本发明专利技术公开了一种负荷预测方法，该方法包括以下步骤：采用经验模态分解对混合噪声分量的目标负荷功率数据进行分解，得到目标数量的去趋势子序列；根据目标数量确定变分模态分解的K值参数范围；结合各去趋势子序列和K值参数范围确定变分模态分解最优分解参数；基于变分模态分解最优分解参数预测目标负荷功率数据对应的负荷值。应用本发明专利技术所提供的负荷预测方法，实现了对混合噪声分量的负荷功率数据的有效降噪，较大地提高了负荷预测的准确性。本发明专利技术还公开了一种负荷预测装置、设备及存储介质，具有相应技术效果。具有相应技术效果。具有相应技术效果。
【技术实现步骤摘要】
一种负荷预测方法、装置、设备及计算机可读存储介质
[0001]本专利技术涉及数据降噪
，特别是涉及一种负荷预测方法、装置、设备及计算机可读存储介质。
技术介绍
[0002]工业负荷的比重在用电构成中居于首位，对于工业企业而言，根据企业未来一段时间的负荷预测曲线来制定合理的购电计划，可以减少浪费，降低用电成本，实现电力需求侧管理，缓解电力系统的供需矛盾。噪声极大影响了负荷功率数据的准确性，降低了工业企业负荷预测的预测精度，如何降低工业企业负荷数据的含噪量，对提升工业企业负荷预测精度具有重要意义。
[0003]将混合噪声分量的负荷功率数据分解重构处理可以很好地滤除负荷功率数据中包含的噪声分量，目前负荷功率数据分解的方法主要包括经验模态分解(Empirical Mode Decomposition，EMD)、变分模态分解(Variational Mode Decomposition，VMD)等。利用经验模态分解可以将非平稳信号分解成更具平稳的分量信号，但经验模态分解易出现端点效应和模态混叠现象。变分模态分解是一种针对非平稳信号的新型分解方法，它改善了上述经验模态分解的弊端，但该方法也存在分解参数K的值不能自适应确定的缺点。K值的选取对变分模态分解的分解性能有很大影响，理论上，K不能太小或者太大。对于前者，较小的子序列数K难以充分表达信号，信号的一些重要部分会作为噪声被丢弃，分解处理后的重构信号会严重失真。对于后者，子序列数K过大，通常会导致过度分解，过度分解不仅无法有效滤除噪声分量，还会导致模态混叠现象的出现。不能对混合噪声分量的负荷功率数据进行有效降噪，影响负荷预测的准确性。
[0004]综上所述，如何有效地解决不能对混合噪声分量的负荷功率数据进行有效降噪，影响负荷预测的准确性等问题，是目前本领域技术人员急需解决的问题。
技术实现思路
[0005]本专利技术的目的是提供一种负荷预测方法，该方法实现了对混合噪声分量的负荷功率数据的有效降噪，较大地提高了负荷预测的准确性；本专利技术的另一目的是提供一种负荷预测装置、设备及计算机可读存储介质。
[0006]为解决上述技术问题，本专利技术提供如下技术方案：
[0007]一种负荷预测方法，包括：
[0008]采用经验模态分解对混合噪声分量的目标负荷功率数据进行分解，得到目标数量的去趋势子序列；
[0009]根据所述目标数量确定变分模态分解的K值参数范围；
[0010]结合各所述去趋势子序列和所述K值参数范围确定变分模态分解最优分解参数；
[0011]基于所述变分模态分解最优分解参数预测所述目标负荷功率数据对应的负荷值。
[0012]在本专利技术的一种具体实施方式中，根据所述目标数量确定变分模态分解的K值参
数范围，包括：
[0013]将二至所述目标数量之间的正整数确定为所述变分模态分解的K值参数范围。
[0014]在本专利技术的一种具体实施方式中，结合各所述去趋势子序列和所述K值参数范围确定变分模态分解最优分解参数，包括：
[0015]对各所述去趋势子序列进行求和计算，得到总和序列；
[0016]分别将所述K值参数范围中每个正整数确定为目标分解参数；
[0017]针对每个目标分解参数，将所述总和序列分解为所述目标分解参数个子序列；
[0018]根据所述总和序列和各所述子序列计算分解残差；
[0019]计算所述分解残差的复杂度指标；
[0020]确定各所述复杂度指标中的最大值，并将所述最大值对应的目标分解参数确定为所述变分模态分解最优分解参数。
[0021]在本专利技术的一种具体实施方式中，基于所述变分模态分解最优分解参数预测所述目标负荷功率数据对应的负荷值，包括：
[0022]获取所述总和序列通过所述变分模态分解最优分解参数分解得到的各目标子序列；
[0023]将各所述目标子序列输入至预设负荷预测模型，以利用所述预设负荷预测模型进行负荷预测，得到所述目标负荷功率数据对应的负荷值。
[0024]在本专利技术的一种具体实施方式中，采用经验模态分解对混合噪声分量的目标负荷功率数据进行分解，包括：
[0025]按照预设时间间隔对混合噪声分量的目标负荷功率数据进行采样操作，得到各采样负荷功率数据；
[0026]采用所述经验模态分解对各所述采样负荷功率数据进行分解。
