(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111563878.2 (22)申请日 2021.12.20 (71)申请人 湘潭大学 地址 411105 湖南省湘潭市雨湖区湘潭大 学 (72)发明人 李辉　冯裕祺　周彦博　谭貌　 彭寒梅　李利娟　苏永新　 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06F 113/04(2020.01) (54)发明名称 一种基于CNN-GRU的电压态 势感知方法 (57)摘要 本发明公开了一种基于CNN ‑GRU的电压态势 感知方法， 包括以下步骤： 采集电压、 有功功率和 太阳辐照度数据； 构建电压时间序列； 电压自相 关性理解； 变量因素相关性理解； 时间序列数据 预处理； 构建电压态势预测模型； 进行短期电压 态势预测。 本发明通过构建电压态势感知网络， 采用电压态势感知方法对时间序列数据进行挖 掘， 首先通过电力参数测量仪、 传感器单元采集 电压、 有功功率、 太阳辐照度数据； 然后提取数据 构建电压时间序列， 并通过最大信息系数等进行 相关性理解； 最后设计CNN ‑GRU态势预测模型结 构， 实现了对电压的高精度态 势预测。 权利要求书2页 说明书5页 附图1页 CN 114239407 A 2022.03.25 CN 114239407 A 1.一种基于 CNN‑GRU的电压态 势感知方法， 其特 征在于， 包括以下步骤： 步骤一， 采集电压、 有功功率和太阳辐照度数据： 通过电力参数测量仪、 传感器单元采 集电压、 有功 功率、 太阳辐照度数据； 步骤二， 构建电压时间序列： 设定提取间隔时间， 提取采集的电压数据作为参考值构建 电压时间序列； 步骤三， 电压自相关性理解： 通过计算自相关系数进行电压自相关性理解， 得到输入时 间步长； 步骤四， 变量因素相关性理解： 通过最大信息系数方法理解变量因素与电压之间的相 关程度， 得到 输入数据维度； 步骤五， 时间序列数据预处 理： 对电压时间序列数据进行归一 化； 步骤六， 构建电压态势预测模型： 电压态势预测模型第 一层为输入层， 第 二层和第四层 为卷积层， 第三层和第五层为池化层， 第六层和第七层为GRU层， 第八层为扁平层， 第九层为 全连接层， 最后一层为输出层， 电压态 势预测模型采用ReLU激活函数； 步骤七， 进行短期电压态势预测： 将归一化后的数据结合输入时间步长和输入数据维 度得到数据集， 将数据集输入电压态 势预测模型， 进行短期电压态 势预测。 2.根据权利 要求1所述基于CNN ‑GRU的电压态势感知方法， 其特征在于， 所述步骤二中， 提取电压数据公式为： 其中Vt_i～t_i+1为t_i～t_i+1时间段的电压时间序列， v1为时刻t_i的电压数据， v2为时刻 t_i+Δt的电压数据， vn为时刻t_i+(n ‑1)Δt的电压数据， 提取间隔时间Δt为5分钟。 3.根据权利 要求1所述基于CNN ‑GRU的电压态势感知方法， 其特征在于， 所述步骤三中， 电压自相关性理解公式为： 其中C(h)为自相关系数， h是时间滞后长度， vt表示时刻t的电压值， vt+h表示时刻t+h的 电压值， v是整个电压序列均值， m为总时刻， 使得C(h)≥0.93的h的最大值确定为输入 时间 步长。 4.根据权利 要求1所述基于CNN ‑GRU的电压态势感知方法， 其特征在于， 所述步骤四中， 最大信息系数计算公式为： 其中MIC(v； u)为电压u和变量因素v之间的最大信息系数， p(v,u)为电压u和变量因素v 之间的联合概率， a， b是在x， y轴方向上划分网格的数目， B为划分网格数目上限值， MIC(v； u)取值区间为[0,1]， 其值越大， 电压和变量因素间的相关程度就越高， MIC(v； u)≥0.6的变 量因素计入输入数据维度。 5.根据权利 要求1所述基于CNN ‑GRU的电压态势感知方法， 其特征在于， 所述步骤五中，权　利　要　求　书 1/2 页 2 CN 114239407 A 2对电压时间序列数据进行归一 化的公式为： 其中vt'表示时刻t的归一化电压值， vt表示时刻t的电压值， vmax和vmin分别表示电压时 间序列数据中的最大值和最小值。 6.根据权利要求1所述基于CNN ‑GRU的电压感知方法， 其特征在于， 所述步骤七具体步 骤为： 7‑1)对于时间序列数据， 选定输入时间步长为j， 输入数据维度为q， 输出 时间步长为f， 即用j×q个历史数据， 预测未来f个数据， 构造时间序列数据形如 其中j 通过电压自相关性理解产生， f根据控制需求确定， q通过变量因素相关性理解产生； 其中对于时刻t， Vx＝{Vt‑j,Vt‑j+1,···,Vt}，···， Rx＝{Rt‑j,Rt‑j+1,···,Rt}， Ty ＝{Tt+1,Tt+2,···,Tt+k}， 其中Vx为电压时间序列， Px,···,Rx是通过相关性理解得到的 有功功率、 太阳辐照度等时间序列， Vt‑j+1表示Vx序列t‑j+1时刻的序列值， Ty是输出的真实 电压时间序列； 7‑2)将Vx,Px,···,Rx等时间序列输入电压态 势预测模型 得到预测结果序列 权　利　要　求　书 2/2 页 3 CN 114239407 A 3