CN113705885A - 一种融合VMD、XGBoost及优化TCN的配电网电压预测方法及系统 - Google Patents

一种融合VMD、XGBoost及优化TCN的配电网电压预测方法及系统 Download PDF

Info

Publication number
CN113705885A
CN113705885A CN202110988019.1A CN202110988019A CN113705885A CN 113705885 A CN113705885 A CN 113705885A CN 202110988019 A CN202110988019 A CN 202110988019A CN 113705885 A CN113705885 A CN 113705885A
Authority
CN
China
Prior art keywords
voltage
data
xgboost
power
tcn
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110988019.1A
Other languages
English (en)
Other versions
CN113705885B (zh
Inventor
柳伟
赵培志
赵香
李亚杰
张重阳
杨镇宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202110988019.1A priority Critical patent/CN113705885B/zh
Publication of CN113705885A publication Critical patent/CN113705885A/zh
Application granted granted Critical
Publication of CN113705885B publication Critical patent/CN113705885B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Power Engineering (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种融合VMD、XGBoost及优化TCN的配电网电压预测方法及系统，属于配电网电压预测技术领域，解决如何提高现有技术中配电网电压预测精度低的问题；本发明的技术方案根据新能源接入配电网的情况、电压数据的特点，分别从数据采集、数据特征以及预测精度三个方面入手，采用VMD将电压时间序列分解为多个子信号模态，降低数据的非平稳性；利用XGBoost对影响电压的多个特征因素进行选择，避免单一特征重要性度量的局限性，优化输入TCN的数据，叠加预测结果实现电压预测输出，提高预测精度；三种算法的融合使得对配电网电压预测的误差更小，提高预测了的准确性和效率。

