System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 基于变分非线性调频模态分解的短期电力负荷预测方法技术_技高网
当前位置: 首页 > 专利查询>三峡大学专利>正文

基于变分非线性调频模态分解的短期电力负荷预测方法技术

技术编号:42827042 阅读:17 留言:0更新日期:2024-09-24 21:02
本发明专利技术提供一种基于变分非线性调频模态分解的短期电力负荷预测方法,包括以下步骤:步骤一、采用最大信息系数理论对电力负荷与气象信息进行非线性耦合分析,根据MIC值大小进行特征选取;步骤二、采用变分非线性调频模态分解处理非线性非平稳负荷数据,将非线性非平稳负荷数据分解为相应分量;步骤三、构建TCN‑TPA‑LSTM组合预测模型,将分量输入到TCN‑TPA‑LSTM组合预测模型中得到各分量预测结果,根据各分量预测评价指标选取对应预测模型;步骤四、综合各分量预测值,得到整体预测结果。该方法引入MIC理论与VNCMD方法对电力负荷影响因素进行分析并进行负荷非线性分解,获取负荷平稳分量,并提出将TCN模型与TPA‑LSTM模型组合进行预测的方法,提高预测准确度。

【技术实现步骤摘要】

本专利技术涉及电力负荷预测,特别涉及一种基于变分非线性调频模态分解的短期电力负荷预测方法


技术介绍

1、在现代电力系统的发展中,准确的负荷预测一直是至关重要的,为电力系统的经济运行、电力交易调度和系统安全评估提供了必要的信息。一方面,随着气象环境的不断变化,电力负荷对气象信息的依赖越来越大;另一方面,新型电力系统“双峰”特性愈专利技术显,而“极热无风、晚峰无光”的现象更加剧了电力平衡矛盾。由于气候变化和分布式可再生能源不断引入,未来新型电力系统负荷将表现出更复杂的新特性。波动性增强,非线性非平稳性特征加剧,负荷预测难度加大,新型电力系统负荷预测面临着更大的挑战。因此,在未来新型电力系统背景下,建立准确负荷预测模型具有更加重要的研究意义。

2、现阶段负荷预测方法可分为三类:统计模型、人工智能模型和混合模型。相较于单一预测模型,如自回归综合移动平均(auto regressive integrated moving averagemode,arima)模型、支持向量回归(support vector regression,svr)、决策树模型和深度神经网络等。混合预测模型可融合多个模型的优点,采用加权混合等方法得到更高的预测精度。混合模型主要分为两类,一类是基于权重的组合方法,即采用不同的模型分别对电力负荷进行预测,然后根据预测精度分别为每种预测方法分配一个加权系数,最终合并加权得到最终的预测结果。这些组合模型综合了单一模型的优点,提高了预测精准度,但是由于电力系统负荷呈现出更加多变的新形态与新特征,非线性与非平稳性特征不断加剧,波动程度增大,传统方法没有降低原始数据的复杂性,限制了预测精度;另一类是才去数据预处理的方法,将电力负荷分解为更规律、平稳的分量,然后对各个分量分别建立合适的预测模型,各个分量预测结果之和即是最终预测结果。对各个分量分别建立合适的预测模型,最终的结果是各分量预测结果之和。各种多尺度分解方法都应用到了电力负荷预测中,如小波分解(wt),变分模态分解(vmd)等。小波分解虽然可以将原始序列分解为更有规律的分量,但是小波基函数和分解级数需要人为地确定,不能保证信号的最优分解;vmd虽然能够自动地确定分解个数,但是vmd分解方法中模态等参数对分解效果影响较大,不具备自适应性。


技术实现思路

1、本专利技术所要解决的技术问题是提供一种基于变分非线性调频模态分解的短期电力负荷预测方法,引入mic理论与vncmd方法对电力负荷影响因素进行分析并进行负荷非线性分解,获取负荷平稳分量,并提出将tcn模型与tpa-lstm模型组合进行预测的方法,提高预测准确度。

2、为解决上述技术问题,本专利技术所采用的技术方案是:一种基于变分非线性调频模态分解的短期电力负荷预测方法,包括以下步骤:

3、步骤一、采用最大信息系数理论对电力负荷与气象信息进行非线性耦合分析,根据mic值大小进行特征选取;

4、步骤二、采用变分非线性调频模态分解处理非线性非平稳负荷数据,将非线性非平稳负荷数据分解为相应分量;

5、步骤三、构建tcn-tpa-lstm组合预测模型,将分量输入到tcn-tpa-lstm组合预测模型中得到各分量预测结果,根据各分量预测评价指标选取对应预测模型;

6、步骤四、综合各分量预测值,得到整体预测结果。

7、优选的方案中,所述步骤一中,选择电力负荷的影响因素,构造预测模型特征集,对电力负荷与任一影响因素的非线性耦合分析如下:

8、设电力负荷序列e={ei,i=1,2,...,m},任一影响因素序列t={ti,i=1,2,...,m},m为序列长度,将两个序列划分为两个网格,e划分为p段,t分为q段,定义网格g(p,q),互信息值imi(e,t)为:

9、

10、式中:p(ei,ti)表示联合概率密度,p(ei)和p(ti)为边缘概率密度;

11、两序列u={e,t}在网格g上最大互信息值为:

12、

13、式中,imi(u|g)表示u在网格g下的互信息值;

14、将u在不同网格g上所有的最大互信息值归一化于(0,1)区间:

15、

16、mic值为m(u)p,q最大值,表示如下:

17、

18、式中,d(m)取m0.6。

19、优选的方案中,所述步骤一中,选择降水量、地表温度、相对湿度与总日照强度作为电力负荷影响因素。

20、优选的方案中,所述步骤二中,对非线性负荷数据进行分解步骤如下:

21、s201、将非线性调频模态表示为:

22、

23、式中:g(t)为非线性调频函数;a(t)、f(s)分别为信号的瞬时幅值与瞬时频率;β为相位角;n(t)表示高斯白噪声;

24、s202、将原始数据转换为ga(t),采用信号解调去除调频项,ga(t)表达式如下:

25、

26、式中,ga(t)表示采用信号解调去除调频项后的非线性调频模态;h[g(t)]表示hilbert变换,f(s)表示信号瞬时频率;

27、则解调后数据为:

28、

29、

30、式中:φ-(t)为解调算子;j2=-1;fd(s)为φ-(t)的频率函数;fc为载波频率;

31、s203、分解问题估计非线性调频信号的带宽,表述为:

32、

33、式中:表示非线性调频信号的带宽;

34、s204、如果g(t)表示实信号,根据三角恒等式将转换为实数形式:

35、

36、式中:re{·}为取实部;im{·}为取虚部;

37、s205、将s201步骤中g(t)重写以消除初始相位角的影响:

38、

39、

40、

41、式中:q为分量数目;ui(t)与vi(t)分别表示新的调频数据;r(t)为余量;ai(t)、fi(s)与fdi(s)分别为各调频数据的瞬时幅值、瞬时频率与各解调算子的瞬时频率;βi为各调频数据的相位角;

42、s206、若f(s)=fd(s),则解调数据具有最窄的频带,采用最小化解调数据带宽的方法来估算频率并进行重构,因此,将数据分解转换为求解最佳解调,转换如下所示:

43、

44、式中:‖·‖为l2范数的平方;ε为误差允许范围;

45、s206、vncmd使用迭代优化的方法,求解最佳解调,第n次迭代可得如下解调数据:

46、

47、式中:argmin{·}表示求最大值;α表示惩罚因子;表示二次迭代的非线性调频函数;

48、采用低通滤波器来更新解调数据,解调频率更新为:

49、

50、

51、式中:flpf{·}表示低通滤波;fphase[·]表示相位函数。

本文档来自技高网...

【技术保护点】

1.一种基于变分非线性调频模态分解的短期电力负荷预测方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种基于变分非线性调频模态分解的短期电力负荷预测方法,其特征在于,所述步骤一中,选择电力负荷的影响因素,构造预测模型特征集,对电力负荷与任一影响因素的非线性耦合分析如下:

3.根据权利要求2所述的一种基于变分非线性调频模态分解的短期电力负荷预测方法,其特征在于,所述步骤一中,选择降水量、地表温度、相对湿度与总日照强度作为电力负荷影响因素。

4.根据权利要求1所述的一种基于变分非线性调频模态分解的短期电力负荷预测方法,其特征在于,所述步骤二中,对非线性负荷数据进行分解步骤如下:

5.根据权利要求1所述的一种基于变分非线性调频模态分解的短期电力负荷预测方法,其特征在于,所述步骤三中,TCN-TPA-LSTM组合预测模型的构建步骤如下:

【技术特征摘要】

1.一种基于变分非线性调频模态分解的短期电力负荷预测方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种基于变分非线性调频模态分解的短期电力负荷预测方法,其特征在于,所述步骤一中,选择电力负荷的影响因素,构造预测模型特征集,对电力负荷与任一影响因素的非线性耦合分析如下:

3.根据权利要求2所述的一种基于变分非线性调频模态分解的短期电力负荷预测方法,其特征在于,所...

【专利技术属性】
技术研发人员:张业伟文中王博宇倪志杨生鹏胡传宝黄郑洋吴艺闫文文覃治银赵迪徐彬叶加乐
申请(专利权)人:三峡大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1