CN116090615A - 一种基于序列分解的母线负荷降噪预测方法 - Google Patents

一种基于序列分解的母线负荷降噪预测方法 Download PDF

Info

Publication number
CN116090615A
CN116090615A CN202211689037.0A CN202211689037A CN116090615A CN 116090615 A CN116090615 A CN 116090615A CN 202211689037 A CN202211689037 A CN 202211689037A CN 116090615 A CN116090615 A CN 116090615A
Authority
CN
China
Prior art keywords
sequence
bus load
decomposition
load
noise reduction
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.)
Pending
Application number
CN202211689037.0A
Other languages
English (en)
Inventor
杨坚
汤义勤
赵洁
刘涤尘
蒋旭
王波
唐佳杰
张明晨
张琦
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.)
Wuhan University WHU
Taizhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Wuhan University WHU
Taizhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
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 Wuhan University WHU, Taizhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Wuhan University WHU
Priority to CN202211689037.0A priority Critical patent/CN116090615A/zh
Publication of CN116090615A publication Critical patent/CN116090615A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Water Supply & Treatment (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)

Abstract

本发明公开了一种基于序列分解的母线负荷降噪预测方法，包括以下步骤：步骤一：采用变分模态分解方法对母线负荷噪声序列进行分解处理，得到分解后子的序列与余项；步骤二：利用局部加权回归方法对分解后的余项进行平滑处理；步骤三：将平滑处理后的余项与分解后的子序列进行重构，得到母线负荷降噪序列；步骤四：利用循环神经网络对母线负荷降噪序列进行训练，并对时间维度上的母线负荷值进行预测。采用该方案去除了母线负荷序列噪声的同时，可以保证序列趋于光滑且不失去原始母线负荷序列的特征，保障了优良的预测曲线和精确的预测结果。