Description

一种融合VMD、XGBoost及优化TCN的配电网电压预测方法及 系统
技术领域
本发明属于配电网电压预测技术领域，涉及一种融合VMD、XGBoost及优化TCN的配电网电压预测方法及系统。
背景技术
我国分布式新能源发展迅速，截止2020年6月，累计装机超1GW的省份已有15个；随着新型电力系统及“双碳”技术的发展，光伏、风电等绿色低碳能源将持续高速发展。然而，新能源高密度、高比例接入也给配电网的无功电压运行调控带来严峻挑战，一方面，新能源的随机波动性、用户负荷的多样性等因素加剧了电压的不确定性；另一方面，用户对供电质量和安全可靠性的要求日益提高。
目前，国内外针对于配电网运行电压的研究，主要方法主要分为：统计学方法，机器学习方法，以及使用组合预测方法。然而统计学方法模型简单计算简洁，但当数据样本较为复杂，呈非线性时，预测的精度往往会大打折扣，预测效果不明显。机器学习方法较统计学方法有着诸多优点，如公布号为CN112564098、公布日期为2021年03月26日的中国发明专利申请《基于时间卷积神经网络的高比例光伏配电网电压预测方法》通过将提取到的特征与时间结合，输入时间卷积神经网络模型的不同通道，得出预测结果，从而达到显著升高配电网电压预测的精度的目的，但含新能源的配电网电压是一个非线性不稳定的时间序列，机器学习的方法虽然能很好地处理非线性问题，但却会破坏数据的时序完整性。组合预测方法则通过分配权重结合多种算法，其根本思想在于多种算法的有序组合能够有效利用各方法的长处以弥补其他方法的不足，提高模型的分析性能，但是，在电压预测的过程中，受多种影响因素的共同作用，电压时序数据往往呈现多维数据特征。
综上所述，目前有关配电网电压预测的方法虽然很多，但各种方法的精准度相差却非常大，故考虑将输入数据特征选取作为电压预测研究创新的出发点，研究特征选择方法，从而全面、系统地识别电压数据样本的各种数据特征，把握主要特征。从而有效提高配电网电压的预测精准度，为配电网的安全和稳定运行提供可靠的数据支撑，尽可能地降低高比例分布式新能源并网后对电网的不良影响。
发明内容
本发明的目的在于如何设计一种融合VMD、XGBoost及优化TCN的配电网电压预测方法及系统，以解决现有技术中配电网电压预测精度低的问题。
本发明是通过以下技术方案解决上述技术问题的：
变分模态分解(Variational Mode Decomposition,VMD)是由Dragomiretskiy等人提出的一种自适应信号处理方法，通过迭代搜寻变分模态的最优解，不断更新各模态函数及中心频率，得到若干具有一定宽带的模态函数。
极度梯度提升算法(eXtreme Gradient Boosting,XGBoost)是经过优化的分布式梯度提升库，旨在高效、灵活且可移植。XGBoost是大规模并行boosting tree的工具，它是目前最快最好的开源boosting tree工具包，比常见的工具包快10倍以上。
时间卷积网络(Temporal Convolutional Network,TCN)融合了时域上的建模能力以及卷积的低参数量下的特征提取能力。
一种融合VMD、XGBoost及优化TCN的配电网电压预测方法，包括以下步骤：
S1、对原始配电网电压时间序列数据进行采集，对数据缺失部分运用三次样条插值法进行填充处理，得到完整的全时间序列数据，将原始特征数据采用最大最小区间缩放法进行处理，得到各特征的无量纲化数据，使得原始特征数据范围变换到[0,1]区间内；
S2、将处理后的时间序列数据通过VMD进行分解处理，通过中心频率法确定最终的子信号模态个数；
S3、运用XGBoost算法对所有特征进行选择，选出对预测结果贡献最高的各类型特征向量，构成最佳特征子集，配合各个子模态输入TCN时间卷积神经网络，将输出的各个电压预测子序列进行叠加，得到最终的电压预测结果。
本发明的技术方案根据新能源接入配电网的情况、电压数据的特点，分别从数据采集、数据特征以及预测精度三个方面入手，采用VMD将电压时间序列分解为多个子信号模态，降低数据的非平稳性；利用XGBoost对影响电压的多个特征因素进行选择，避免单一特征重要性度量的局限性，优化输入TCN的数据，叠加预测结果实现电压预测输出，提高预测精度；三种算法的融合使得对配电网电压预测的误差更小，提高预测了的准确性和效率。
作为本发明技术方案的进一步改进，步骤S1中所述的对数据缺失部分运用三次样条插值法进行填充处理的公式为：
D(tmiss)＝fθ(tmiss) (1)
其中，D(tmiss)为填充处理函数，fθ(tmiss)为三次样条插值拟合函数，tmiss为负荷数据缺失时间点。
作为本发明技术方案的进一步改进，步骤S2中所述的原始特征数据包括电压和功率，电压和功率的最大最小区间缩放法的公式分别如下：
Figure BDA0003231386750000031
Figure BDA0003231386750000032
其中，v为电压时间序列原始数据，v*为电压无量纲化数据，vmax与vmin分别为所有电压数据的最大值与最小值；p为功率时间序列数据，p*为功率无量纲化数据，pmax与pmin分别为所有功率数据的最大值与最小值。
作为本发明技术方案的进一步改进，步骤S2中所述的中心频率法的公式如下：
Figure BDA0003231386750000033
