本发明涉及无功补偿技术领域，公开了一种基于神经网络的动态无功补偿方法，包括以下步骤：步骤101，为无功补偿设备生成初始特征和运行参数特征；步骤102，基于初始特征生成维数为N的统一化特征；步骤103，将统一化特征、运行参数特征输入补偿分配计算模型来计算每个无功补偿设备的补偿功率或输出比例；本发明的补偿分配计算模型通过注意力机制从无功补偿网络中需求对于无功补偿设备、无功补偿设备的联系和无功补偿网络整体的特征，实现对于电网系统无功补偿设备的统一调度，提高了电网系统的稳定性。
1.一种基于神经网络的动态无功补偿方法，其特征在于，包括以下步骤：步骤101，为无功补偿设备生成初始特征和运行参数特征；
步骤102，基于初始特征生成维数为N的统一化特征；
步骤103，将统一化特征、运行参数特征输入补偿分配计算模型来计算每个无功补偿设备的补偿功率或输出比例；
补偿分配计算模型包括：累加层、注意力层、第二隐藏层、第三隐藏层、第四隐藏层、序列隐藏层和第二分类器，累加层输入统一化特征和运行参数特征，累加层输出第一特征；
第一特征输入注意力层，注意力层包括第一注意力单元、第二注意力单元、第三注意力单元，第一注意力单元、第二注意力单元和第三注意力单元分别输入第一特征，第一注意力单元、第二注意力单元和第三注意力单元分别输出第二特征、第三特征和第四特征，其中第二特征和第三特征输入第二隐藏层，第二隐藏层输出第五特征，第五特征和第四特征输入第三隐藏层，第三隐藏层输出第六特征，第六特征与运行参数特征输入第四隐藏层，第四隐藏层输出第七特征，第七特征输入序列隐藏层，序列隐藏层包括M个LSTM层，每个LSTM层包括H个串联的LSTM单元，序列隐藏层的第M层的LSTM单元分别连接一个第二分类器，第j个第二分类器的分类标签表示第j个无功补偿设备在下一个控制周期的补偿功率或输出比例；
ci＝σ(xiWxc+bc)，其中xi表示第i个无功补偿设备对应的第一特征，Wxc表示权重参数，bc表示偏置参数，σ表示激活函数，ci表示第二特征；
di＝σ(xiWxd+bd)，其中xi表示第i个无功补偿设备对应的第一特征，Wxd表示权重参数，bd表示偏置参数，σ表示激活函数，di表示第三特征；
ei＝σ(xiWxe+be)，其中xi表示第i个无功补偿设备对应的第一特征，Wxe表示权重参数，be表示偏置参数，σ表示激活函数，ei表示第四特征；
其中ci表示第i个无功补偿设备的第二特征，dj表示第j个无功补偿设备的第三特征，⊙表示点积，D等于dj的维度，ej表示第j个无功补偿设备的第四特征，M等于无功补偿设备的数量，求和表示向量的相加，ai表示第i个无功补偿设备的第六特征；
其中ci表示第i个无功补偿设备的第二特征，dq表示第q个无功补偿设备的第三特征，dj表示第j个无功补偿设备的第三特征，M等于无功补偿设备的数量；
其中ai表示第i个无功补偿设备的第六特征，表示第i个无功补偿设备的第n个控制周期的运行参数特征， 表示第i个无功补偿设备的第n个控制周期的第七特征。
2.根据权利要求1所述的一种基于神经网络的动态无功补偿方法，其特征在于，初始特征的维度包括无功补偿设备ID、功率容量、额定电压、调节范围下限、调节范围上限、响应速度、直连线路额定电压。
3.根据权利要求1所述的一种基于神经网络的动态无功补偿方法，其特征在于，运行参数特征包括直连线路的功率因数、电压基波分量含量、直连线路的3～h次电压谐波分量的含量、直连线路的电流基波分量含量、直连线路的3～h次电流谐波分量的含量；其中h≥3。
4.根据权利要求1所述的一种基于神经网络的动态无功补偿方法，其特征在于，生成统一化特征的方法包括：将初始特征输入第一神经网络，第一神经网络包括第一隐藏层，第一隐藏层输入初始特征，第一隐藏层的输出统一化特征。
5.根据权利要求4所述的一种基于神经网络的动态无功补偿方法，其特征在于，在对第一神经网络进行训练时，将第一神经网络的第一隐藏层的输出连接第一分类器，第一分类器的分类标签的数量与无功补偿设备的数量相同，第一分类器一个分类标签对应于表示一个无功补偿设备。
6.根据权利要求5所述的一种基于神经网络的动态无功补偿方法，其特征在于，将所有无功补偿设备的初始特征构建训练集对第一神经网络进行训练，训练后的第一神经网络的权重参数固定。
