鮑家偉，王青松

(東南大學(xué)電氣工程學(xué)院，江蘇 南京 210096)

自然環(huán)境與能源緊張問(wèn)題是現(xiàn)階段全球經(jīng)濟(jì)發(fā)展面臨的主要問(wèn)題.基于對(duì)生態(tài)環(huán)境保護(hù)的基本要求，同時(shí)也基于碳中和的目標(biāo)，中國(guó)電力清潔化不斷提速，以風(fēng)電和光伏發(fā)電為主的可再生能源將迎來(lái)加速發(fā)展.考慮到經(jīng)濟(jì)全球化的進(jìn)程，一些大型企業(yè)在購(gòu)買電能時(shí)，注重電能的清潔性，致力于使用低污染水平的電能.因此，這也對(duì)電力系統(tǒng)調(diào)度提出了更高的數(shù)據(jù)挖掘要求[1-2].

為了提升宏觀經(jīng)濟(jì)水平，提升三次產(chǎn)業(yè)的發(fā)展，要在調(diào)度側(cè)能較準(zhǔn)確的把握用電屬性、用電規(guī)模、用能趨勢(shì).因此，迫切的需要研究站端負(fù)荷宏觀辨識(shí)方法，實(shí)現(xiàn)調(diào)度對(duì)用能群體及占比的管控[3].

從負(fù)載側(cè)定量分析可再生能源發(fā)電占比，首先需要對(duì)采集到的數(shù)據(jù)信息進(jìn)行分析處理，從寬頻頻譜上提取其特征.傅里葉變換是一個(gè)最基本的頻域分析方法，它利用三角函數(shù)作為基函數(shù)，對(duì)整體序列進(jìn)行變換處理，獲取整個(gè)頻域上的全局信息[4].但其無(wú)法反映信號(hào)局部特征，不適用于分析由于可再生能源接入，而導(dǎo)致的瞬態(tài)脈沖、瞬態(tài)振蕩等變化快，持續(xù)時(shí)間短的電能質(zhì)量問(wèn)題.小波變換是一種多尺度的時(shí)頻變換，廣泛應(yīng)用于分析突變信號(hào)和不平穩(wěn)信號(hào)[5]，但有著基函數(shù)選取困難等問(wèn)題.文獻(xiàn)[6]利用短時(shí)傅里葉變換，加窗處理后，對(duì)得到的信號(hào)片段分別進(jìn)行傅里葉變換，獲取信號(hào)的時(shí)頻特征.它一定程度上改善了傅里葉變換無(wú)法反映局部特性的缺點(diǎn)，但需要固定時(shí)頻窗口的長(zhǎng)度，面對(duì)信息量不同的序列處理效果不一.文獻(xiàn)[7]提出了自適應(yīng)無(wú)參經(jīng)驗(yàn)小波變換方法，解決了傳統(tǒng)傅里葉變換自適應(yīng)度差的問(wèn)題，但是缺乏對(duì)特征信息的進(jìn)一步挖掘.小波能量熵[8-10]是一種對(duì)特征量進(jìn)行二次計(jì)算的分析算法，通過(guò)對(duì)小波變換得到的特征分量進(jìn)一步分析計(jì)算，得到各部分的能量熵作為新的特征量，具有更明顯的頻譜特征.

目前，涉及到定量分析的算法研究較少，多數(shù)是利用機(jī)器學(xué)習(xí)的方法.目前基于特征選擇方面應(yīng)用較多的方法有基于群體的遺傳算法[11]、粒子群優(yōu)化[12]、蟻群優(yōu)化[13]算法等群體智能算法.文獻(xiàn)[14]基于蟻群算法通過(guò)對(duì)信息素的合理配置得到高容錯(cuò)性的分類定位方法，但應(yīng)用面較窄.文獻(xiàn)[15]通過(guò)粒子群算法對(duì)小波提取出的特征向量進(jìn)行動(dòng)態(tài)篩選，準(zhǔn)確度提高，但是設(shè)計(jì)結(jié)構(gòu)復(fù)雜.傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，BPNN)具有更強(qiáng)的自適應(yīng)度[16]，但收斂結(jié)果較慢，且不適用于處理長(zhǎng)時(shí)間序列問(wèn)題.文獻(xiàn)[17]提出了雙層BPNN結(jié)構(gòu)，利用父系子系兩層網(wǎng)絡(luò)，雙重識(shí)別分類，但存在訓(xùn)練時(shí)間較慢等問(wèn)題.