其中，η表示迭代的数量，h为分量个数，vh表示电压序列分解子模态，ωh η+1为当前模态函数功率谱的重心，
Figure BDA0003231386750000034
分别为vh η+1(t)、U(t)、λ(t)、vh(t)的傅里叶变换。
作为本发明技术方案的进一步改进，步骤S3中所述的运用XGBoost算法对所有特征进行选择，选出对预测结果贡献最高的各类型特征向量，构成最佳特征子集，配合各个子模态输入TCN时间卷积神经网络，最终将输出的各个电压预测子序列进行叠加，得到最终的电压预测结果，具体如下：
S31、利用XGBoost算法对所有特征进行选择，选出对预测结果贡献最高的各类型特征向量，构建最佳特征子集，特征向量如下式：
xg＝[Vg Pg Tg] (5)
其中，Vg表示节点电压，Pg表示净功率向量，Tg表示时间特征向量，g为样本编号(0<g<h)；
同时，构建其训练样本集合ST如下式：
Figure BDA0003231386750000041
其中，yg为样本标签，ψ为训练样本数量；
选取特征分割点作为叶子节点，每个叶子节点的权值表示为w(gi,hi)，其中：
Figure BDA0003231386750000042
Figure BDA0003231386750000043
式中，
Figure BDA0003231386750000044
为训练误差，yi为目标值，
Figure BDA0003231386750000047
为预测值；
S32、在找到对输出电压具有较大影响的功率(P)、时间(T)等变量集合后，对于历史数据特征进行提取，将g组电压特征向量V1，V2，V3，……，Vg和对应节点净功率特征向量P分g次放置在卷积层的两个通道中，然后输入到TCN网络中，进行特征提取操作；
经过TCN残差模块提取到的输出为特征矩阵，设该矩阵为E，其维度为输入序列长度*卷积核个数；取各个卷积核提取的序列最后一个时间点值为特征向量F，如下式：
Figure BDA0003231386750000045
其中，ε表示神经元序号，f(b)为卷积核中的第b个元素；χε-db为与卷积核中元素对应相乘的序列元素；
S33、与时间特征T串联，连接到具有一个全连接隐藏层的神经网络进行输出，输出层维度为1，输出电压预测值
Figure BDA0003231386750000048
其中0<ξ<g；将g组电压预测子序列进行叠加，如下式：
Figure BDA0003231386750000046
其中，
Figure BDA0003231386750000049
为电压预测值。
一种融合VMD、XGBoost及优化TCN的配电网电压预测系统，包括：原始数据预处理模块、数据VMD分解模块、XGBoost特征选择模块；
所述的原始数据预处理模块用于对原始配电网电压时间序列数据进行采集，对数据缺失部分运用三次样条插值法进行填充处理，得到完整的全时间序列数据，将原始特征数据采用最大最小区间缩放法进行处理，得到各特征的无量纲化数据，使得原始特征数据范围变换到[0,1]区间内；
所述的数据VMD分解模块用于将处理后的时间序列数据通过VMD进行分解处理，通过中心频率法确定最终的子信号模态个数；
所述的XGBoost特征选择模块用于运用XGBoost算法对所有特征进行选择，选出对预测结果贡献最高的各类型特征向量，构成最佳特征子集，配合各个子模态输入TCN时间卷积神经网络，最终将输出的各个电压预测子序列进行叠加，得到最终的电压预测结果。
作为本发明技术方案的进一步改进，原始数据预处理模块中所述的对数据缺失部分运用三次样条插值法进行填充处理的公式为：
D(tmiss)＝fθ(tmiss) (1)
其中，D(tmiss)为填充处理函数，fθ(tmiss)为三次样条插值拟合函数，tmiss为负荷数据缺失时间点。
作为本发明技术方案的进一步改进，数据VMD分解模块中所述的原始特征数据包括电压和功率，电压和功率的最大最小区间缩放法的公式分别如下：
Figure BDA0003231386750000051
Figure BDA0003231386750000052
其中，v为电压时间序列原始数据，v*为电压无量纲化数据，vmax与vmin分别为所有电压数据的最大值与最小值；p为功率时间序列数据，p*为功率无量纲化数据，pmax与pmin分别为所有功率数据的最大值与最小值。
作为本发明技术方案的进一步改进，数据VMD分解模块中所述的中心频率法的公式如下：
Figure BDA0003231386750000054
其中，η表示迭代的数量，h为分量个数，vh表示电压序列分解子模态，ωh η+1为当前模态函数功率谱的重心，
Figure BDA0003231386750000053
分别为vh η+1(t)、U(t)、λ(t)、vh(t)的傅里叶变换。
作为本发明技术方案的进一步改进，XGBoost特征选择模块中所述的运用XGBoost算法对所有特征进行选择，选出对预测结果贡献最高的各类型特征向量，构成最佳特征子集，配合各个子模态输入TCN时间卷积神经网络，最终将输出的各个电压预测子序列进行叠加，得到最终的电压预测结果，具体如下：
利用XGBoost算法对所有特征进行选择，选出对预测结果贡献最高的各类型特征向量，构建最佳特征子集，特征向量如下式：
xg＝[Vg Pg Tg] (5)
