(BP)神经网络法和标准LSTM网络法具有更优的预测性能.

关键词：电能质量(PQ)预测、深度学习、长短期记忆网络(LSTM)、K-means聚类、主动配电网(ADN)

所属期刊栏目：30

资助基金：国家自然科学基金;浙江省自然科学基金

在线出版日期：2020-08-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：687-697