7.根据权利要求1所述的一种基于神经网络的动态无功补偿方法，其特征在于，累加层将统一化特征和运行参数特征进行混合，统一化特征与运行参数特征混合的方法是将统一化特征与运行参数特征进行拼接，将统一化特征向量的末端拼接运行参数特征向量。
8.根据权利要求1所述的一种基于神经网络的动态无功补偿方法，其特征在于，第j个第二分类器的分类标签的集合表示为A＝{A1，A2…Ak}，将表示输出比例的值域[0，s]进行离散化生成k个点值，将k个点值分别与集合A的k个分类标签进行映射。
9.根据权利要求1所述的一种基于神经网络的动态无功补偿方法，其特征在于，序列隐藏层的内部运算包括：第n层第t个LSTM单元的运算过程如下：
定义： i＝t，ht‑1表示传递状态， h0＝0， 表示第n‑1个隐藏层的第t个LSTM单元的输出， 表示第n个隐藏层的第t‑1个LSTM单元的输出；
其中Wfx表示 传递到ft对应的权重矩阵， 表示传递状态ht‑1传递到ft对应的权重矩阵，bf表示偏置项，σ表示sigmoid函数；
其中Wxi表示输入 传递到it对应的权重矩阵， 表示传递状态ht‑1传递到it对应的权重矩阵，bi表示偏置项，σ表示sigmoid函数；
示传递状态ht‑1传递到 对应的权重矩阵，bC表示偏置项，tanh表示激活函数tanh；
其中 是第n层的第t‑1个LSTM传递过来的输出状态，ft、it、是遗忘门、输入门、中间状态的计算结果， 表示遗忘门ft和第n层的第t‑1个LSTM的输出状态 做逐点相乘， 表示输入门it和中间状态 进行逐点相乘；
其中Wxo表示输入 传递到ot对应的权重矩阵， 表示传递状态ht‑1传递到ot对应的权重矩阵，bo表示偏置项，σ表示sigmoid函数；
将输出门ot与tanh(Ct)逐点相乘，得到当前LSTM单元的输出
一种基于神经网络的动态无功补偿方法
技术领域
[0001] 本发明涉及无功补偿技术领域，更具体地说，它涉及一种基于神经网络的动态无功补偿方法。
背景技术
[0002] 代表性的无功补偿设备包括：静止型调压手段的无功调节设备，因调节不连续、响应速度慢，很难满足系统运行方式快速变化时的需求。静止无功补偿装置，响应速度很快，但由于呈恒阻抗特性，使得在电压低时，无法提供所需的无功支持，因此应对突发事件的能力较弱，并且为了抑制谐波，必须装设滤波器，占地面积较大，此外，过多的SVC装置容易引发系统振荡。在一个电网系统一般不会使用单一的无功补偿设备，现有技术中一般是对单个无功补偿设备或无功补偿机组进行动态调节，对于包含不同类型的无功补偿设备的电网系统缺乏系统化的统一调度。
发明内容
[0003] 本发明提供一种基于神经网络的动态无功补偿方法，解决相关技术中对于包含不同类型的无功补偿设备的电网系统缺乏系统化的统一调度的技术问题。
[0004] 本发明提供了一种基于神经网络的动态无功补偿方法，包括以下步骤：
[0005] 步骤101，为无功补偿设备生成初始特征和运行参数特征；
[0006] 步骤102，基于初始特征生成维数为N的统一化特征；
[0007] 步骤103，将统一化特征、运行参数特征输入补偿分配计算模型来计算每个无功补偿设备的补偿功率或输出比例；
[0008] 补偿分配计算模型包括：累加层、注意力层、第二隐藏层、第三隐藏层、第四隐藏层、序列隐藏层和第二分类器，累加层输入统一化特征和运行参数特征，累加层输出第一特征；
[0009] 第一特征输入注意力层，注意力层包括第一注意力单元、第二注意力单元、第三注意力单元，第一注意力单元、第二注意力单元和第三注意力单元分别输入第一特征，第一注意力单元、第二注意力单元和第三注意力单元分别输出第二特征、第三特征和第四特征，其中第二特征和第三特征输入第二隐藏层，第二隐藏层输出第五特征，第五特征和第四特征输入第三隐藏层，第三隐藏层输出第六特征，第六特征与运行参数特征输入第四隐藏层，第四隐藏层输出第七特征，第七特征输入序列隐藏层，序列隐藏层包括M个LSTM层，每个LSTM层包括H个串联的LSTM单元，序列隐藏层的第M层的LSTM单元分别连接一个第二分类器，第j个第二分类器的分类标签表示第j个无功补偿设备在下一个控制周期的补偿功率或输出比例。