其中，Vg表示节点电压，Pg表示净功率向量，Tg表示时间特征向量，g为样本编号(0<g<h)；
同时，构建其训练样本集合ST如下式：
Figure BDA0003231386750000061
其中，yg为样本标签，ψ为训练样本数量；
选取特征分割点作为叶子节点，每个叶子节点的权值表示为w(gi,hi)，其中：
Figure BDA0003231386750000062
Figure BDA0003231386750000063
式中，
Figure BDA0003231386750000064
为训练误差，yi为目标值，
Figure BDA0003231386750000065
为预测值；
在找到对输出电压具有较大影响的功率(P)、时间(T)等变量集合后，对于历史数据特征进行提取，将g组电压特征向量V1，V2，V3，……，Vg和对应节点净功率特征向量P分g次放置在卷积层的两个通道中，然后输入到TCN网络中，进行特征提取操作；
经过TCN残差模块提取到的输出为特征矩阵，设该矩阵为E，其维度为输入序列长度*卷积核个数；取各个卷积核提取的序列最后一个时间点值为特征向量F，如下式：
Figure BDA0003231386750000066
其中，ε表示神经元序号，f(b)为卷积核中的第b个元素；χε-d.b为与卷积核中元素对应相乘的序列元素；
与时间特征T串联，连接到具有一个全连接隐藏层的神经网络进行输出，输出层维度为1，输出电压预测值
Figure BDA0003231386750000068
其中0<ξ<g；将g组电压预测子序列进行叠加，如下式：
Figure BDA0003231386750000067
其中，
Figure BDA0003231386750000069
为电压预测值。
本发明的优点在于：
本发明的技术方案适用的场景不再局限于光伏的接入，可以面向更多种类的新能源接入配电网场景。根据新能源接入配电网的情况、电压数据的特点，分别从数据采集、数据特征以及预测精度三个方面入手，采用VMD将电压时间序列分解为多个子信号模态，降低数据的非平稳性；利用XGBoost对影响电压的多个特征因素进行选择，避免单一特征重要性度量的局限性，优化输入TCN的数据，叠加预测结果实现电压预测输出，提高预测精度；三种算法的融合使得对配电网电压预测的误差更小，提高预测了的准确性和效率。
附图说明
图1为融合VMD、XGBoost及优化TCN的配电网电压预测方法的流程图；
图2为2017年8月-2018年6月典型用户新能源并网点电压示意图；
图3为2017年8月-2018年6月典型用户新能源并网点有功功率示意图；
图4为VMD分解示意图；
图5为各特征权重柱状图；
图6为典型用户夏季3小时前预测结果图；
图7为典型用户冬季3小时前预测结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合说明书附图以及具体的实施例对本发明的技术方案作进一步描述：
实施例一
如图1所示，一种融合VMD、XGBoost及优化TCN的配电网电压预测方法，包括以下步骤：
1、对原始配电网电压时间序列数据进行采集，对数据缺失部分运用三次样条插值法进行填充处理，得到完整的全时间序列数据，将原始特征数据采用最大最小区间缩放法进行处理，得到各特征的无量纲化数据，使得原始电压及功率等特征数据范围变换到[0,1]区间内；
1.1、按照时间顺序排列电压、新能源出力、负荷功率等数据，定位到数据缺失点，利用缺失位置前后的数据，通过三次样条插值拟合函数fθ(x)，对相应缺失时间点数据进行填充处理，得到缺失值填充后的时间序列数据。填充值公式如下：
D(tmiss)＝fθ(tmiss) (1)
式中，tmiss为负荷数据缺失时间点，fθ(x)为三次样条插值拟合函数，D(tmiss)为填充处理函数。
1.2、将原始特征数据采用最大最小区间缩放法进行处理，使得原始电压及功率等特征数据范围变换到[0,1]区间内，电压和功率的最大最小区间缩放法公式如下式：
Figure BDA0003231386750000081
Figure BDA0003231386750000082
式中，v为电压时间序列原始数据，v*为电压无量纲化数据，vmax与vmin分别为所有电压数据的最大值与最小值；p为功率时间序列数据，p*为功率无量纲化数据，pmax与pmin分别为所有功率数据的最大值与最小值。
2、将处理后的时间序列数据通过变分模态分解算法(VMD)进行分解处理，通过中心频率法确定最终的子信号模态个数；
所述步骤2中，中心频率的更新方法如下式：
Figure BDA0003231386750000083
式中，η表示迭代的数量，h为分量个数，vh表示电压序列分解子模态，ωh η+1为当前模态函数功率谱的重心，
Figure BDA0003231386750000084
分别为vh η+1(t)、U(t)、λ(t)、vh(t)的傅里叶变换。
为了找到合适的分量个数h，故采用中心频率法确定h值。确定h值的取值范围3～9次，固定模型的其余参数不变，逐步递增h的取值，将原始电压U经VMD分解出对应的模态分量V1，V2，V3，……，Vh。计算出不同h值时每个分量的中心频率，标记出与中心频率相近的h值后，对预处理后的电压及功率时间序列进行VMD分解。
