基于优化VMD算法和DBN网络的电力负荷分类方法技术

本发明专利技术公开了基于优化VMD算法和DBN网络的电力负荷分类方法，其特征在于，包括：获取多个负荷在采样周期内的电力负荷数据，并对电力负荷数据进行预处理；通过优化VMD算法对预处理后的电力负荷数据进行分解，并从分解向量中提取特征向量；将特征向量输入至训练后的DBN神经网络中进行负荷分类；通过该方法可以将优化VMD算法和DBN神经网络相结合，从而实现对用电负荷进行精准分类。电负荷进行精准分类。电负荷进行精准分类。

【技术实现步骤摘要】
基于优化VMD算法和DBN网络的电力负荷分类方法


[0001]本专利技术属于电力系统负荷分类领域，特别是基于优化VMD算法和DBN网络的电力负荷分类方法。

技术介绍

[0002]目前智能电表的广泛普及为电力系统研究提供了大量数据，然而这些数据并没有被很好地利用。由于不同用电负荷的用电特征不尽相同，用电负荷进行有效分类后有利于对工用电荷进行合理精细调度，而优化工业用电方式对工厂降低成本具有重要意义。同时，工业用电一般用电负荷较大，调配过程中也可以配合电网公司进行用电高峰期错峰调度，缓解供电压力。现有的电力负荷分类在处理日趋复杂的电力数据不能有效进行特征提取，这为用电负荷分类带来了较大困难。
[0003]VMD算法是基于Wiener滤波、Hilbert变换与外差解调所形成的一种分解算法，该算法能够自适应且完全非递归的解决模态变分和信号处理问题，它克服了EMD方法存在的端点效应和模态分量混叠的问题，可以降低复杂度高和非线性强的时间序列非平稳性，适用于非平稳性的序列。然而传统VMD算法的模态分解层数是人为确定的，难以保证其最优性，而采用能量相关本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于优化VMD算法和DBN网络的电力负荷分类方法，其特征在于，包括：S1、获取多个负荷在采样周期内的电力负荷数据，并对所述电力负荷数据进行预处理；S2、通过优化VMD算法对预处理后的电力负荷数据进行分解，并从分解向量中提取特征向量；S3、将所述特征向量输入至训练后的DBN神经网络中进行负荷分类。2.如权利要求1所述的基于优化VMD算法和DBN网络的电力负荷分类方法，其特征在于，所述电力负荷数据包括电压、电流、有功功率和无功功率。3.如权利要求1所述的基于优化VMD算法和DBN网络的电力负荷分类方法，其特征在于，对所述电力负荷数据进行预处理，具体包括：补全所述电力负荷数据中的缺失值；去除所述电力负荷数据中的异常值。4.如权利要求3所述的基于优化VMD算法和DBN网络的电力负荷分类方法，其特征在于，补全所述电力负荷数据中的缺失值，具体包括：选取与缺失时刻点相邻前D天的相同时间点的平均负荷值，来补全缺失值。5.如权利要求3所述的基于优化VMD算法和DBN网络的电力负荷分类方法，其特征在于，去除所述电力负荷数据中的异常值，具体包括：计算出所述连续采样周期内，第i天中每个时刻的负荷值；根据所述第i天中每个时刻的负荷值，计算出所述第i天中负荷值的平均值；将阈值设为所述第i天中负荷值的平均值的A倍；若所述第i天中t时刻的负荷值高于所述阈值，则判断为所述t时刻对应的电力负荷数据为异常值，并将为异常值的电力负荷数据去除。6.如权利要求1所述的基于优化VMD算法和DBN网络的电力负荷分类方法，其特征在于，所述S2具体包括：S21、通过优化VMD算法，基于预处理后的电力负荷数据构造约束变分问题；S22、引入拉格朗日乘子和惩罚因子，将所述约束变分问题转化为无约束问题；S23、对所述无约束问题进行迭代求解，获得所述电力负荷数据的特征向量。7.如权利要求6所述的基于优化VMD算法和DBN...

【专利技术属性】
技术研发人员：周孟然，张易平，胡锋，朱梓伟，汪锟，刘宇，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：