[0027]在本专利技术的一种具体实施方式中，在按照预设时间间隔对混合噪声分量的目标负荷功率数据进行采样操作，得到各采样负荷功率数据之后，还包括：
[0028]判断是否存在采样结果为空的目标时间点；
[0029]若是，则调取前一采样周期中所述目标时间点对应的目标采样负荷功率数据；
[0030]将所述目标采样负荷功率数据确定为本采样周期中所述目标时间点对应的采样负荷功率数据。
[0031]一种负荷预测装置，包括：
[0032]数据分解模块，用于采用经验模态分解对混合噪声分量的目标负荷功率数据进行分解，得到目标数量的去趋势子序列；
[0033]参数范围确定模块，用于根据所述目标数量确定变分模态分解的K值参数范围；
[0034]最优分解参数确定模块，用于结合各所述去趋势子序列和所述K值参数范围确定变分模态分解最优分解参数；
[0035]负荷预测模块，用于基于所述变分模态分解最优分解参数预测所述目标负荷功率数据对应的负荷值。
[0036]在本专利技术的一种具体实施方式中，所述最优分解参数确定模块包括：
[0037]序列求和计算子模块，用于对各所述去趋势子序列进行求和计算，得到总和序列；
[0038]分解参数确定子模块，用于分别将所述K值参数范围中每个正整数确定为目标分
解参数；
[0039]序列分解子模块，用于针对每个目标分解参数，将所述总和序列分解为所述目标分解参数个子序列；
[0040]分解残差计算子模块，用于根据所述总和序列和各所述子序列计算分解残差；
[0041]复杂度指标计算子模块，用于计算所述分解残差的复杂度指标；
[0042]最优分解参数确定子模块，用于确定各所述复杂度指标中的最大值，并将所述最大值对应的目标分解参数确定为所述变分模态分解最优分解参数。
[0043]一种负荷预测设备，包括：
[0044]存储器，用于存储计算机程序；
[0045]处理器，用于执行所述计算机程序时实现如前所述负荷预测方法的步骤。
[0046]一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前所述负荷预测方法的步骤。
[0047]本专利技术所提供的负荷预测方法，采用经验模态分解对混合噪声分量的目标负荷功率数据进行分解，得到目标数量的去趋势子序列；根据目标数量确定变分模态分解的K值参数范围；结合各去趋势子序列和K值参数范围确定变分模态分解最优分解参数；基于变分模态分解最优分解参数预测目标负荷本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种负荷预测方法，其特征在于，包括：采用经验模态分解对混合噪声分量的目标负荷功率数据进行分解，得到目标数量的去趋势子序列；根据所述目标数量确定变分模态分解的K值参数范围；结合各所述去趋势子序列和所述K值参数范围确定变分模态分解最优分解参数；基于所述变分模态分解最优分解参数预测所述目标负荷功率数据对应的负荷值。2.根据权利要求1所述的负荷预测方法，其特征在于，根据所述目标数量确定变分模态分解的K值参数范围，包括：将二至所述目标数量之间的正整数确定为所述变分模态分解的K值参数范围。3.根据权利要求1或2所述的负荷预测方法，其特征在于，结合各所述去趋势子序列和所述K值参数范围确定变分模态分解最优分解参数，包括：对各所述去趋势子序列进行求和计算，得到总和序列；分别将所述K值参数范围中每个正整数确定为目标分解参数；针对每个目标分解参数，将所述总和序列分解为所述目标分解参数个子序列；根据所述总和序列和各所述子序列计算分解残差；计算所述分解残差的复杂度指标；确定各所述复杂度指标中的最大值，并将所述最大值对应的目标分解参数确定为所述变分模态分解最优分解参数。4.根据权利要求3所述的负荷预测方法，其特征在于，基于所述变分模态分解最优分解参数预测所述目标负荷功率数据对应的负荷值，包括：获取所述总和序列通过所述变分模态分解最优分解参数分解得到的各目标子序列；将各所述目标子序列输入至预设负荷预测模型，以利用所述预设负荷预测模型进行负荷预测，得到所述目标负荷功率数据对应的负荷值。5.根据权利要求1所述的负荷预测方法，其特征在于，采用经验模态分解对混合噪声分量的目标负荷功率数据进行分解，包括：按照预设时间间隔对混合噪声分量的目标负荷功率数据进行采样操作，得到各采样负荷功率数据；采用所述经验模态分解对各所述采样负荷功率数据进行分解。6.根据权利要求5所述的负荷预测方法，其特征在于，在按照...
【专利技术属性】
技术研发人员：王媛媛，孙山峰，罗晓敏，蔡晔，黄靖杰，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：
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。