3、运用XGBoost算法对所有特征进行选择，选出对预测结果贡献最高的各类型特征向量，构成最佳特征子集，配合各个子模态输入TCN时间卷积神经网络，最终将输出的各个电压预测子序列进行叠加，得到最终的电压预测结果，具体如下：
3.1、利用XGBoost算法对所有特征进行选择，选出对预测结果贡献最高的各类型特征向量，构建最佳特征子集，特征向量如下式：
xg＝[Vg Pg Tg] 式(5)
式中：Vg表示节点电压，Pg表示净功率向量，Tg表示时间特征向量，g为样本编号(0<g<h)。同时，构建其训练样本集合ST如下式：
Figure BDA0003231386750000091
其中，yg为样本标签，ψ为训练样本数量。
选取特征分割点作为叶子节点。特征的分割次数越多，其平均增益就越大，它的特征越重要。每个叶子节点的权值可以表示为w(gi,hi)，
Figure BDA0003231386750000092
Figure BDA0003231386750000093
式中，
Figure BDA0003231386750000094
为训练误差，yi为目标值，
Figure BDA0003231386750000095
为预测值。
3.2、在找到对输出电压具有较大影响的功率(P)、时间(T)等变量集合后，对于历史数据特征进行提取，将g组电压特征向量V1，V2，V3，……，Vg和对应节点净功率特征向量P分g次放置在卷积层的两个通道中，然后输入到TCN网络中，进行特征提取操作。
经过TCN残差模块提取到的输出为一特征矩阵，设该矩阵为E，其维度为输入序列长度*卷积核个数。取各个卷积核提取的序列最后一个时间点值为特征向量F(维度为卷积核个数)，如下式：
Figure BDA0003231386750000096
式中，ε表示神经元序号，f(b)为卷积核中的第b个元素；χε-d.b为与卷积核中元素对应相乘的序列元素。
3.3、与时间特征T串联，连接到具有一个全连接隐藏层的神经网络进行输出，输出层维度为1，输出电压预测值
Figure BDA0003231386750000098
其中0<ξ<g。将g组电压预测子序列进行叠加，如下式：
Figure BDA0003231386750000097
式中，
Figure BDA0003231386750000099
为电压预测值。
具体应用
1)对原始电压数据进行预处理
以某地绿色低碳配电网中的某一个新能源用户节点的历史运行数据为研究对象，时间范围为2017年8月到2019年7月约两年的运行数据集对模型进行实验。量测电表数据采样间隔为1小时，采用滚动预测方式，根据公式(1)得到某典型用户新能源并网点电压波动如图2所示，有功功率波动如图3所示。然后根据公式(2)和公式(3)使得原始电压及功率等特征数据范围变换到[0,1]区间内。
2)对处理后的数据进行VMD分解
将采用最大最小区间缩放法处理后的数据进行VMD分解，根据公式(4)的中心频率法测试得到不同h值时对应的中心频率如表1所示。
表1不同h值对应的中心频率
Figure BDA0003231386750000101
根据表1可知，当h＝7时，模态2和模态3的中心频率分别为68.922和91.364可以视为相近的模态，故本文的模态分解数h可以定为6。采用某地绿色低碳配电网中的某个典型用户2017年8月至2018年9月24小时实测电压值为研究对象，设置1小时为数据采样时间间隔，运用VMD对预处理后的原始电压标幺值时间序列进行分解，选取1000个小时的结果进行展示，如图4所示。
3)运用XGBoost进行特征选择
基于XGBoost算法选取配电网关键节点近一年的数据，预测电压时间尺度为3h，构建特征训练集，最终绘制特征向量的特征权重柱状图如图5所示，从而制定相应的特征约减策略如表2所示。
表2各特征约减策略
特征名称 特征维度
节点电压：12个历史数据点 12
节点净功率：12个历史数据点 12
小时：0-24h 24
星期：周一至周日 7
季节：春夏秋冬 4
4)配电网电压预测
在本应用例中，选取一个典型新能源用户对2017年8月至2018年9月的电压数据进行了提前3小时预测，得到预测结果。为了验证本发明模型的准确性，对SVM、EMD-BPNN、VMD-LSTM、VMD-XGBTCN进行对比，选取夏季和冬季的10天左右的预测结果进行展示，比较结果如图6和图7所示。
本发明采用三次样条插值函数对历史电压及功率数据进行缺失值填充，以获得可靠的样本数据集；采用变分模态分解算法将电压时间序列分解为多个子信号模态，降低数据的非平稳性；利用极度梯度提升算法对影响电压的多个特征因素进行选择，避免单一特征重要性度量的局限性，优化输入时间卷积网络的数据，叠加预测结果实现电压预测输出。本发明从系统的角度出发，在对不同模态分别建模，通过算法进行特征选择后输入神经网络，有效提高模型预测精度，同时结合时效性问题提升模型整体预测性能。本发明构建的从特征选择角度入手的组合模型预测方法，既有助于提高绿色低碳配电网的电压预测精度，从而确保配电网更加安全稳定，又可以提高整体预测效率，从而提高经济效益；本发明在构建绿色低碳配电网电压预测模型的基础上，运用变分模态分解的方法，大幅度的降低了数据的复杂性。同时结合极度梯度提升树算法进一步对数据的有效性做出了提升，整体上降低了预测的难度，再结合时间卷积神经网络，确保了预测的准确性，既保证了电压预测的效率，又保证了预测的精度。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种融合VMD、XGBoost及优化TCN的配电网电压预测方法，其特征在于，包括以下步骤：
