一种电力网络数字潮流流量预测方法技术

本发明专利技术涉及一种电力网络数字潮流流量预测方法，相较于传统RNN与LSTM等神经网络流量预测方法，本方法通过对流量序列VMD分解预处理，解决了流量序列多本征模态分量混叠干扰的问题，降低LSTM神经网络运行复杂度，缩短运行时间，减小预测误差；同时，通过SVM支持向量机回归方法进行回归分析，有效减小数据流量突发性涌流造成的预测偏差，进一步提高了模型的精度；将经过LSTM神经网络模型流量序列各分量预测值与残差分量回归分析值相拟合，得出VMD

【技术实现步骤摘要】
一种电力网络数字潮流流量预测方法


[0001]本专利技术属于电力通信
，涉及电力数字潮流预测技术，尤其是一种电力网络数字潮流流量预测方法。

技术介绍

[0002]随着智能电网的建设和发展，智能电网业务不断增加，智能配用电通信网数据采集网络将面临极大的应用层数据流量压力，在当前电力业务信息不断丰富、数据大集中、流量大爆发的趋势下，针对电力通信网海量流量的随机性、波动性和不确定性，本专利技术提供了一种电力网络数字潮流流量预测方法，将具有相同传输特性的数据业务划分归类并考虑各流量指标在时间前后取值上的相互影响关系，利用具有长短期记忆功能的多层神经网络处理流量数据并对未来流量做出精确预测，使电力通信网能够根据流量预测结果及时利用链路资源对可能出现的通信拥塞做出调度反应，缓解网络拥塞状况，保证电力业务数据的传输质量。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足之处，提供一种有效解决电力通信网络海量流量拥塞问题的基于VMD
‑
LSTM
‑
SVM模型的电力数字潮流预测方法。
[0004]本专利技术解决其技术问题是采取以下技术方案实现的：
[0005]一种电力网络数字潮流流量预测方法，包括如下方法步骤：
[0006]步骤一：对云平台电力通信业务流量序列历史数据进行变分模态分解VMD方法预处理，云平台电力通信业务包括自动化数据业务、电力调度业务和遥视业务，自动化数据业务包括 SCADA类数据业务和MIS类数据业务；电力调度业务包括调度电话、办公行政电话和会议电话；遥视业务包括电视会议和无人值班变电站及其他视频监视。
[0007]具体的，将流量序列提取为多个本征模态分量IMF和残差分量R，具体方法步骤如下：
[0008](1)VMD方法预处理假设初始信号是由k个本征模态分量组成，其中，k＝1,2,3...m，m 为本征模态分量总数，第k个本征模态分量对应一个本征频率ω
k
，第k个本征模态分量的调频调幅信号表示为：
[0009]u
k
(t)＝A
k
(t)cos(ω
k
·
t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式1)
[0010]式中，u
k
(t)是本征频率ω
k
对应的第k个本征模态分量的调频调幅信号，A
k
(t)为幅值函数，t为时间；
[0011](2)初始化所有总数为m的本征模态分量和本征频率ω
k
，通过流量带宽约束方式进行VMD分解，表示为：
[0012][0013]式中，f(t)表示初始信号函数，δ(t)为u
k
(t)的实部取值，
‑
jω
k
t为纯虚数，其中j为虚部符号，表示为对时间t求偏导数，引入增强型拉格朗日算子λ，将约束统一到目标函数L(u
k
，ω
k
，λ)中，其表达式为：
[0014][0015]式中，α为惩罚因子，确保重构信号的准确度，λ(t)为随时间变化的拉格朗日乘子， j为虚部符号；
[0016](3)计算L最小值，利用交替乘子法进行优化，将u
k
(t)与λ(t)进行交替更新，通过傅立叶等距变换映射到频率解域，迭代次数为n，公式如下：
[0017][0018]式中，sgn(ω)表示符号函数对原始信号的频域变换，表示频域内初始信号值，表示频域内拉格朗日乘子值；
[0019](4)初始信号函数的每一种本征模态分量均对应一种流量序列，即初始信号m个本征模态分量对应m个初始流量子序列，其中包括m
‑
1个本征模态分量函数和一个残差分量函数：
[0020][0021]式中，IMF
i
(t)表示第i个子序列的本征模态分量函数，r(t)表示残差分量函数，IMF
i
(t)与 r(t)流量序列的本征模态分量受历史流量序列影响，具有周期性变化的趋势，残差序列是分解后的趋势量；
[0022]步骤二：为进一步提高模型的预测精度，通过将分解后的m
‑
1个本征模态分量与残差分量分别与不同流量业务类型进行相关性分析，研究不同流量业务类型对预测模型精度的影响，采用皮尔逊相关系数进行度量；
[0023]具体的，采用皮尔逊相关系数对不同流量业务类型的模型预测精度进行度量，具体方法如下：
[0024][0025]式中，r为皮尔逊相关系数，X
i
表示第i类电力数据业务的单位秒时流量，其中 i＝1,2,3...n，表示采样周期内n个电力数据业务的单位秒时流量平均值，Y
i
表示第i类电力数据业务的流量序列，表示采样周期内n个电力数据业务的流量序列平均值。
[0026]步骤三：对于经过VMD分解后的电力业务流量序列m
‑
1个本征模态分量，设定长短期记忆神经网络LSTM模型的学习率、网络层数、隐含层数以及隐含层每层节点数目，在损失函数最小的情况下采用基于时间序列的反向传播算法BPTT确定模型的最优参数，建立LSTM 预测模型,进而输出各分量模型预测结果d
k
,其中k＝1,2,3...m
‑
1；
[0027]上述长短期记忆神经网络LSTM模型学习率为0.001、隐含层数为2、隐含层每层节点数为100、本征模态分量数量为3个，分别表示为IMF1、IMF2、IMF3，将上述本征模态分量 IMF1、IMF2、IMF3输入LSTM神经网络模型，得到预测值d1、d2、d3。
[0028]所述的LSTM预测模型,方法步骤如下：
[0029](1)建立LSTM长短时记忆单元
[0030]在传统神经网络模型的基础上将隐含层简单的神经元转化为具有门控机制的长短时记忆 LSTM单元，长短时记忆单元的关键是单元状态，它沿着时间传递，并通过使用遗忘门、输入门以及输出门来删除或添加单元状态的信息，建立其记忆单元拓扑结构；
[0031](2)用x
t
和h
t
表示LSTM神经网络隐藏层输入序列和输出序列，模型中输入x1、x2、x3分别对应电力数字潮流序列经分解后所得本征模态分量IMF1、IMF2、IMF3，输出序列h1、 h2、h3则分别对应为流量预测值d1、d2、d3，输入为E表示遗忘门、输入门以及输出门的输出值，在损失函数最小的情况下采用基于时间序列的反向传播算法BPTT确定模型的最优参数，建立LSTM预测模型。
[0032]在LSTM预测模型考虑三个时刻状态t
‑
1、t以及t+1，长短时记忆单元的计算主要分为三部分：第一部分为遗忘掉部分之前的单元状态如公式(7)所示，第二部分首先计算当前隐含层输入的更新值如公式(8)所示；其次产生一个中间单元状态C
′
t
，如公式(9)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力网络数字潮流流量预测方法，其特征在于：包括如下方法步骤：步骤一：对云平台电力通信业务流量序列历史数据进行变分模态分解VMD方法预处理，将流量序列提取为多个本征模态分量IMF和残差分量R，具体方法步骤如下：(1)VMD方法预处理假设初始信号是由k个本征模态分量组成，其中，k＝1,2,3...m，m为本征模态分量总数，第k个本征模态分量对应一个本征频率ω
k
，第k个本征模态分量的调频调幅信号表示为：u
k
