CN105654208A - 空间负荷预测中确定元胞负荷最大值的经验模态分解方法 - Google Patents

Abstract

本发明是一种空间负荷预测中确定元胞负荷最大值的经验模态分解方法，其特点是，包括：利用经验模态分解技术将各元胞负荷进行分解、对分解得到的一系列本征模态函数建立滤取机制、重构出元胞负荷的主体分量并确定其中的最大值等步骤。通过分析元胞历史负荷数据，利用经验模态分解技术将各元胞负荷进行分解；对分解得到的一系列本征模态函数建立滤取机制；把能表征元胞负荷基本信息规律性与趋势性的部分本征模态函数重构为主体分量，把能刻画元胞负荷随机波动性的部分本征模态函数重构为高频分量；通过剔除高频分量来抑制随机波动性带来的不利影响，将主体分量中的最大值作为元胞负荷最大值，该值可应用于城市电网空间负荷预测。

Description

空间负荷预测中确定元胞负荷最大值的经验模态分解方法

技术领域

本发明涉及城市配电网规划中的空间负荷预测领域，是一种空间负荷预测中确定元胞负荷最大值的经验模态分解方法。

背景技术

空间负荷预测(spatialloadforecasting，SLF)是针对待测区域内负荷时空特性的预测，其结果的准确性将直接影响到城市电网的电源布点、供电路径选择、设备投运等是否技术可行且经济合理。

为实现SLF，需先将待测区域划分成多个形状规则或不规则的小区，每个小区都可看作一个元胞，所以小区内的电力负荷又称为元胞负荷。

实现SLF的过程中，一般使用元胞的年负荷最大值，即只使用各元胞每年众多历史负荷数据中的最大值。而在获得元胞负荷时可能受到测量、通信等误差的影响，使得到的最大值不一定合理。若直接将各元胞历史负荷数据的最大值应用于SLF，势必会影响到预测精度。可见，各元胞历史负荷数据的合理选取对SLF准确性至关重要，故需进行负荷数据预处理方法的研究确定元胞负荷最大值，以确保在建模和预测过程中所使用的历史负荷数据能合理地反映元胞负荷发展的趋势和规律，从而提高SLF质量。

发明内容

本发明的目的是，提供一种方法科学、合理，简单、实用的空间负荷预测中确定元胞负荷最大值的经验模态分解方法。

实现本发明目的所采用的技术方案是，一种空间负荷预测中确定元胞负荷最大值的经验模态分解方法，其特征在于，它包括以下步骤：

1)利用经验模态分解技术将各元胞负荷进行分解

为实现空间电力负荷预测，需先将待测区域划分成多个形状规则或不规则的小区，每个小区都可看作一个元胞，所以小区内的电力负荷又称为元胞负荷；

经验模态分解(EmpiricalModeDecomposition，EMD)是一种对信号进行平稳化处理的过程，它基于信号的局部特征尺度，可将元胞负荷中不同尺度的波动逐级分解出来，产生一系列不同特征尺度的数据序列，并将每个序列作为一个本征模态函数(IntrinsicModeFunction，IMF)，其中的最后一个数据序列又称为残余函数r；

2)对分解得到的一系列本征模态函数建立滤取机制

元胞负荷中包含高频分量和主体分量两个部分，高频分量具有随机波动性，主体分量则具有规律性和趋势性，本步骤就是要判定分别属于高频分量的IMF和主体分量的IMF；

①引入波动指数来描述IMF的波动性

利用公式(1)来计算IMF的波动指数，

$\mathrm{\α}\left(i\right)=\frac{\underset{i=1}{\overset{m-1}{\Σ}}{\left(f_i\right(j)-f_i(j+1\left)\right)}^2}{\underset{i=1}{\overset{m}{\Σ}}{\left(f_i\right(j\left)\right)}^2}---\left(1\right)$

其中：α(i)为元胞负荷的第i个IMF的波动指数，i＝1，2，…，n；

n为对元胞负荷进行经验模态分解所得到的数据序列的个数；

f_i(j)为第i个IMF的第j个数值，j＝1，2，…，m；

m为第i个IMF所含数值的个数；

②建立确定IMF属于元胞负荷中高频分量的第一判据

通过比较元胞负荷的各IMF的波动指数与元胞负荷原始数据序列的波动指数之间的关系，把满足公式(2)的IMF初步判定为高频分量，并把公式(2)称为“第一判据”；

α(i)＞α(0)(2)

其中：α(0)为元胞负荷原始数据序列的波动指数；

③建立确定IMF属于元胞负荷中高频分量的第二判据

利用公式(3)求出各相邻两个IMF的波动指数的比值，在根据“第一判据”所得到的IMF中确定b(i)的最大值，并将该b(i)最大值对应的i记作k，判定第1至第k个IMF均属于高频分量，称为“第二判据”；

