变分模态分解与深度信念网络的短期负荷预测方法技术
【技术实现步骤摘要】
变分模态分解与深度信念网络的短期负荷预测方法
本专利技术涉及一种电力系统短期负荷预测方法，对电力系统负荷进行预测，属于电力系统
技术介绍
电力系统短期负荷预测是根据历史负荷变化规律，结合气象、经济等因素对未来几天或几小时负荷进行科学预测。准确的负荷预测是安排电力生产调度、设备检修计划的重要决策依据。因此，有必要研究负荷预测的新方法及新技术，以提高负荷预测精度与可靠性，满足工程技术要求。如今，随着智能电网的建设发展、高级量测体系等智能传感设备安装与应用，电力系统获得了呈指数级增长的多源、多态、异构数据，如何利用这些海量负荷数据，并结合大数据处理技术解决电力系统复杂高维问题将成为未来电网发展的挑战。同时，深度学习理论作为当下人工智能领域的研究热点，在语音识别、图像处理、机器翻译等方面取得瞩目成绩，也引发了电力行业关注。作为深度学习家族中的一员，深度信念网络(deepbeliefnetwork,DBN)吸引了众多学者目光。DBN由多层受限玻尔兹曼机(restrictedBoltzmannmachine,RBM)堆叠组成，首先采用对比散度(contrastive...
【技术保护点】
一种基于变分模态分解与深度信念网络的短期负荷预测方法，其特征在于：包括以下步骤：(1)获取电力系统负荷预测所需的基本数据：历史负荷数据、气象数据、预测日日期类型数据；(2)采用变分模态分解方法将原始历史负荷数据分解为一系列特征互异的模态函数；(3)采用近似熵计算各模态函数复杂度，将近似熵值相近的模态函数合并为新序列，形成随机分量、细节分量和趋势分量，并对每个分量进行特征分析；(4)为计算影响因素与输出变量间的相关性，需要对数据进行归一化处理，以消除物理量纲的不同；(5)结合负荷的周期特性，对不同分量分别采用互信息理论从历史负荷、气象因素、日期类型等角度选取输入变量集合；(6...
【技术特征摘要】
1.一种基于变分模态分解与深度信念网络的短期负荷预测方法，其特征在于：包括以下步骤：(1)获取电力系统负荷预测所需的基本数据：历史负荷数据、气象数据、预测日日期类型数据；(2)采用变分模态分解方法将原始历史负荷数据分解为一系列特征互异的模态函数；(3)采用近似熵计算各模态函数复杂度，将近似熵值相近的模态函数合并为新序列，形成随机分量、细节分量和趋势分量，并对每个分量进行特征分析；(4)为计算影响因素与输出变量间的相关性，需要对数据进行归一化处理，以消除物理量纲的不同；(5)结合负荷的周期特性，对不同分量分别采用互信息理论从历史负荷、气象因素、日期类型等角度选取输入变量集合；(6)构建基于深度信念网络的短期负荷预测方法，并通过提前24h负荷预测场景验证本发明方法的有效性。2.如权利要求1所述的基于变分模态分解与深度信念网络的短期负荷预测方法，其特征在于：步骤(2)采用变分模态分解将原始历史负荷序列分解为一系列特征互异的模态函数，即将原始负荷序列f(t)分解为一系列有限带宽模态函数{uk(t)},k＝1,2,L,K，所述方法具体过程为：2.1对每个模态函数uk(t)，采用Hilbert变换计算相应的解析信号，于是得到其单侧频谱其中，本发明时间t对应着原始负荷序列中时间点，最大值为原始负荷数据序列长度，也即为负荷样本点总个数；j为虚数单位；δ(t)为单位脉冲函数；*表示卷积运算；2.2对每一模态函数uk(t)，通过与其对应的中心频率wk的指数项混叠，将每个模态的频谱调制到相应基频带2.3由解调信号的高斯平滑法估计出各模态信号带宽，求解带约束条件的变分问题，其目标函数为其中，{uk}＝{u1,K,uK}，{ωk}＝{ω1,K,ωK}；是对函数求时间t的偏导数；2.4采用二次惩罚因子α和拉格朗日乘法算子λ(t)，将约束性变分问题变为非约束性变分问题；其中α保证信号的重构精度，λ(t)保持约束条件的严格性，扩展的拉格朗日表达式如下2.5采用交替方向乘子法解决以上变分问题，通过交替更新ukn+1，ωkn+1以及λn+1寻求扩展拉格朗日表达式的‘鞍点’；其中，ukn+1可利用傅里叶等距变换转变到频域：式中：X为包含所有模态函数的集合；将ω用ω-ωk代替，其非负频率区间积分形式为此时，二次优化问题的解为
【专利技术属性】
技术研发人员：孙国强，梁智，卫志农，臧海祥，周亦洲，陈霜，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32
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。