S1、对原始配电网电压时间序列数据进行采集，对数据缺失部分运用三次样条插值法进行填充处理，得到完整的全时间序列数据，将原始特征数据采用最大最小区间缩放法进行处理，得到各特征的无量纲化数据，使得原始特征数据范围变换到[0,1]区间内；
S2、将处理后的时间序列数据通过VMD进行分解处理，通过中心频率法确定最终的子信号模态个数；
S3、运用XGBoost算法对所有特征进行选择，选出对预测结果贡献最高的各类型特征向量，构成最佳特征子集，配合各个子模态输入TCN时间卷积神经网络，将输出的各个电压预测子序列进行叠加，得到最终的电压预测结果。
2.根据权利要求1所述的一种融合VMD、XGBoost及优化TCN的配电网电压预测方法，其特征在于，步骤S1中所述的对数据缺失部分运用三次样条插值法进行填充处理的公式为：
D(tmiss)＝fθ(tmiss) (1)
其中，D(tmiss)为填充处理函数，fθ(tmiss)为三次样条插值拟合函数，tmiss为负荷数据缺失时间点。
3.根据权利要求2所述的一种融合VMD、XGBoost及优化TCN的配电网电压预测方法，其特征在于，步骤S2中所述的原始特征数据包括电压和功率，电压和功率的最大最小区间缩放法的公式分别如下：
Figure FDA0003231386740000011
Figure FDA0003231386740000012
其中，v为电压时间序列原始数据，v*为电压无量纲化数据，vmax与vmin分别为所有电压数据的最大值与最小值；p为功率时间序列数据，p*为功率无量纲化数据，pmax与pmin分别为所有功率数据的最大值与最小值。
4.根据权利要求3所述的一种融合VMD、XGBoost及优化TCN的配电网电压预测方法，其特征在于，步骤S2中所述的中心频率法的公式如下：
Figure FDA0003231386740000021
其中，η表示迭代的数量，h为分量个数，vh表示电压序列分解子模态，ωh η+1为当前模态函数功率谱的重心，v^h η+1、
Figure FDA0003231386740000027
λ^(ω)、v^h(ω)分别为vh η+1(t)、U(t)、λ(t)、vh(t)的傅里叶变换。
5.根据权利要求4所述的一种融合VMD、XGBoost及优化TCN的配电网电压预测方法，其特征在于，步骤S3中所述的运用XGBoost算法对所有特征进行选择，选出对预测结果贡献最高的各类型特征向量，构成最佳特征子集，配合各个子模态输入TCN时间卷积神经网络，最终将输出的各个电压预测子序列进行叠加，得到最终的电压预测结果，具体如下：
S31、利用XGBoost算法对所有特征进行选择，选出对预测结果贡献最高的各类型特征向量，构建最佳特征子集，特征向量如下式：
xg＝[Vg Pg Tg] (5)
其中，Vg表示节点电压，Pg表示净功率向量，Tg表示时间特征向量，g为样本编号(0<g<h)；
同时，构建其训练样本集合ST如下式：
Figure FDA0003231386740000022
其中，yg为样本标签，ψ为训练样本数量；
选取特征分割点作为叶子节点，每个叶子节点的权值表示为w(gi,hi)，其中：
Figure FDA0003231386740000023
Figure FDA0003231386740000024
式中，
Figure FDA0003231386740000025
为训练误差，yi为目标值，
Figure FDA0003231386740000026
为预测值；
S32、在找到对输出电压具有较大影响的功率(P)、时间(T)等变量集合后，对于历史数据特征进行提取，将g组电压特征向量V1，V2，V3，……，Vg和对应节点净功率特征向量P分g次放置在卷积层的两个通道中，然后输入到TCN网络中，进行特征提取操作；
经过TCN残差模块提取到的输出为特征矩阵，设该矩阵为E，其维度为输入序列长度*卷积核个数；取各个卷积核提取的序列最后一个时间点值为特征向量F，如下式：
Figure FDA0003231386740000031
其中，ε表示神经元序号，f(b)为卷积核中的第b个元素；χε-db为与卷积核中元素对应相乘的序列元素；
S33、与时间特征T串联，连接到具有一个全连接隐藏层的神经网络进行输出，输出层维度为1，输出电压预测值
Figure FDA0003231386740000032
其中0<ξ<g；将g组电压预测子序列进行叠加，如下式：
Figure FDA0003231386740000033
其中，
Figure FDA0003231386740000034
为电压预测值。
6.一种融合VMD、XGBoost及优化TCN的配电网电压预测系统，其特征在于，包括：原始数据预处理模块、数据VMD分解模块、XGBoost特征选择模块；
所述的原始数据预处理模块用于对原始配电网电压时间序列数据进行采集，对数据缺失部分运用三次样条插值法进行填充处理，得到完整的全时间序列数据，将原始特征数据采用最大最小区间缩放法进行处理，得到各特征的无量纲化数据，使得原始特征数据范围变换到[0,1]区间内；