$b\left(i\right)=\frac{\mathrm{\α}\left(i\right)}{\mathrm{\α}(i+1)}---\left(3\right)$

其中：b(i)为波动比例序列的第i个值，i＝1，2，…，n-1；

α(i)为元胞负荷的第i个IMF的波动指数，i＝1，2，…，n-1；

n为对元胞负荷进行经验模态分解所得到的数据序列的个数；

k为小于n，但大于0的整数；

④虑取属于元胞负荷中主体分量的IMF

在对元胞负荷进行经验模态分解所得到的所有IMF中，剔除属于高频分量的IMF，其余的IMF均属于主体分量；

3)重构出元胞负荷的主体分量并确定其中的最大值

剔除属于高频分量的IMF，将其余均属于主体分量的IMF和残余函数r相加重构出主体分量；将主体分量中的最大值作为元胞负荷的最大值。

本发明的空间负荷预测中确定元胞负荷最大值的经验模态分解方法，通过分析元胞历史负荷数据，利用经验模态分解技术将各元胞负荷进行分解，对分解得到的一系列本征模态函数建立滤取机制，把能表征元胞负荷基本信息规律性与趋势性的部分本征模态函数重构为主体分量，把能刻画元胞负荷随机波动性的部分本征模态函数重构为高频分量。通过剔除高频分量来抑制随机波动性带来的不利影响，将主体分量中的最大值作为元胞负荷最大值，具有方法科学、合理，简单、实用等优点。

附图说明

图1为元胞负荷时间序列及其本征模态函数曲线图；

图2为波动比例序列曲线图；

图3为元胞负荷的高频分量曲线图；

图4为元胞负荷的主体分量曲线图；

图5为待测区域内的元胞示意图。

具体实施方式

下面利用附图和实施例对本发明作进一步说明。

参照图1-图5，图1给出了元胞负荷时间序列曲线图及对其进行经验模态分解后得到的本征模态函数的曲线图，图2给出了利用各相邻两个IMF的波动指数之比得到的波动比例序列曲线图；图3给出了重构出来的元胞负荷高频分量的曲线图；图4给出了重构出来的元胞负荷主体分量的曲线图；图5中显示了在待进行空间负荷预测的区域内，根据10kV馈线供电范围生成的元胞示意图。

本发明的空间负荷预测中确定元胞负荷最大值的经验模态分解方法，包括以下步骤：

1)利用经验模态分解技术将各元胞负荷进行分解

对图5中各元胞的负荷分别进行经验模态分解，其中名为德胜线的元胞的负荷曲线及其本征模态函数(IntrinsicModeFunction，IMF)曲线和残余函数r曲线见图1；

2)对步骤1)分解得到的一系列本征模态函数建立滤取机制

①引入波动指数来描述IMF的波动性

利用公式(4)来计算IMF的波动指数，

$\mathrm{\α}\left(i\right)=\frac{\underset{i=1}{\overset{m-1}{\Σ}}{\left(f_i\right(j)-f_i(j+1\left)\right)}^2}{\underset{i=1}{\overset{m}{\Σ}}{\left(f_1\right(j\left)\right)}^2}---\left(4\right)$

其中：α(i)为元胞负荷的第i个IMF的波动指数，i＝1，2，…，n；

n为对元胞负荷进行经验模态分解所得到的数据序列的个数；

f_i(j)为第i个IMF的第j个数值，j＝1，2，…，m；

m为第i个IMF所含数值的个数；

通过式(4)计算得出名为德胜线的元胞的IMF1～IMF10和以及残余函数r的波动指数，具体数值大小见表1，其中元胞负荷的原始序列用s(t)描述。

表1各IMF、残余函数以及原始序列的波动指数

②建立确定IMF属于元胞负荷中高频分量的第一判据

通过比较元胞负荷的各IMF的波动指数与元胞负荷原始数据序列的波动指数之间的关系，把满足公式(5)的IMF初步判定为高频分量，并把公式(5)称为“第一判据”；

α(i)＞α(0)(5)

其中：α(0)为元胞负荷原始数据序列的波动指数；

对名为德胜线的元胞而言，根据公式(5)和表1，可初步判定IMF1～IMF6属于其高频分量。

③建立确定IMF属于元胞负荷中高频分量的第二判据

利用公式(6)求出各相邻两个IMF的波动指数的比值，在根据“第一判据”所得到的IMF中确定b(i)的最大值，并将该b(i)最大值对应的i记作k，判定第1至第k个IMF均属于高频分量，称为“第二判据”；

$b\left(i\right)=\frac{\mathrm{\α}\left(i\right)}{\mathrm{\α}(i+1)}---\left(6\right)$