Description

一种基于序列分解的母线负荷降噪预测方法
技术领域
本发明涉及数据处理技术领域，具体的，涉及一种基于序列分解的母线负荷降噪预测方法。
背景技术
新型电力系统背景下，分布式电源在电网调度中的比重逐渐增强，且用户侧行为多样性增强，受不确定性资源的影响，母线负荷稳定性不足，易产生诸多尖端“毛刺”，可视为母线负荷噪声，对负荷预测提出了新的挑战。
随着工程领域对数据应用的要求逐渐提高，诸如小波变换方法、经验模态分解(Empirical Mode Decomposition,EMD)、集合经验模态分解(Ensemble Empirical ModeDecomposition,EEMD)、变分模态分解(Variational Mode Decomposition,VMD)等信号分解方法的研究日益成熟，且在数据预处理中的应用也逐渐广泛。考虑母线负荷的不平稳性与含噪特征，在信号分解方法应用的基础上对母线负荷降噪方法进行研究。目前在信号降噪中，有两种主要降噪方法：传统降噪方法即利用信号分解方法将信号分解所得不平稳余项直接去除，将其余子序列重构获得降噪信号，但该种降噪方法使得母线负荷数值损失较大，易失去原有负荷特性；另一种降噪方法利用滤波平滑理论对分解子序列进行滤波处理，将滤波后的子序列重构后构成降噪信号，但滤波后导致原始母线负荷序列的部分特征丢失。
在所述背景技术部分公开的上述信息仅用于加强对本申请的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的是提出一种基于序列分解的母线负荷降噪预测方法；将变分模态分解方法的构造与分解规则应用至母线负荷序列分解中，将母线负荷序列分解为多个具有稳定频率的子序列；针对序列分解后的余项，利用局部加权回归方法(Local WeightedRegression，Lowess)对余项进行平滑处理，实现母线负荷降噪；基于循环神经网络的结构特性与序列短期波动性的反映能力，对降噪后母线负荷预测得到预测结果，该方法去除了母线负荷序列噪声，序列趋于光滑且不失去原始母线负荷序列的特征，保障了优良的预测曲线和精确的预测结果。
第一方面，本发明实施例中提供的一种技术方案是：一种基于序列分解的母线负荷降噪预测方法，包括以下步骤：
步骤一：采用变分模态分解方法对母线负荷噪声序列进行分解处理，得到分解后子的序列与余项；
步骤二：利用局部加权回归方法对分解后的余项进行平滑处理；
步骤三：将平滑处理后的余项与分解后的子序列进行重构，得到母线负荷降噪序列；
步骤四：利用循环神经网络对母线负荷降噪序列进行训练，并对时间维度上的母线负荷值进行预测。
作为优选，所述步骤一中，选用变分模态分解对母线负荷噪声序列进行平稳化处理，将母线负荷噪声序列分解为多个平稳子序列与不平稳余项。
作为优选，所述步骤一中，变分模态分解运算规则为：
设定：母线负荷含噪序列为X(t)，其中t∈[1,T]，T为母线负荷含噪序列时间长度；
所述母线负荷含噪序列X(t)经过变分模态分解后的子序列为uk(t)，其中k∈[1,K]，K为母线负荷含噪序列X(t)分解后的子序列个数；
子序列uk(t)通过希尔伯特变换转换为解析信号；
将解析信号进行频率混合，使各模态的频谱变换到基频带；
以得到产生最小带宽的频率为目标，建立分解约束条件，引入拉格朗日法算子，进行迭代运算，母线负荷含噪序列X(t)经变分模态分解后公式表示为：
Figure BDA0004020490440000021
式中，IMFi(t)为分解平稳子序列，r(t)为余项。
作为优选，所述步骤二中，局部加权回归法的运算规则为：
母线负荷含噪序列经变分模态分解后所得余项r(t)经平滑处理后序列回归方程为：r′(t)＝axi+b,i∈[1,T]
其中，xi为序列自变量，在母线负荷预测应用场景下代表时间，r′(t)为母线负荷值，a、b分别为序列回归权重。
作为优选，步骤三包括：对分解后母线负荷余项，利用Lowess序列平滑方法对余项进行平滑处理为得到rn′(t)，并与分解后分解平稳子序列IMFi(t)重构构成母线负荷降噪序列Load′(t)。
作为优选，母线负荷降噪序列Load′(t)的计算公式为：
Figure BDA0004020490440000022
其中，IMFi(t)为分解平稳子序列，r′(t)为平滑处理后的余项。
作为优选，还包括根据代价函数求对序列回归方程的序列回归权重进行求解；
所述代价函数为：
Figure BDA0004020490440000031
其中，N为设定平滑运算相邻点个数即跨度，ωi为计算点xi与运算范围内相邻点的三立方权重，三立方权重函数表达式为：
Figure BDA0004020490440000032
其中，x为与当前中心点xi相关联的跨度内的相邻点，di为沿横坐标从xi到跨度内最远相邻点的距离；
利用计算所得三立方权重使用加权线性回归，并将代价函数J(a,b)对a、b进行求导联立方程组，对参数a，b进行求解，公式如下：
Figure BDA0004020490440000033
获得序列回归方程给出的xi所对应预测值yi′之后，移动到下一个点xi+1，重复执行步骤获得预测值yi′+1；计算完所有所需平滑处理点后，结束计算。
作为优选，所述步骤四中，利用循环神经网络对时间维度上的母线负荷预测结果序列进行预测，公式如下：
Loadforecast(t)＝{LoadRNN(t+1),LoadRNN(t+2),…,LoadRNN(t+m)}
其中，Loadforecast(t)为母线负荷预测结果序列，LoadRNN(t)为降噪后母线负荷序列通过循环神经网络RNN预测所得结果，m为预测时间段。