(t)＝A
k
(t)cos(ω
k
·
t)
ꢀꢀꢀꢀ
(式1)式中，u
k
(t)是本征频率ω
k
对应的第k个本征模态分量的调频调幅信号，A
k
(t)为幅值函数，t为时间；(2)初始化所有总数为m的本征模态分量和本征频率ω
k
，通过流量带宽约束方式进行VMD分解，表示为：式中，f(t)表示初始信号函数，δ(t)为u
k
(t)的实部取值，
‑
jω
k
t为纯虚数，其中j为虚部符号，表示为对时间t求偏导数，引入增强型拉格朗日算子λ，将约束统一到目标函数L(u
k
，ω
k
，λ)中，其表达式为：式中，α为惩罚因子，确保重构信号的准确度，λ(t)为随时间变化的拉格朗日乘子，j为虚部符号；(3)计算L最小值，利用交替乘子法进行优化，将u
k
(t)与λ(t)进行交替更新，通过傅立叶等距变换映射到频率解域，迭代次数为n，公式如下：式中，sgn(ω)表示符号函数对原始信号的频域变换，表示频域内初始信号值，表示频域内拉格朗日乘子值；(4)初始信号函数的每一种本征模态分量均对应一种流量序列，即初始信号m个本征模
态分量对应m个初始流量子序列，其中包括m
‑
1个本征模态分量函数和一个残差分量函数：式中，IMF
i
(t)表示第i个子序列的本征模态分量函数，r(t)表示残差分量函数，IMF
i
(t)与r(t)流量序列的本征模态分量受历史流量序列影响，具有周期性变化的趋势，残差序列是分解后的趋势量；步骤二：为进一步提高模型的预测精度，通过将分解后的m
‑
1个本征模态分量与残差分量分别与不同流量业务类型进行相关性分析，研究不同流量业务类型对预测模型精度的影响，采用皮尔逊相关系数进行度量；步骤三：对于经过VMD分解后的电力业务流量序列m
‑
1个本征模态分量，设定长短期记忆神经网络LSTM模型的学习率、隐含层数以及隐含层每层节点数目，在损失函数最小的情况下采用基于时间序列的反向传播算法BPTT确定模型的最优参数，建立LSTM预测模型,进而输出各分量模型预测结果d
k
,其中k＝1,2,3...m
‑
1；步骤四：对于残差分量，结合流量序列的影响因素，采用支持向量机SVM进行模型回归拟合，确定最优参数，进而输出残差分量预测值d
r
；步骤五：完成本征模态分量与残差分量预测模型后，将各分量模型预测结果d
k
与残差分量预测值d
r
的预测值进行线性叠加求和输出，完成模型的构建过程，最终输出电力通信网流量的预测值d，即d＝d
k
+d
r
。2.根据权利要求1所述的一种电力网络数字潮流流量预测方法，其特征在于：所述的云平台电力通信业务包括自动化数据业务、电力调度业务和遥视业务，自动化数据业务包括SCADA类数据业务和MIS类数据业务；电力调度业务包括调度电话、办公行政电话和会议电话；遥视业务包括电视会议和无人值班变电站及其他视频监视。3.根据权利要求1所述的一种电力网络数字潮流流量预测方法，其特征在于：步骤二中采用皮尔逊相关系数对不同流量业务类型的模型预测精度进行度量，具体方法如下：式中，r为皮尔逊相关系数，X
i
表示第i类电力数据业务的单位秒时流量，其中i＝1,2,3...n，表示采样周期内n个电力数据业务的单位秒时流量平均值，Y
i
表示第i类电力数据业务的流量序列，表示采样周期内n个电力数据业务的流量序列平均值。4.根据权利要求1所述的一种电力网络数字潮流流量预测方法，其特征在于：步骤三中长短期记忆神经网络LSTM模型学习率为0.001、隐含层数为2、隐含层每层节点数为100、本征模态分量数量为3个，分别表示为IMF1、IMF2、IMF3，将上述本征模态分量IMF1、IMF2、IMF3输入L...

【专利技术属性】
技术研发人员：王凯，张旭，赵迪，张倩宜，李妍，杨挺，郝美薇，
申请(专利权)人：国网天津市电力公司国家电网有限公司，
类型：发明
国别省市：