基于以上考慮，本文針對(duì)低壓饋線上可再生能源功率占比問(wèn)題，提出一種基于改進(jìn)經(jīng)驗(yàn)小波能量熵法和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short Term Memory，LSTM)的定量分析算法.本文先通過(guò)經(jīng)驗(yàn)小波變換(Empirical Wavelet Transform，EWT)對(duì)采樣的電壓電流信號(hào)進(jìn)行預(yù)處理，其次依據(jù)各經(jīng)驗(yàn)?zāi)B(tài)函數(shù)(Empirical Wavelet Function，EWF)分量求取其能量熵，分別分析能量熵序列的內(nèi)部差異性，引入加權(quán)系數(shù)，經(jīng)過(guò)數(shù)學(xué)處理得到改進(jìn)能量熵序列；最后將改進(jìn)能量熵序列作為L(zhǎng)STM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，測(cè)試不同新能源占比下算法的判斷準(zhǔn)確度.通過(guò)搭建可再生能源接入的配電網(wǎng)模型，得到模擬數(shù)據(jù)，將本方法與傳統(tǒng)方法進(jìn)行比對(duì)，驗(yàn)證了本文算法定量分析的有效性與準(zhǔn)確性.

1 基于改進(jìn)經(jīng)驗(yàn)小波能量熵的特征提取方法

改進(jìn)經(jīng)驗(yàn)小波能量熵的步驟分為三個(gè)步驟，首先是對(duì)原始信號(hào)進(jìn)行經(jīng)驗(yàn)小波分解，其次對(duì)各頻段下的分量計(jì)算得到能量熵序列，最后分析能量熵序列的特征差異性，借助峭度值得到一種改進(jìn)能量熵的特征提取方法.

1.1 經(jīng)驗(yàn)小波變換

經(jīng)驗(yàn)小波變換在傅里葉頻譜的基礎(chǔ)上，對(duì)其進(jìn)行自適應(yīng)分割.在獲取頻域信息后，通過(guò)確定極大值點(diǎn)的方式，實(shí)現(xiàn)對(duì)信號(hào)模態(tài)的分解.

EWT首先將頻譜范圍歸一化到[0，π]上，并將其分割為k個(gè)連續(xù)的小段頻譜.其次，依據(jù)Meyer小波構(gòu)造尺度函數(shù)φi(ω)和經(jīng)驗(yàn)小波函數(shù)Ψi(ω)，其中：

(1)

(2)

(3)

β(x)=35x4-84x5+70x6-20x7

.

(4)

重構(gòu)信號(hào)的表達(dá)式為

(5)

(6)

1.2 小波能量熵

由于EWF分量的數(shù)據(jù)量大，且特征信息不明顯.為了得到后續(xù)智能算法的訓(xùn)練樣本，采用能量熵的方法，對(duì)得到的EWF分量進(jìn)一步處理.

(7)

求取小波能量熵前，我們先要求取各頻段下的小波能量.將原始信號(hào)分解為EWF分量后，設(shè)信號(hào)序列f(n)在各個(gè)頻段上的分量為EWFj(n)，則小波能量為

(8)

由于信息熵所用的概率p滿足和為1，因此求取相對(duì)能量，即

(9)

故小波能量熵為

ε=-∑jPjln(Pj)

.

(10)

同時(shí)，考慮到采樣信號(hào)為穩(wěn)態(tài)運(yùn)行下，負(fù)載側(cè)的電壓電流信號(hào).因此各個(gè)周期內(nèi)的特征信息呈現(xiàn)相似性的特征.為了最大化體現(xiàn)單周期內(nèi)的特征量，對(duì)原始信號(hào)做時(shí)域上的分段處理，設(shè)拆分為k個(gè)子序列，對(duì)每個(gè)子序列進(jìn)行經(jīng)驗(yàn)小波分解，并且計(jì)算各自的能量熵，得到一個(gè)周期內(nèi)的能量熵序列{Entropy(k)}.

1.3 改進(jìn)能量熵

考慮到新能源接入電網(wǎng)后，由于新能源接入電網(wǎng)后，雖然會(huì)導(dǎo)致電網(wǎng)頻率以及諧波特性等特征量發(fā)生改變，但波動(dòng)的幅度仍在一定范圍內(nèi).因此若直接將各時(shí)間段的小波能量熵作為特征參數(shù)，會(huì)導(dǎo)致不同新能源占比下的特征量差異不大，需要進(jìn)一步的處理.

現(xiàn)提出一種改進(jìn)小波能量熵理論：對(duì)于一段原始信號(hào)，首先計(jì)算長(zhǎng)度為k的能量熵序列Entropy(k)，計(jì)算整個(gè)時(shí)間段下的能量熵Entropymean.設(shè)加權(quán)系數(shù)為A，則處理后的能量熵序列為

Entropymean(k)=A(Entropy(k)-Entropymean)

，

(11)

其中，加權(quán)系數(shù)A的計(jì)算公式如下：

A=Bσ4/(Entropy-μ)4

，

(12)

公式中：B為比例系數(shù)，一般取103左右；μ為能量熵序列的均值；σ為能量熵序列的標(biāo)準(zhǔn)差.加權(quán)系數(shù)的取值，與能量熵序列峭度呈反比.由于峭度反映了數(shù)據(jù)的陡峭程度，而對(duì)于特征信息不明顯的能量熵，峭度值較小，為了凸顯內(nèi)部差異性，利用峭度的倒數(shù)去凸顯內(nèi)部差異性.同時(shí)，使得各類能量熵的內(nèi)部差異水平維持在同一基準(zhǔn)線上，從而提高總體信息的有效性，以及作為訓(xùn)練樣本的可靠性.

2 LSTM神經(jīng)網(wǎng)絡(luò)

LSTM神經(jīng)網(wǎng)絡(luò)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，它是一種具有記憶性的神經(jīng)網(wǎng)絡(luò)，適合處理帶有時(shí)間刻度的序列.特別是針對(duì)跨度較長(zhǎng)的時(shí)間序列問(wèn)題，能夠?qū)^長(zhǎng)的歷史信息進(jìn)行記憶.

2.1 LSTM神經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)

LSTM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示.

圖1 LSTM神經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)

LSTM的關(guān)鍵是細(xì)胞狀態(tài)，它類似于傳輸帶，是位于結(jié)構(gòu)圖最頂部的直線.細(xì)胞的狀態(tài)在這條線上移動(dòng)，只需經(jīng)過(guò)少量的線性操作.這樣，細(xì)胞信息在經(jīng)過(guò)一個(gè)單元后，自身信息不會(huì)被過(guò)多修改.LSTM的優(yōu)越之處在于能夠選擇性的修改細(xì)胞的狀態(tài)，而這個(gè)功能是通過(guò)門來(lái)實(shí)現(xiàn)的，門能夠有選擇性的讓信息通過(guò).門由一個(gè)Sigmoid神經(jīng)網(wǎng)絡(luò)層和一個(gè)點(diǎn)乘法運(yùn)算組成.

LSTM單個(gè)單元的運(yùn)行可分為以下四步：

(1)LSTM需要決定丟棄細(xì)胞狀態(tài)中的部分信息，通過(guò)前一時(shí)刻的輸出ht-1和當(dāng)前時(shí)刻的輸入xt，利用Sigmoid函數(shù)決定保留信息量的大??；

(2)決定在細(xì)胞狀態(tài)中存儲(chǔ)的信息量.首先，作為“輸入門層”的Sigmoid層同樣輸出0-1間的值，決定要記住的信息量；其次，信息通過(guò)tanh層，創(chuàng)建候選向量Ct，輸送給細(xì)胞的狀態(tài)中；

(3)更新Ct的值.通過(guò)遺忘系數(shù)ft，得到需要遺忘的信息.加上候選向量，得到新的細(xì)胞狀態(tài)Ct；

(4)使新的細(xì)胞狀態(tài)經(jīng)過(guò)tanh層，將值歸一化到-1與1之間；將兩個(gè)外部輸入通過(guò)Sigmoid層決定輸出的細(xì)胞信息量.將兩個(gè)量的乘積作為最終的輸出量.

2.2 LSTM神經(jīng)網(wǎng)絡(luò)的搭建

本文的目的是定量分析新能源占比，但搭建的并不是訓(xùn)練參數(shù)與具體占比數(shù)值間的嚴(yán)格模型，而是簡(jiǎn)化版的分類模型.實(shí)際思路是將新能源占比按照一定區(qū)段劃分，下限是0%，上限是50%，等差地劃分為n類.通過(guò)網(wǎng)絡(luò)訓(xùn)練，得到采樣數(shù)據(jù)對(duì)應(yīng)的類別.

本次仿真基于MATLAB平臺(tái)，借助神經(jīng)網(wǎng)絡(luò)編輯器，配置訓(xùn)練所用的LSTM神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)與參數(shù)配置如圖2所示.

如圖2(a)所示，第一層為輸入層，輸入的特征向量維度為6(三相電壓電流數(shù)據(jù))；第二層為雙向LSTM神經(jīng)網(wǎng)絡(luò)，即前向LSTM與后向LSTM的綜合，更有效地處理雙向的信息；第三層為全連接層，數(shù)據(jù)種類暫時(shí)設(shè)定為5(每10%設(shè)定為一類)；第四層為Softmax函數(shù)，將原先輸出映射到(0，1)上；第五層為分類器，實(shí)現(xiàn)本次訓(xùn)練的故障分類功能.

神經(jīng)網(wǎng)絡(luò)訓(xùn)練的配置如圖2(b)所示.求解器采用Adam(Adaptive Momentum)，它是一種自適應(yīng)動(dòng)量的隨機(jī)優(yōu)化方法；最大循環(huán)次數(shù)設(shè)定為1 000次；學(xué)習(xí)率設(shè)定為0.001；小批量規(guī)模(MinBatchSize)設(shè)定為50，即采用50大小的小批量規(guī)模，均勻劃分?jǐn)?shù)據(jù)集；設(shè)定每次循環(huán)時(shí)，都將打亂一次數(shù)據(jù)集.

圖2 神經(jīng)網(wǎng)絡(luò)配置圖

3 經(jīng)驗(yàn)小波分解的效果分析

為了驗(yàn)證經(jīng)驗(yàn)小波分解的有效性，通過(guò)函數(shù)表達(dá)式得到仿真信號(hào)，檢驗(yàn)經(jīng)驗(yàn)小波分解能否有效地分析信號(hào)的特征信息.

3.1 采樣信號(hào)的模擬

由于新能源大規(guī)模接入，導(dǎo)致電能質(zhì)量波動(dòng)程度變大，因此選取常見(jiàn)的電能質(zhì)量擾動(dòng)的數(shù)學(xué)模型進(jìn)行分析.而在電網(wǎng)穩(wěn)定運(yùn)行的情況下，諧波問(wèn)題發(fā)生的頻次最大.因此選取諧波擾動(dòng)作為模型對(duì)象，表達(dá)式如公式(13)所示，代表疊加了3次～13次的奇次諧波.

(13)

同時(shí)，為了模擬實(shí)測(cè)電信號(hào)，加入高斯白噪聲模擬白噪干擾，即在輸出電流中疊加一定比例的正態(tài)分布噪聲信號(hào)，波形如圖3所示.

圖3 模擬諧波干擾信號(hào)

3.2 經(jīng)驗(yàn)小波分解效果分析

經(jīng)驗(yàn)小波分解需要確定分解階數(shù)N，來(lái)劃分不同的頻段.如果設(shè)定的階數(shù)過(guò)大，會(huì)導(dǎo)致分解信息冗雜，無(wú)法捕捉關(guān)鍵特征信息；若設(shè)定階數(shù)過(guò)小，會(huì)導(dǎo)致部分模態(tài)混雜，導(dǎo)致特征信息不明確.因此，考慮實(shí)際情況，設(shè)定分?jǐn)?shù)階數(shù)為8.分解結(jié)果與原波形信息如圖4所示，第1行為噪聲信號(hào)，第2行～第7行是奇次諧波信號(hào)，第8行為基波.可以看出，模態(tài)分解的效果很好，按照設(shè)定的頻次將諧波信號(hào)完全分離了出來(lái)，證明了其有效性.

在得到分解后的EWF分量后，我們不難發(fā)現(xiàn)，對(duì)于諧波問(wèn)題這種特征明顯的信號(hào)，EWT的分解結(jié)果在分解結(jié)束選取合適的情況下，即為各個(gè)諧波分量.通過(guò)對(duì)各分量幅值相位的研究，可以較為便捷地獲取特征信息.但是實(shí)際系統(tǒng)中，采樣信號(hào)所蘊(yùn)含的信息是復(fù)雜且耦合的，并不是單一的諧波問(wèn)題，因此并不能全部轉(zhuǎn)換為求取頻域信息的問(wèn)題.因此，我們需要對(duì)得到的EWF分量做進(jìn)一步處理.

一般來(lái)說(shuō)有兩種處理思路，一種是分析整個(gè)時(shí)段上的EWF分量，轉(zhuǎn)化為單一特征值，或者將整段數(shù)據(jù)作為智能算法的樣本.這種思路會(huì)造成特征信息的不敏感，且加重了智能算法的負(fù)擔(dān).另一種就是本文采取的思路，借用加窗的思想，將整個(gè)時(shí)段分隔為等長(zhǎng)的片段，分別進(jìn)行后續(xù)的數(shù)據(jù)處理，得到一組特征更明顯、保留數(shù)據(jù)量更豐富、且后續(xù)訓(xùn)練樣本容量更精簡(jiǎn)的方法，即改進(jìn)能量熵法.

圖4 經(jīng)驗(yàn)小波分解結(jié)果與原始信號(hào)的對(duì)比

4 仿真算例分析

4.1 仿真模型的搭建及實(shí)驗(yàn)配置

為研究低壓饋線上分布式新能源所占比例與頻譜特性，在Simulink中搭建含多種新能源并網(wǎng)的仿真模型，模型結(jié)構(gòu)如圖所示.其中，主網(wǎng)的電壓等級(jí)為750 kV.在35 kV母線處，接入風(fēng)電場(chǎng)與光電場(chǎng).其中，風(fēng)機(jī)為雙饋異步風(fēng)力發(fā)電機(jī)，單臺(tái)風(fēng)機(jī)的額定輸出功率為1.5 MW；光伏電池的型號(hào)為SPR-415E-WHT-D，額定輸出功率為10 MW.10 kV低壓饋線上接入三相RLC負(fù)載，負(fù)載功率為200 MW.

圖5 Simulink仿真模型

由于本文的目的是定量分析新能源占比，首先應(yīng)該得到不同占比下低壓饋線處的電信號(hào).本次實(shí)驗(yàn)選擇三相電壓電流數(shù)據(jù)作為分析樣本，共6組信號(hào).

本文固定負(fù)載功率為200 MW，通過(guò)改變風(fēng)機(jī)組的投入臺(tái)數(shù)以及光伏陣列的組件數(shù)，實(shí)現(xiàn)低壓饋線處新能源占比的變化.基于對(duì)實(shí)際情況的考慮，共進(jìn)行500組仿真，新能源占比從0.1%按0.1%的增幅，增長(zhǎng)到50%.

通過(guò)功率采集模塊，得到光伏輸出功率P_PV，風(fēng)機(jī)輸出功率P_wind，以及負(fù)載側(cè)功率P_load，每次仿真計(jì)算新能源占比為

ratio=P_PV+P_wind/P_load

.

(14)

以占比為10%以及40%的一組數(shù)據(jù)為例，低壓饋線處的單相電流的波形如圖6所示(取一個(gè)周期內(nèi)的A相電流信號(hào)分析)：

圖6 10%占比與40%占比下單相電流波形對(duì)比

不難發(fā)現(xiàn)，新能源占比不同時(shí)，低壓饋線處的信號(hào)畸變程度差異不大，因此無(wú)法直觀地定量分析.需要后續(xù)的特征提取手段挖掘其特征信息.

4.2 改進(jìn)經(jīng)驗(yàn)小波能量熵的效果分析

由于本次仿真為離散仿真，設(shè)定的步長(zhǎng)為5e-6，故取一個(gè)工頻周期內(nèi)的4 000個(gè)數(shù)據(jù)點(diǎn)分析.將4 000個(gè)點(diǎn)分為40組，每組100個(gè)點(diǎn)，分別對(duì)其組成的時(shí)間序列進(jìn)行小波變換并求取能量熵.通過(guò)這種方式，將一組電流數(shù)據(jù)變?yōu)?0個(gè)點(diǎn)的能量熵序列.由于每組仿真得到6組電壓電流數(shù)據(jù)，故組成6×40的特征矩陣，代表40個(gè)6維的列特征向量，作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練對(duì)象.具體的流程如7圖所示.

圖7 改進(jìn)經(jīng)驗(yàn)小波能量熵法的流程圖

將500組訓(xùn)練數(shù)據(jù)劃分為5類水平，新能源占比為0%～10%，10%～20%，20%～30%，30%～40%，40%～50%，分別記為R1、R2、R3、R4、R5.各類任取一組數(shù)據(jù)，分析其能量熵?cái)?shù)據(jù)，如圖8所示.

圖8 不同新能源占比下的能量熵序列

從圖中可以發(fā)現(xiàn)，改進(jìn)能量熵的峰值集中在起始階段以及中點(diǎn)階段，其他階段較為平穩(wěn)，說(shuō)明新能源波動(dòng)幅度在這三個(gè)階段比較明顯.因此，若想提高算法的運(yùn)算速度，減小儲(chǔ)存負(fù)擔(dān)，可以對(duì)波形進(jìn)行分段處理，截取關(guān)鍵片段進(jìn)行特征提取，可以有效提高后續(xù)的訓(xùn)練速度.

同時(shí)，觀察同一階段下不同水平的波形信息，可以發(fā)現(xiàn)在起止階段，隨著新能源占比提高，改進(jìn)能量熵呈現(xiàn)上升的趨勢(shì)，末尾階段的變化幅度最為劇烈.在中間階段，能量熵呈現(xiàn)出小范圍的正弦性特征，變化方式也與起止階段類似.因此，說(shuō)明改進(jìn)能量熵挖掘了各類水平下的信號(hào)特征信息.

4.3 LSTM神經(jīng)網(wǎng)絡(luò)分類的結(jié)果分析

本文的分類算法選用傳統(tǒng)BPNN神經(jīng)網(wǎng)絡(luò)與LSTM神經(jīng)網(wǎng)絡(luò)，通過(guò)改變輸入側(cè)數(shù)據(jù)來(lái)比較各類方法的性能.采取三組對(duì)照實(shí)驗(yàn)：(1)傳統(tǒng)能量熵+BPNN；(2)傳統(tǒng)能量熵+LSTM神經(jīng)網(wǎng)絡(luò)；(3)改進(jìn)能量熵+BPNN；(4)改進(jìn)能量熵+LSTM神經(jīng)網(wǎng)絡(luò).

將生成的500組數(shù)據(jù)分為300組訓(xùn)練樣本與200組測(cè)試樣本，每類數(shù)據(jù)各60組訓(xùn)練樣本與40組測(cè)試樣本.BPNN的隱含層配置為200，最大循環(huán)輪數(shù)為200，學(xué)習(xí)率設(shè)置為0.001；LSTM神經(jīng)網(wǎng)絡(luò)的隱含層配置為100，最大循環(huán)輪數(shù)設(shè)置為100，學(xué)習(xí)率設(shè)置為0.001，各組訓(xùn)練成果如表1所示.

表1 不同算法的訓(xùn)練效果對(duì)比

由表1所示，改進(jìn)能量熵+LSTM的訓(xùn)練效果是最好的，它的循環(huán)次數(shù)為1 000次，訓(xùn)練時(shí)間為33 s，均為最低的；并且它的準(zhǔn)確率達(dá)到了98.6%，為4種方法中最高的.同時(shí)不難發(fā)現(xiàn)，傳統(tǒng)能量熵法的訓(xùn)練準(zhǔn)確率遠(yuǎn)遠(yuǎn)不及改進(jìn)能量熵法.在選定神經(jīng)網(wǎng)絡(luò)不變的情況下，采用改進(jìn)能量熵后，準(zhǔn)確率均有3%～7%的提升.除此之外，采用LSTM神經(jīng)網(wǎng)絡(luò)，對(duì)總訓(xùn)練時(shí)長(zhǎng)也有顯著影響.BPNN由于其本身特性，不適合處理長(zhǎng)時(shí)間序列，因此在效率和準(zhǔn)確率方面均不如LSTM神經(jīng)網(wǎng)絡(luò).在給定訓(xùn)練數(shù)據(jù)的情況下，LSTM訓(xùn)練時(shí)長(zhǎng)相較于BPNN分別縮短了12 s以及9 s，足以證明其性能的優(yōu)越性.

通過(guò)上述分析可知，相比于BPNN神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)小波能量熵法，本文提出的改進(jìn)小波能量熵和LSTM神經(jīng)網(wǎng)絡(luò)算法具有很大的優(yōu)越性.該算法對(duì)隱含層配置層數(shù)要求低，循環(huán)次數(shù)少，訓(xùn)練時(shí)間短，但準(zhǔn)確率依舊保持很高水準(zhǔn)，足以證明改進(jìn)能量熵法的有效性.