所述的数据VMD分解模块用于将处理后的时间序列数据通过VMD进行分解处理，通过中心频率法确定最终的子信号模态个数；
所述的XGBoost特征选择模块用于运用XGBoost算法对所有特征进行选择，选出对预测结果贡献最高的各类型特征向量，构成最佳特征子集，配合各个子模态输入TCN时间卷积神经网络，最终将输出的各个电压预测子序列进行叠加，得到最终的电压预测结果。
7.根据权利要求6所述的一种融合VMD、XGBoost及优化TCN的配电网电压预测系统，其特征在于，原始数据预处理模块中所述的对数据缺失部分运用三次样条插值法进行填充处理的公式为：
D(tmiss)＝fθ(tmiss) (1)
其中，D(tmiss)为填充处理函数，fθ(tmiss)为三次样条插值拟合函数，tmiss为负荷数据缺失时间点。
8.根据权利要求7所述的一种融合VMD、XGBoost及优化TCN的配电网电压预测系统，其特征在于，数据VMD分解模块中所述的原始特征数据包括电压和功率，电压和功率的最大最小区间缩放法的公式分别如下：
Figure FDA0003231386740000041
Figure FDA0003231386740000042
其中，v为电压时间序列原始数据，v*为电压无量纲化数据，vmax与vmin分别为所有电压数据的最大值与最小值；p为功率时间序列数据，p*为功率无量纲化数据，pmax与pmin分别为所有功率数据的最大值与最小值。
9.根据权利要求8所述的一种融合VMD、XGBoost及优化TCN的配电网电压预测系统，其特征在于，数据VMD分解模块中所述的中心频率法的公式如下：
Figure FDA0003231386740000043
其中，η表示迭代的数量，h为分量个数，vh表示电压序列分解子模态，ωh η+1为当前模态函数功率谱的重心，v^h η+1、
Figure FDA0003231386740000045
λ^(ω)、v^h(ω)分别为vh η+1(t)、U(t)、λ(t)、vh(t)的傅里叶变换。
10.根据权利要求9所述的一种融合VMD、XGBoost及优化TCN的配电网电压预测系统，其特征在于，XGBoost特征选择模块中所述的运用XGBoost算法对所有特征进行选择，选出对预测结果贡献最高的各类型特征向量，构成最佳特征子集，配合各个子模态输入TCN时间卷积神经网络，最终将输出的各个电压预测子序列进行叠加，得到最终的电压预测结果，具体如下：
利用XGBoost算法对所有特征进行选择，选出对预测结果贡献最高的各类型特征向量，构建最佳特征子集，特征向量如下式：
xg＝[Vg Pg Tg] (5)
其中，Vg表示节点电压，Pg表示净功率向量，Tg表示时间特征向量，g为样本编号(0<g<h)；
同时，构建其训练样本集合ST如下式：
Figure FDA0003231386740000044
其中，yg为样本标签，ψ为训练样本数量；
选取特征分割点作为叶子节点，每个叶子节点的权值表示为w(gi,hi)，其中：
Figure FDA0003231386740000051
Figure FDA0003231386740000052
式中，
Figure FDA0003231386740000053
为训练误差，yi为目标值，
Figure FDA0003231386740000054
为预测值；
在找到对输出电压具有较大影响的功率(P)、时间(T)等变量集合后，对于历史数据特征进行提取，将g组电压特征向量V1，V2，V3，……，Vg和对应节点净功率特征向量P分g次放置在卷积层的两个通道中，然后输入到TCN网络中，进行特征提取操作；
经过TCN残差模块提取到的输出为特征矩阵，设该矩阵为E，其维度为输入序列长度*卷积核个数；取各个卷积核提取的序列最后一个时间点值为特征向量F，如下式：
Figure FDA0003231386740000055
其中，ε表示神经元序号，f(b)为卷积核中的第b个元素；χε-d·b为与卷积核中元素对应相乘的序列元素；
与时间特征T串联，连接到具有一个全连接隐藏层的神经网络进行输出，输出层维度为1，输出电压预测值
Figure FDA0003231386740000056
其中0<ξ<g；将g组电压预测子序列进行叠加，如下式：
Figure FDA0003231386740000057
其中，
Figure FDA0003231386740000058
为电压预测值。
CN202110988019.1A 2021-08-26 2021-08-26 一种融合VMD、XGBoost及TCN的配电网电压预测方法及系统 Active CN113705885B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110988019.1A CN113705885B (zh) 2021-08-26 2021-08-26 一种融合VMD、XGBoost及TCN的配电网电压预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110988019.1A CN113705885B (zh) 2021-08-26 2021-08-26 一种融合VMD、XGBoost及TCN的配电网电压预测方法及系统