[0010] 进一步地，初始特征的维度包括无功补偿设备ID、功率容量、额定电压、调节范围下限、调节范围上限、响应速度、直连线路额定电压。
[0011] 进一步地，运行参数特征包括直连线路(无功补偿设备)的功率因数、电压基波分量含量、直连线路的3～h次电压谐波分量的含量、直连线路的电流基波分量含量、直连线路的3～h次电流谐波分量的含量；其中h≥3。
[0012] 进一步地，生成统一化特征的方法包括：
[0013] 将初始特征输入第一神经网络，第一神经网络包括第一隐藏层，第一隐藏层输入初始特征，第一隐藏层的输出统一化特征。
[0014] 进一步地，在对第一神经网络进行训练时，将第一神经网络的第一隐藏层的输出连接第一分类器，第一分类器的分类标签的数量与无功补偿设备的数量相同，第一分类器一个分类标签对应于表示一个无功补偿设备。
[0015] 进一步地，将所有无功补偿设备的初始特征构建训练集对第一神经网络进行训练，训练后的第一神经网络的权重参数固定。
[0016] 进一步地，累加层将统一化特征和运行参数特征进行混合，统一化特征与运行参数特征混合的方法是将统一化特征与运行参数特征进行拼接，例如将统一化特征向量的末端拼接运行参数特征向量。
[0017] 进一步地，第j个第二分类器的分类标签的集合表示为A＝{A1，A2…Ak}，将表示输出比例的值域[0，s]进行离散化生成k个点值，将k个点值分别与集合A的k个分类标签进行映射。
[0018] 进一步地，第一注意力单元的内部运算包括：
[0019] ci＝σ(xiWxc+bc)，其中xi表示第i个无功补偿设备对应的第一特征，Wxc表示权重参数，bc表示偏置参数，σ表示激活函数，ci表示第二特征；
[0020] 第二注意力单元的内部运算包括：
[0021] di＝σ(xiWxd+bd)，其中xi表示第i个无功补偿设备对应的第一特征，Wxd表示权重参数，bd表示偏置参数，σ表示激活函数，di表示第三特征；
[0022] 第三注意力单元的内部运算包括：
[0023] ei＝σ(xiWxe+be)，其中xi表示第i个无功补偿设备对应的第一特征，Wxe表示权重参数，be表示偏置参数，σ表示激活函数，ei表示第四特征；
[0024] 第二隐藏层的内部运算包括：
[0025] 其中ci表示第i个无功补偿设备的第二特征，dj表示第j个无功补偿设备的第三特征，⊙表示点积，D等于dj的维度，ej表示第j个无功补偿设备的第四特征，M等于无功补偿设备的数量，求和表示向量的相加，ai表示第i个无功补偿设备的第六特征；
[0026] 其中ci表示第i个无功补偿设备的第二特征，dq表示第q个无功补偿设备的第三特征，dj表示第j个无功补偿设备的第三特征，M等于无功补偿设备的数量；
[0027] 第四隐藏层的内部运算包括：
[0028] 其中ai表示第i个无功补偿设备的第六特征，表示第i个无功补偿设备的第n个控制周期的运行参数特征， 表示第i个无功补偿设备的第n个控制周期的第七特征。
[0029] 进一步地，序列隐藏层的内部运算包括：
[0030] 第n层第t个LSTM单元的运算过程如下：
[0031] 定义： i＝t，ht‑1表示传递状态， h0＝0， 表示第n‑1个隐藏层的第t个LSTM单元的输出， 表示第n个隐藏层的第t‑1个LSTM单元的输出；
[0032] 遗忘门ft的计算公式如下：
[0033] 其中Wfx表示 传递到ft对应的权重矩阵， 表示传递状态ht‑1传递到ft对应的权重矩阵，bf表示偏置项，σ表示sigmoid函数；
[0034] 输入门it的计算公式如下：
[0035] 其中Wxi表示输入 传递到it对应的权重矩阵，表示传递状态ht‑1传递到it对应的权重矩阵，bi表示偏置项，σ表示sigmoid函数；
[0036] 中间状态 可表示为下式：
[0037] 其中WxC表示输入 传递到 对应的权重矩阵，表示传递状态ht‑1传递到 对应的权重矩阵，bC表示偏置项，tanh表示激活函数tanh；
[0038] 输出状态 表示为下式：
[0039]