本发明的有益效果：本发明一种基于序列分解的母线负荷降噪预测方法，将变分模态分解方法的构造与分解规则应用至母线负荷序列分解中，将母线负荷序列分解为多个具有稳定频率的子序列；针对序列分解后的余项，利用局部加权回归方法(Local WeightedRegression，Lowess)对余项进行平滑处理，实现母线负荷降噪；基于循环神经网络的结构特性与序列短期波动性的反映能力，对降噪后母线负荷预测得到预测结果，该方法去除了母线负荷序列噪声，序列趋于光滑且不失去原始母线负荷序列的特征，保障了优良的预测曲线和精确的预测结果。
上述发明内容仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。
图1为本发明的一种基于序列分解的母线负荷降噪预测方法的流程图。
图2为本发明的某地区母线负荷序列图。
图3为含噪母线负荷序列与部分子序列分解图。
图4为本发明的含噪母线负荷序列部分子序列分解图。
图5为本发明的母线负荷分解余项平滑效果图。
图6为本发明的母线负荷序列降噪效果图。
图7为本发明的母线负荷序列降噪局部放大图。
图8为本发明的降噪母线负荷预测结果对比图。
图9为本发明的降噪母线负荷预测残差图。
具体实施方式
为使本发明的目的、技术方案以及优点更加清楚明白，下面结合附图和实施例对本发明作进一步详细说明，应当理解的是，此处所描述的具体实施方式仅是本发明的一种最佳实施例，仅用以解释本发明，并不限定本发明的保护范围，本领域普通技术人员在没有做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。
在更加详细地讨论示例性实施例之前，应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作(或步骤)可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤；所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例：如图1所示，一种基于序列分解的母线负荷降噪预测方法，包括以下步骤：
步骤一：采用变分模态分解方法对母线负荷噪声序列进行分解处理，得到分解后子的序列与余项。
具体的，所述步骤一中，选用变分模态分解对母线负荷噪声序列进行平稳化处理，将母线负荷噪声序列分解为多个平稳子序列与不平稳余项。
具体的，步骤一中，变分模态分解运算规则为：
设定：母线负荷含噪序列为X(t)，其中t∈[1,T]，T为母线负荷含噪序列时间长度；
所述母线负荷含噪序列X(t)经过变分模态分解后的子序列为uk(t)，其中k∈[1,K]，K为母线负荷含噪序列X(t)分解后的子序列个数；
子序列uk(t)通过希尔伯特变换转换为解析信号，公式为：
Figure BDA0004020490440000051
其中，δ(t)为狄利克雷函数，*为卷积符号；
将解析信号进行频率混合，使各模态的频谱变换到基频带，公式为：
Figure BDA0004020490440000052
其中，ωk为中心频率，k∈[1,K]。
以得到产生最小带宽的频率为目标，建立分解约束条件，引入拉格朗日法算子进行迭代运算，公式如下：
Figure BDA0004020490440000053
初始化
Figure BDA0004020490440000054
在ω≥0下迭代更新
Figure BDA0004020490440000055
ωk、
Figure BDA0004020490440000056
Figure BDA0004020490440000057
Figure BDA0004020490440000058
Figure BDA0004020490440000059
直至
Figure BDA00040204904400000510
其中，ε为设定误差值，n为迭代次数。
母线负荷含噪序列X(t)经变分模态分解后公式表示为：
Figure BDA0004020490440000061
式中，IMFi(t)为分解平稳子序列，r(t)为余项。
具体的，子序列uk(t)通过希尔伯特变换转换为解析信号，
Figure BDA0004020490440000062
其中，δ(t)为狄利克雷函数，*为卷积符号。
步骤二：利用局部加权回归方法对分解后的余项进行平滑处理。
步骤二中，局部加权回归法的运算规则为：
母线负荷含噪序列经变分模态分解后所得余项r(t)经平滑处理后序列回归方程为：r′(t)＝axi+b,i∈[1,T]
其中，xi为序列自变量，在母线负荷预测应用场景下代表时间，r′(t)为母线负荷值，a、b分别为序列回归权重。
为对该平滑序列方程的序列权重进行求解，设代价函数为：
Figure BDA0004020490440000063
其中，N为设定平滑运算相邻点个数即跨度，ωi为计算点xi与运算范围内相邻点的三立方权重，三立方权重函数表达式为：
Figure BDA0004020490440000064
其中，x为与当前中心点xi相关联的跨度内的相邻点，di为沿横坐标从xi到跨度内最远相邻点的距离。
利用计算所得三立方权重使用加权线性回归，并将代价函数J(a,b)对a、b进行求导联立方程组，即可对参数a，b进行求解：
Figure BDA0004020490440000065
化简所得：
Figure BDA0004020490440000066
获得回归方程后给出xi对应预测值y′i之后，移动到下一个点xi+1，重复执行步骤获得预测值y′i+1。计算完所有所需平滑处理点后，结束计算。
步骤三：将平滑处理后的余项与分解后的子序列进行重构，得到母线负荷降噪序列。
步骤三包括：对分解后母线负荷余项，利用Lowess序列平滑方法对余项进行平滑处理为得到r′n(t)，并与分解后分解平稳子序列IMFi(t)重构构成母线负荷降噪序列Load′(t)。
其中，母线负荷降噪序列Load′(t)的计算公式为：
Figure BDA0004020490440000071
其中，IMFi(t)为分解平稳子序列，r′(t)为平滑处理后的余项。
步骤四：利用循环神经网络对母线负荷降噪序列进行训练，并对时间维度上的母线负荷值进行预测。
具体的，步骤四中，利用循环神经网络对时间维度上的母线负荷预测结果序列进行预测，公式如下：
Loadforecast(t)＝{LoadRNN(t+1),LoadRNN(t+2),…,LoadRNN(t+m)}
其中，Loadforecast(t)为母线负荷预测结果序列，LoadRNN(t)为降噪后母线负荷序列通过循环神经网络RNN预测所得结果，m为预测时间段。
一种具体实施例，用于对本申请的进一步阐述：
步骤一中算例以2020年1月2日0点至2020年1月4日23点55分期间某地区#1主变母线负荷有功功率实测数据为数据集，共包含864个时间步(5min为一个时间步)，该地区地处中部沿海，风电、光伏等分布式发电资源丰富且发展较为成熟。该母线负荷序列图如图2所示，该序列呈现出较为明显的波动性与周期性，且受风电、光伏的不确定性影响，存在较多的毛刺。
步骤一中对原始母线负荷序列进行变分模态分解，逐级分离出相应的6组IMF分量及1组剩余分量，分解结果如图3、4所示。
步骤二中选择Lowess平滑方法对余项序列进行平滑处理，平滑处理后序列如图5所示，通过Lowess平滑方法将母线负荷分解余项进行平滑处理后，使得余项序列的尖端毛刺得到显著减少，且保留了原有序列的数值与周期性。
步骤二中将Lowess平滑处理后的余项与其他固有模态函数IMF重构后构成VMD-Lowess降噪母线负荷曲线，如图6所示。
步骤二中为对基于VMD-Lowess的降噪效果进行分析，选择传统VMD降噪方法进行对比，传统降噪方法将原始母线负荷序列经VMD分解后余项进行去除，并对其余IMF重构得到降噪序列，由图6可知，两种降噪方法降噪后曲线均与原始母线负荷曲线具有较高重合度，为对降噪效果进行更加直观分析，作出母线负荷序列降噪局部放大图如图7所示，原始母线负荷序列中的毛刺噪声得到有效去除，但其与原始母线负荷曲线的差值较大，导致原始母线负荷序列失去了较多原有特征，如利用该曲线进行负荷预测将造成预测精确度的较大差异。利用Lowess平滑方法对母线负荷分解余项进行平滑处理后进行重构，既对余项噪声进行了处理，也保证了原有余项数值在原始母线负荷序列中的作用，使得降噪后的母线负荷序列光滑性与平稳性得到提升。
步骤三中为了对不同降噪方法在母线负荷预测的结果进行对比分析，选择三种不同预测方案对训练后的24个时间步的母线负荷进行预测，即利用循环神经网络RNN分别对原始母线负荷、传统降噪母线负荷与VMD-Lowess降噪后母线负荷进行预测，预测结果如图8所示。
步骤三中在三种不同序列的预测结果曲线的基础上，构建母线负荷预测残差图如图9所示，对三种序列各个时间步预测值与原始负荷值的残差进行分析，设置三组预测结果残差对比分别为：
(1)对比一：母线负荷序列循环神经网络RNN直接预测结果与母线负荷序列残差；
(2)对比二：传统降噪母线负荷序列预测结果与原始母线负荷序列残差；
(3)对比三：VMD-Lowess降噪母线负荷序列预测结果与原始母线负荷序列残差。
通过对比一与对比二的残差图可知，由于降噪后母线负荷序列去除了毛刺，序列整体更加平稳，在RNN的记忆作用下，前后两个时间步之间的预测差值相较于原始母线负荷序列前后两个时间步之间的预测残差值更加平稳，且误差更小。
通过对比二与对比三的残差图可知，对传统母线负荷降噪方法进行优化，解决了传统母线负荷降噪方法对原始母线负荷序列数值去除过多的问题，使得基于VMD-Lowess优化后母线负荷预测结果更加精确，残差更低。
为对三种对比方法的预测结果精确评价，基于不同序列的预测结果曲线与残差图，选取误差评价指标eRMSE、emean、eSTD、eSMAPE与曲线相关系数r对预测结果进行预测评价，对不同序列预测结果进行误差对比分析如表1所示。
表1.评价指标对比表
Figure BDA0004020490440000081
Figure BDA0004020490440000091
步骤三中根据三种不同预测方案预测残差结果与评价指标可知，通过VMD对原始母线负荷进行降噪处理后利用RNN对其进行训练与预测，降噪后母线负荷预测eRMSE由0.7894降低至0.5944，emean由1.31％％降低至0.99％，eSMAPE由0.32％降低至0.25％，利用VMD对母线负荷分解并降噪有助于预测精确度的提升，eSTD由0.4817降低至0.3887，预测数值波动性得到降低，曲线相关性系数r由0.9947提升至0.9967，曲线拟合度也得到提升，因此，母线负荷降噪在一定程度上可以提升母线负荷预测的精确性与稳定性。
利用Lowess对负荷分解余项进行平滑处理再重构后，母线负荷预测eRMSE降低至0.2856，emean降低至0.48％，eSMAPE降低至0.12％，在对余项平滑处理并对原始母线负荷降噪后预测精确度得到进一步提升，eSTD降低至0.1817，预测数值波动性得到大大降低，曲线相关性系数r提升至0.9993，预测曲线与原始母线负荷曲线拟合度进一步提升。验证了所提出的基于VMD-Lowess母线负荷降噪方法相较于传统降噪序列具有更加优良的预测曲线和更加精确的预测结果。
以上所述之具体实施方式为本发明一种基于序列分解的母线负荷降噪预测方法的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。

Claims (8)

1.一种基于序列分解的母线负荷降噪预测方法，其特征在于，包括以下步骤：
步骤一：采用变分模态分解方法对母线负荷噪声序列进行分解处理，得到分解后子的序列与余项；
步骤二：利用局部加权回归方法对分解后的余项进行平滑处理；
步骤三：将平滑处理后的余项与分解后的子序列进行重构，得到母线负荷降噪序列；
步骤四：利用循环神经网络对母线负荷降噪序列进行训练，并对时间维度上的母线负荷值进行预测。
2.根据权利要求1所述的一种基于序列分解的母线负荷降噪预测方法，其特征在于：
所述步骤一中，选用变分模态分解对母线负荷噪声序列进行平稳化处理，将母线负荷噪声序列分解为多个平稳子序列与不平稳余项。
3.根据权利要求1或2所述的一种基于序列分解的母线负荷降噪预测方法，其特征在于：所述步骤一中，变分模态分解运算规则为：
设定：母线负荷含噪序列为X(t)，其中t∈[1,T]，T为母线负荷含噪序列时间长度；
所述母线负荷含噪序列X(t)经过变分模态分解后的子序列为uk(t)，其中k∈[1,K]，K为母线负荷含噪序列X(t)分解后的子序列个数；
子序列uk(t)通过希尔伯特变换转换为解析信号；
将解析信号进行频率混合，使各模态的频谱变换到基频带；
以得到产生最小带宽的频率为目标，建立分解约束条件，引入拉格朗日法算子，进行迭代运算，母线负荷含噪序列X(t)经变分模态分解后公式表示为：
Figure FDA0004020490430000011
式中，IMFi(t)为分解平稳子序列，r(t)为余项。
4.根据权利要求3所述的一种基于序列分解的母线负荷降噪预测方法，其特征在于：
所述步骤二中，局部加权回归法的运算规则为：
母线负荷含噪序列经变分模态分解后所得余项r(t)经平滑处理后序列回归方程为：
r′(t)＝axi+b,i∈[1,T]
其中，xi为序列自变量，在母线负荷预测应用场景下代表时间，r′(t)为母线负荷值，a、b分别为序列回归权重。
5.根据权利要求4所述的一种基于序列分解的母线负荷降噪预测方法，其特征在于：
步骤三包括：对分解后母线负荷余项，利用Lowess序列平滑方法对余项进行平滑处理为得到rn′(t)，并与分解后分解平稳子序列IMFi(t)重构构成母线负荷降噪序列Load′(t)。
6.根据权利要求1所述的一种基于序列分解的母线负荷降噪预测方法，其特征在于：
母线负荷降噪序列Load′(t)的计算公式为：
Figure FDA0004020490430000021
其中，IMFi(t)为分解平稳子序列，r′(t)为平滑处理后的余项。
7.根据权利要求4所述的一种基于序列分解的母线负荷降噪预测方法，其特征在于：
还包括根据代价函数求对序列回归方程的序列回归权重进行求解；
所述代价函数为：
Figure FDA0004020490430000022
其中，N为设定平滑运算相邻点个数即跨度，ωi为计算点xi与运算范围内相邻点的三立方权重，三立方权重函数表达式为：
Figure FDA0004020490430000023
其中，x为与当前中心点xi相关联的跨度内的相邻点，di为沿横坐标从xi到跨度内最远相邻点的距离；
利用计算所得三立方权重使用加权线性回归，并将代价函数J(a,b)对a、b进行求导联立方程组，对参数a，b进行求解，公式如下：
Figure FDA0004020490430000024
获得序列回归方程给出的xi所对应预测值yi′之后，移动到下一个点xi+1，重复执行步骤获得预测值yi′+1；计算完所有所需平滑处理点后，结束计算。
8.根据权利要求1所述的一种基于序列分解的母线负荷降噪预测方法，其特征在于：
所述步骤四中，利用循环神经网络对时间维度上的母线负荷预测结果序列进行预测，公式如下：
Loadforecast(t)＝{LoadRNN(t+1),LoadRNN(t+2),…,LoadRNN(t+m)}
其中，Loadforecast(t)为母线负荷预测结果序列，LoadRNN(t)为降噪后母线负荷序列通过循环神经网络预测所得结果，m为预测时间段。
CN202211689037.0A 2022-12-27 2022-12-27 一种基于序列分解的母线负荷降噪预测方法 Pending CN116090615A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211689037.0A CN116090615A (zh) 2022-12-27 2022-12-27 一种基于序列分解的母线负荷降噪预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211689037.0A CN116090615A (zh) 2022-12-27 2022-12-27 一种基于序列分解的母线负荷降噪预测方法

Publications (1)

Publication Number Publication Date
CN116090615A true CN116090615A (zh) 2023-05-09

Family

ID=86205616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211689037.0A Pending CN116090615A (zh) 2022-12-27 2022-12-27 一种基于序列分解的母线负荷降噪预测方法

Country Status (1)

Country Link
CN (1) CN116090615A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703183A (zh) * 2023-08-04 2023-09-05 国网吉林省电力有限公司经济技术研究院 一种新型配电网系统用电负荷评估方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703183A (zh) * 2023-08-04 2023-09-05 国网吉林省电力有限公司经济技术研究院 一种新型配电网系统用电负荷评估方法
CN116703183B (zh) * 2023-08-04 2023-09-29 国网吉林省电力有限公司经济技术研究院 一种新型配电网系统用电负荷评估方法

Similar Documents

Publication Publication Date Title
CN110309603B (zh) 一种基于风速特性的短期风速预测方法及系统
CN109272156B (zh) 一种超短期风电功率概率预测方法
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
CN113836823A (zh) 一种基于负荷分解和优化双向长短期记忆网络的负荷组合预测方法
CN110543929A (zh) 一种基于Lorenz系统的风速区间预测方法及系统
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
CN109270345A (zh) 一种电网谐波信号的检测方法
CN110942170A (zh) 一种基于信息处理的短期风速预测方法及系统
CN107844849A (zh) 一种基于经验小波变换与改进高斯过程回归的新能源出力短期预测方法
CN116090615A (zh) 一种基于序列分解的母线负荷降噪预测方法
CN112668611B (zh) 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法
CN110263829A (zh) 基于ceemdan与随机森林的中长期径流预测方法
CN116933175A (zh) 一种电动汽车充电负荷预测方法及装置
CN117114160A (zh) 一种短期光伏功率预测方法
Sun et al. Short-term power load prediction based on VMD-SG-LSTM
CN117054803A (zh) 一种含分布式光伏配电网接地故障辨识方法及系统
CN116777066B (zh) 基于地基云图引导深度分解的光伏功率概率预测方法及装置
CN114386666A (zh) 一种基于时空相关性的风电场短期风速预测方法
CN118114813A (zh) 一种基于变量筛选时间卷积的换电站负荷预测方法及系统
CN113902206A (zh) 一种基于VMD-BiGRU的短期负荷预测方法
CN115564184A (zh) 一种基于滑动窗口的风速波动过程分类方法及装置
CN113033094B (zh) 一种海浪高度预测方法
CN114972695A (zh) 一种点云生成方法、装置、电子设备及存储介质
CN113807387B (zh) 基于svm分类的特征指标风电出力时间序列构建方法和装置
CN118520324B (zh) 一种配电网网格空间负荷聚类方法、装置、存储介质

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