Publications (2)

Publication Number Publication Date
CN113705885A true CN113705885A (zh) 2021-11-26
CN113705885B CN113705885B (zh) 2024-05-17

Family

ID=78655144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110988019.1A Active CN113705885B (zh) 2021-08-26 2021-08-26 一种融合VMD、XGBoost及TCN的配电网电压预测方法及系统

Country Status (1)

Country Link
CN (1) CN113705885B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114548845A (zh) * 2022-04-27 2022-05-27 北京智芯微电子科技有限公司 一种配网管理方法、装置及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
CN112564098A (zh) * 2020-12-02 2021-03-26 国网浙江省电力有限公司电力科学研究院 基于时间卷积神经网络的高比例光伏配电网电压预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
CN112564098A (zh) * 2020-12-02 2021-03-26 国网浙江省电力有限公司电力科学研究院 基于时间卷积神经网络的高比例光伏配电网电压预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114548845A (zh) * 2022-04-27 2022-05-27 北京智芯微电子科技有限公司 一种配网管理方法、装置及系统
CN114548845B (zh) * 2022-04-27 2022-07-12 北京智芯微电子科技有限公司 一种配网管理方法、装置及系统

Also Published As

Publication number Publication date
CN113705885B (zh) 2024-05-17

Similar Documents

Publication Publication Date Title
CN108022014B (zh) 一种电力系统负荷预测方法及系统
CN111582551B (zh) 风电场短期风速预测方法、系统及电子设备
CN109886464B (zh) 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法
CN112434848B (zh) 基于深度信念网络的非线性加权组合风电功率预测方法
Pham et al. A novel short-term load forecasting method by combining the deep learning with singular spectrum analysis
CN111832825B (zh) 融合长短期记忆网络和极限学习机的风电预测方法及系统
CN110222887A (zh) 基于vmd和dnn的预测方法及在短期负荷预测的应用
CN109255728B (zh) 混沌相空间优化重构的光伏发电功率神经网络预测法
CN112381673B (zh) 一种基于数字孪生的园区用电信息分析方法及装置
CN110866633B (zh) 一种基于svr支持向量回归的微电网超短期负荷预测方法
CN109978217A (zh) 基于奇异谱分析和记忆网络的电力负荷预测方法
CN117114160A (zh) 一种短期光伏功率预测方法
CN112651576A (zh) 长期风电功率预测方法及装置
CN116632820A (zh) 基于序列延拓vmd与风速波动特性的风电功率预测方法
CN116341728A (zh) 一种基于数据驱动的超短期光伏输出功率预测方法
CN113705885A (zh) 一种融合VMD、XGBoost及优化TCN的配电网电压预测方法及系统
CN114154684A (zh) 基于数据挖掘和多核支持向量机的短期光伏功率预测方法
CN113837434A (zh) 太阳能光伏发电预测方法、装置、电子设备和存储介质
CN114065807A (zh) 基于变分模态分解和贝叶斯神经网络的月径流预测方法
CN112132344A (zh) 一种基于相似日和frs-svm的短期风电功率预测方法
CN112348236A (zh) 用于智能用电监测终端的异常日负荷需求预测系统与方法
CN116883057A (zh) 一种基于XGBoost的高精度电力客户营销渠道偏好预测系统
CN113779861B (zh) 光伏功率的预测方法及终端设备
CN112508224B (zh) 微电网多模型负荷预测自适应选择方法、系统及存储介质
Xia et al. Research on Solar Radiation Estimation based on Singular Spectrum Analysis-Deep Belief Network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant