基于聚类LSTM深度学习模型的主动配电网电能质量预测

• 作者: 翁国庆 舒俊鹏 黄飞腾 龚阳光
• 来源期刊: 高技术通讯
• 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)
• 年，卷（期）: 2020,（7）
• 所属期刊栏目: 计算机与通信技术
• 页码范围: 687-697
• 页数: 11页
• 字数: 8360字
• 语种: 中文
• DOI: 10.3772/j.issn.1002-0470.2020.07.004

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	黄飞腾	浙江工业大学信息工程学院	28	140	8.0	11.0
2	翁国庆	浙江工业大学信息工程学院	59	686	14.0	25.0
3	龚阳光	浙江工业大学信息工程学院	2	0	0.0	0.0
4	舒俊鹏	浙江工业大学信息工程学院	3	1	1.0	1.0