[0040] 其中 是第n层的第t‑1个LSTM传递过来的输出状态，ft、it、是遗忘门、输入门、中间状态的计算结果， 表示遗忘门ft和第n层的第t‑1个LSTM的输出状态 做逐点相乘， 表示输入门it和中间状态 进行逐点相乘；
[0041] 输出门表示为下式：
[0042] 其中Wxo表示输入 传递到ot对应的权重矩阵，表示传递状态ht‑1传递到ot对应的权重矩阵，bo表示偏置项，σ表示sigmoid函数；
[0043] 输出 可表示为下式：
[0044]
[0045] 将输出门ot与tanh(Ct)逐点相乘，得到当前LSTM单元的输出
[0046] 本发明的有益效果在于：
[0047] 本发明的补偿分配计算模型通过注意力机制从无功补偿网络中需求对于无功补偿设备、无功补偿设备的联系和无功补偿网络整体的特征，实现对于电网系统无功补偿设备的统一调度，提高了电网系统的稳定性。
附图说明
[0048] 图1是本发明的一种基于神经网络的动态无功补偿方法的流程图。
具体实施方式
[0049] 现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。
[0050] 如图1所示，一种基于神经网络的动态无功补偿方法，包括以下步骤：
[0051] 步骤101，为无功补偿设备生成初始特征和运行参数特征；
[0052] 初始特征的维度包括无功补偿设备ID、功率容量、额定电压、调节范围下限、调节范围上限、响应速度、直连线路额定电压；
[0053] 运行参数特征包括直连线路(无功补偿设备)的功率因数、电压基波分量含量、直连线路的3～h次电压谐波分量的含量、直连线路的电流基波分量含量、直连线路的3～h次电流谐波分量的含量；
[0054] 其中h≥3；
[0055] 在本发明的一个实施例中，30≥h≥3，h为奇数；这是因为电网谐波基本为奇次谐波。
[0056] 运行参数特征中如果存在缺失值需要进行插补操作，插补值默认为0。
[0057] 步骤102，基于初始特征生成维数为N的统一化特征；
[0058] 生成统一化特征的方法包括：
[0059] 将初始特征输入第一神经网络，第一神经网络包括第一隐藏层，第一隐藏层输入初始特征，第一隐藏层的输出统一化特征。
[0060] 在对第一神经网络进行训练时，将第一神经网络的第一隐藏层的输出连接第一分类器，第一分类器的分类标签的数量与无功补偿设备的数量相同，第一分类器一个分类标签对应于表示一个无功补偿设备。
[0061] 将所有无功补偿设备的初始特征构建训练集对第一神经网络进行训练，训练后的第一神经网络的权重参数固定。
[0062] 第一神经网络为单层网络结构，计算速度很短。
[0063] 步骤103，将统一化特征、运行参数特征输入补偿分配计算模型来计算每个无功补偿设备的补偿功率或输出比例(输出占功率容量的比例)；
[0064] 补偿分配计算模型包括：累加层、注意力层、第二隐藏层、第三隐藏层、第四隐藏层、序列隐藏层和第二分类器，累加层输入统一化特征和运行参数特征，累加层输出第一特征；
[0065] 在本发明的一个实施例中，累加层将统一化特征和运行参数特征进行混合，统一化特征与运行参数特征混合的方法是将统一化特征与运行参数特征进行拼接，例如将统一化特征向量的末端拼接运行参数特征向量。这一实施例中，累加层不具有可训练的参数。
[0066] 第一特征输入注意力层，注意力层包括第一注意力单元、第二注意力单元、第三注意力单元，第一注意力单元、第二注意力单元和第三注意力单元分别输入第一特征，第一注意力单元、第二注意力单元和第三注意力单元分别输出第二特征、第三特征和第四特征，其中第二特征和第三特征输入第二隐藏层，第二隐藏层输出第五特征，第五特征和第四特征输入第三隐藏层，第三隐藏层输出第六特征，第六特征与运行参数特征输入第四隐藏层，第四隐藏层输出第七特征，第七特征输入序列隐藏层，序列隐藏层包括M个LSTM(长短期记忆网络)层，每个LSTM(长短期记忆网络)层包括H个串联的LSTM单元，序列隐藏层的第M层的LSTM单元分别连接一个第二分类器，第j个第二分类器的分类标签表示第j个无功补偿设备在下一个控制周期的补偿功率或输出比例。