其中：b(i)为波动比例序列的第i个值，i＝1，2，…，n-1；

α(i)为元胞负荷的第i个IMF的波动指数，i＝1，2，…，n-1；

n为对元胞负荷进行经验模态分解所得到的数据序列的个数；

k为小于n，但大于0的整数；

对名为德胜线的元胞而言，根据表1和公式(6)，以及图2，可进一步判定IMF1～IMF3属于其高频分量。

④虑取属于元胞负荷中主体分量的IMF

在对名为德胜线的元胞负荷进行经验模态分解所得到的所有IMF中，去掉属于高频分量的IMF1～IMF3，其余的IMF4～IMF10以及残余函数r均属于其主体分量；

3)重构出元胞负荷的主体分量并确定其中的最大值

①剔除属于高频分量的IMF，将其余均属于主体分量的IMF和残余函数r相加重构出主体分量；对名为德胜线的元胞而言，利用IMF1～IMF3重构出来的元胞负荷高频分量如图3所示，利用IMF4～IMF10以及残余函数r重构出来的元胞负荷主体分量如图4所示；

②将主体分量中的最大值作为元胞负荷的最大值。

对图5所示的所有元胞，运用本方法分别计算它们在2003年至2008年这5年内的负荷最大值，计算结果见表2。

表2各元胞的最大负荷值

本发明的特定实施例已对本发明的内容作出了详尽的说明，但不局限本实施例，本领域技术人员根据本发明的启示所做的任何显而易见的改动，都属于本发明权利保护的范围。

Claims (1)

1.一种空间负荷预测中确定元胞负荷最大值的经验模态分解方法，其特征在于，它包括以下步骤：

1)利用经验模态分解技术将各元胞负荷进行分解

为实现空间电力负荷预测，需先将待测区域划分成多个形状规则或不规则的小区，每个小区都可看作一个元胞，所以小区内的电力负荷又称为元胞负荷；

经验模态分解(EmpiricalModeDecomposition，EMD)是一种对信号进行平稳化处理的过程，它基于信号的局部特征尺度，可将元胞负荷中不同尺度的波动逐级分解出来，产生一系列不同特征尺度的数据序列，并将每个序列作为一个本征模态函数(IntrinsicModeFunction，IMF)，其中的最后一个数据序列又称为残余函数r；

2)对分解得到的一系列本征模态函数建立滤取机制

元胞负荷中包含高频分量和主体分量两个部分，高频分量具有随机波动性，主体分量则具有规律性和趋势性，本步骤就是要判定分别属于高频分量的IMF和主体分量的IMF；

①引入波动指数来描述IMF的波动性

利用公式(1)来计算IMF的波动指数，

$\mathrm{\α}\left(i\right)=\frac{\underset{i=1}{\overset{m-1}{\Σ}}{\left(f_i\right(j)-f_i(j+1\left)\right)}^2}{\underset{i=1}{\overset{m}{\Σ}}{\left(f_i\left(j\right)\right)}^2}---\left(1\right)$

其中：α(i)为元胞负荷的第i个IMF的波动指数，i＝1，2，…，n；

n为对元胞负荷进行经验模态分解所得到的数据序列的个数；

f_i(j)为第i个IMF的第j个数值，j＝1，2，…，m；

m为第i个IMF所含数值的个数；

②建立确定IMF属于元胞负荷中高频分量的第一判据

通过比较元胞负荷的各IMF的波动指数与元胞负荷原始数据序列的波动指数之间的关系，把满足公式(2)的IMF初步判定为高频分量，并把公式(2)称为“第一判据”；

α(i)＞α(0)(2)

其中：α(0)为元胞负荷原始数据序列的波动指数；

③建立确定IMF属于元胞负荷中高频分量的第二判据

利用公式(3)求出各相邻两个IMF的波动指数的比值，在根据“第一判据”所得到的IMF中确定b(i)的最大值，并将该b(i)最大值对应的i记作k，判定第1至第k个IMF均属于高频分量，称为“第二判据”；

$b\left(i\right)=\frac{\mathrm{\α}\left(i\right)}{\mathrm{\α}(i+1)}---\left(3\right)$

其中：b(i)为波动比例序列的第i个值，i＝1，2，…，n-1；

α(i)为元胞负荷的第i个IMF的波动指数，i＝1，2，…，n-1；

n为对元胞负荷进行经验模态分解所得到的数据序列的个数；

k为小于n，但大于0的整数；

④虑取属于元胞负荷中主体分量的IMF

在对元胞负荷进行经验模态分解所得到的所有IMF中，剔除属于高频分量的IMF，其余的IMF均属于主体分量；

3)重构出元胞负荷的主体分量并确定其中的最大值

剔除属于高频分量的IMF，将其余均属于主体分量的IMF和残余函数r相加重构出主体分量；将主体分量中的最大值作为元胞负荷的最大值。