利用該方法對(duì)測(cè)試樣本進(jìn)行分析，測(cè)試效果如圖9所示，橫坐標(biāo)代表測(cè)試組別，縱坐標(biāo)代表占比類別；各類占比的測(cè)試準(zhǔn)確率如表2所示.從表中能夠發(fā)現(xiàn)，總體準(zhǔn)確率為97.5%，說(shuō)明該方法的有效性和可靠性.但是各類預(yù)測(cè)準(zhǔn)確率的差異性較大，其中，測(cè)試樣本數(shù)較小有一部分的因素.圖9橫坐標(biāo)代表測(cè)試的組別，每40組是一類；縱坐標(biāo)有3種取值：0代表預(yù)測(cè)準(zhǔn)確，1代表預(yù)測(cè)占比偏大，-1代表預(yù)測(cè)占比偏小.從圖9中可以看出，判斷錯(cuò)誤的點(diǎn)全部集中在各類組別的分層處.由于本次分類是按照新能源占比作為依據(jù)，因此R1和R2交接處的特征信息是連續(xù)的，產(chǎn)生誤判在可接受范圍內(nèi).如果將占比范圍細(xì)分，例如以5%為間隔，劃分為10類.可以預(yù)想到的是，模型訓(xùn)練準(zhǔn)確率會(huì)有小幅度下降，但同時(shí)會(huì)提升定量分析的實(shí)際意義.

表2 各占比類別的測(cè)試準(zhǔn)確率對(duì)比

圖9 不同新能源占比下的測(cè)試結(jié)果

4.4 討 論

從上述仿真及訓(xùn)練的結(jié)果可以看出，本文所提的方法相比較于傳統(tǒng)的算法，準(zhǔn)確率有一定提升，訓(xùn)練時(shí)間也較短，說(shuō)明具有一定的可靠性.但是，受限于仿真數(shù)據(jù)的容量與機(jī)器的性能，本文對(duì)占比分段的跨度較大，達(dá)到了10%.因此，導(dǎo)致在同一類數(shù)據(jù)組中，預(yù)測(cè)的正確率分布不均，在占比臨界處存在一定的誤判.如果條件允許，在獲取更多的數(shù)據(jù)后，再利用改進(jìn)能量熵的特征差異性集中在部分?jǐn)?shù)據(jù)段的特點(diǎn)，縮小訓(xùn)練樣本中特征向量的長(zhǎng)度，減少冗余信息，應(yīng)該能夠進(jìn)一步提高預(yù)測(cè)準(zhǔn)確率，降低訓(xùn)練時(shí)間.

5 結(jié) 論

針對(duì)高比例可再生能源接入背景下，定量分析低壓饋線處可再生能源功率占比問(wèn)題，本文提出一種基于改進(jìn)經(jīng)驗(yàn)小波能量熵和LSTM神經(jīng)網(wǎng)絡(luò)的定量分析方法，通過(guò)搭建仿真模型模擬現(xiàn)場(chǎng)數(shù)據(jù)，進(jìn)行大量訓(xùn)練測(cè)試，主要得到以下結(jié)論:

(1)基于改進(jìn)經(jīng)驗(yàn)小波能量熵的特征提取方法，能夠有效解決由于新能源大量接入，導(dǎo)致電能質(zhì)量出現(xiàn)復(fù)雜擾動(dòng)而導(dǎo)致的頻譜分析困難的問(wèn)題，特別是改進(jìn)能量熵算法，改善了傳統(tǒng)能量熵法不適用于低峭度數(shù)據(jù)處理問(wèn)題.

(2)通過(guò)傳統(tǒng)機(jī)器學(xué)習(xí)算法對(duì)可再生能源占比進(jìn)行定量分析，存在訓(xùn)練時(shí)間長(zhǎng)，準(zhǔn)確率低等問(wèn)題.因此本文利用結(jié)論1的數(shù)據(jù)，搭建LSTM神經(jīng)網(wǎng)絡(luò)，并且在MATLAB/Simulink中進(jìn)行仿真；仿真表明LSTM神經(jīng)網(wǎng)絡(luò)能夠成功識(shí)別不同占比下的電壓電流數(shù)據(jù)，復(fù)雜度和訓(xùn)練時(shí)長(zhǎng)低，平均準(zhǔn)確率有所提高.

(3)下一步的研究重點(diǎn)是提高定量分析的精確度，并且有效解決可再生能源占比分界處識(shí)別成功率較低的問(wèn)題.