[0067] 在本发明的一个实施例中，第j个第二分类器的分类标签的集合表示为A＝{A1，A2…Ak}，将表示输出比例的值域[0，s]进行离散化生成k个点值，将k个点值分别与集合A的k个分类标签进行映射；
[0068] 第一注意力单元的内部运算包括：
[0069] ci＝σ(xiWxc+bc)，其中xi表示第i个无功补偿设备对应的第一特征，Wxc表示权重参数，bc表示偏置参数，σ表示激活函数，ci表示第二特征；
[0070] 第二注意力单元的内部运算包括：
[0071] di＝σ(xiWxd+bd)，其中xi表示第i个无功补偿设备对应的第一特征，Wxd表示权重参数，bd表示偏置参数，σ表示激活函数，di表示第三特征；
[0072] 第三注意力单元的内部运算包括：
[0073] ei＝σ(xiWxe+be)，其中xi表示第i个无功补偿设备对应的第一特征，Wxe表示权重参数，be表示偏置参数，σ表示激活函数，ei表示第四特征；
[0074] 第二隐藏层的内部运算包括：
[0075] 其中ci表示第i个无功补偿设备的第二特征，dj表示第j个无功补偿设备的第三特征，⊙表示点积，D等于dj的维度，ej表示第j个无功补偿设备的第四特征，M等于无功补偿设备的数量，求和表示向量的相加，ai表示第i个无功补偿设备的第六特征；
[0076] 其中ci表示第i个无功补偿设备的第二特征，dq表示第q个无功补偿设备的第三特征，dj表示第j个无功补偿设备的第三特征，M等于无功补偿设备的数量；
[0077] 第四隐藏层的内部运算包括：
[0078] 其中ai表示第i个无功补偿设备的第六特征， 表示第i个无功补偿设备的第n个控制周期的运行参数特征， 表示第i个无功补偿设备的第n个控制周期的第七特征；
[0079] 序列隐藏层的内部运算包括：
[0080] 第n层第t个LSTM单元的运算过程如下：
[0081] 定义： i＝t，ht‑1表示传递状态， h0＝0， 表示第n‑1个隐藏层的第t个LSTM单元的输出， 表示第n个隐藏层的第t‑1个LSTM单元的输出；
[0082] 遗忘门ft的计算公式如下：
[0083] 其中Wfx表示 传递到ft对应的权重矩阵， 表示传递状态ht‑1传递到ft对应的权重矩阵，bf表示偏置项，σ表示sigmoid函数；
[0084] 输入门it的计算公式如下：
[0085] 其中Wxi表示输入 传递到it对应的权重矩阵， 表示传递状态ht‑1传递到it对应的权重矩阵，bi表示偏置项，σ表示sigmoid函数；
[0086] 中间状态 可表示为下式：
[0087] 其中WxC表示输入 传递到 对应的权重矩阵，表示传递状态ht‑1传递到 对应的权重矩阵，bC表示偏置项，tanh表示激活函数tanh；
[0088] 输出状态 表示为下式：
[0089]
[0090] 其中 是第n层的第t‑1个LSTM传递过来的输出状态，ft、it、是遗忘门、输入门、中间状态的计算结果， 表示遗忘门ft和第n层的第t‑1个LSTM的输出状态 做逐点相乘， 表示输入门it和中间状态 进行逐点相乘；
[0091] 输出门表示为下式：
[0092] 其中Wxo表示输入 传递到ot对应的权重矩阵，表示传递状态ht‑1传递到ot对应的权重矩阵，bo表示偏置项，σ表示sigmoid函数。
[0093] 输出 可表示为下式：
[0094]
[0095] 将输出门ot与tanh(Ct)逐点相乘，得到当前LSTM单元的输出
[0096] 本发明的补偿分配计算模型通过注意力机制从无功补偿网络中需求对于无功补偿设备、无功补偿设备的联系和无功补偿网络整体的特征，由于在无功补偿网络不发生变化时统一化特征不会进行更新，因此补偿分配计算模型的注意力层的输出在进行初始化后也不会进行更新，使整个无功补偿网络在保留复杂表达能力架构的情况下具有良好的计算效率，能够达到毫秒级的运算速度，提供低间隔的动态无功补偿控制。
[0097] 上面对本实施例的实施例进行了描述，但是本实施例并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本实施例的启示下，还可做出很多形式，均属于本实施例的保护之内。
