基于多尺度分量特征学习的用户级短期负荷预测方法及系统技术方案

本发明专利技术公开了一种基于多尺度分量特征学习的用户级短期负荷预测方法及系统

【技术实现步骤摘要】
基于多尺度分量特征学习的用户级短期负荷预测方法及系统


[0001]本专利技术涉及用户级负荷预测，具体涉及一种基于多尺度分量特征学习的用户级短期负荷预测方法及系统
。

技术介绍

[0002]随着电力系统中需求响应
、
负荷聚合商
、
虚拟电厂等新型电力技术的涌现，电力负荷呈现出更加复杂多变的新特性
。
此外，新能源并网给电网的安全稳定运行造成进一步冲击，维持能源供应测与需求侧平衡面临严峻挑战
。
[0003]为了合理安排电网维护计划和运行调度工作，降低运行成本并提高电力系统的经济效益，必须解决用户负荷本身随机性较强
、
波动性较大的问题，用户负荷预测是应对这种不确定性的基础
。
精准可靠的用户负荷预测结果可以为需求侧资源的协同控制提供合理有效的决策性支撑，同时也为电力系统的安全高效运行提供切实保障
。
[0004]现有研究中为降低数据复杂度，通常会将变分模态分解等时间序列分解算法与深度学习模型相结合用于负荷预测，但这样不仅存在由于算法特性导致分解效果不一的情况，还存在一步分解不彻底使得预测精度提升有限的共性问题，即一步分解后高频分量的残留增加了模型学习时序特征的难度
。
此外，大多数深度学习模型受输入维度的限制，难以同时处理多个
IMF
，忽略了各
IMF
之间的耦合关系，不利于模型学习各子序列分量特征，使模型最终的预测性能不佳
。
专利
技术实现思路

[0005]专利技术目的：本专利技术的目是提供一种基于多尺度分量特征学习的用户级短期负荷预测方法及系统，获得准确
、
可靠的负荷预测结果
。
[0006]技术方案：为了实现上述专利技术目的，本专利技术提出的基于多尺度分量特征学习的用户级短期负荷预测方法，包括以下步骤：
[0007]采集用户实际负荷数据，构造用户负荷序列；
[0008]采用自适应噪声的完整经验模态分解对用户负荷序列进行分解，得到
K
个子序列分量，计算各分量的排列熵
PE
值，根据各分量
PE
值确定重构阈值，基于重构阈值将
K
个子序列分量重构为低频分量和高频分量，对于高频分量利用变分模态分解法再次进行分解，分解结果和低频分量一起得到不同幅频特性的多尺度
IMF
分量；
[0009]基于滑动时间窗格的方式在各
IMF
中提取一维输入样本，利用
Reshape
函数将一维输入样本重构为二维特征图的形式，将各二维特征图沿深度方向拼接，得到能够反映各分量之间耦合特性的三维特征图；
[0010]利用卷积神经网络和多尺度空间注意力模块进行特征学习，并得到最终的负荷预测结果
。
[0011]进一步地，自适应噪声的完整经验模态分解对用户负荷序列进行分解包括：
[0012]在原始负荷序列
x(n)
中加入自适应白噪声
ω
i
[n]，得到
I
个带自适应白噪声的负
荷序列
x
i
[n]；
[0013]利用经验模态分解法对带自适应白噪声的新序列进行分解并将所得
IMF
求均值得到一阶
IMF
以及一阶残差
r1[n]，在一阶残差
r1[n]中加入自适应白噪声得到新的一阶残差序列，对其做经验模态分解并将所得
IMF
求均值得到二阶
IMF
以及二阶残差，重复上述过程直到最终得到的残差
R[n]不可分解，即
[0014][0015]式中：
n
为负荷序列长度，
K
为最终分解所得
IMF
个数
。
[0016]进一步地，排列熵
PE
值的计算方法包括：
[0017]将时间序列
{x(t),t
＝
1,2,
…
,n}
进行相空间重构，得到重构矩阵如下：
[0018][0019]式中：
m
为嵌入维数，
τ
为延迟时间，
X(q)
为重构后的第
q
个子序列，
x(t)
表示时间序列中的第
t
个元素；
[0020]对重构矩阵中各行向量升序排列：
[0021]x[q+(q1‑
1)
τ
]≤
…
≤x[q+(q
m
‑
1)
τ
][0022]式中：
q1,q2,
…
,q
m
为重构矩阵各行向量中元素所在列的索引号，得到矩阵
S(g)
＝
{q1,q2,
…
,q
m
}
，其中
g
＝
1,2,
…
,l
且
l≤m
！，故共有
m
！种符号序列；
[0023]计算每种符号序列的概率
P1,P2,
…
,P
l
，则
x(t)
的
PE
值为：
[0024][0025]将
PE
值归一化到
[0
，
1]区间：
[0026]H
p
＝
H
p
/ln(m
！
)。
[0027]进一步地，根据各分量
PE
值确定重构阈值包括：以各分量
PE
值的平均值作为重构阈值，
PE
值高于重构阈值的分量为高频分量，其余为低频分量
。
[0028]进一步地，对高频分量进行变分模态分解包括：
[0029]为得到各模态的单边频谱，对自适应重构后所得的高频分量序列
f(t)
的模态函数
u
k
(t)
进行
Hilbert
变换：
[0030][0031]式中：
δ
(t)
和
j
分别表示模态函数在频域中的实部和虚部，
*
表示卷积运算；
[0032]对于每个模态分量，将其与对应中心频率
ω
k
的指数项混叠以实现相移处理：
[0033][0034]对解调信号进行高斯平滑处理，解得各模态分量带宽，并构建带宽约束条件下变
分优化问题的目标函数方程，其表达式如下：
[0035][0036]式中：表示关于时间
t
的偏微分；
[0037]引入惩罚因本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多尺度分量特征学习的用户级短期负荷预测方法，其特征在于，包括以下步骤：采集用户实际负荷数据，构造用户负荷序列；采用自适应噪声的完整经验模态分解对用户负荷序列进行分解，得到
K
个子序列分量，计算各分量的排列熵
PE
值，根据各分量
PE
值确定重构阈值，基于重构阈值将
K
个子序列分量重构为低频分量和高频分量，对于高频分量利用变分模态分解法再次进行分解，分解结果和低频分量一起得到不同幅频特性的多尺度
IMF
分量；基于滑动时间窗格的方式在各
IMF
中提取一维输入样本，利用
Reshape
函数将一维输入样本重构为二维特征图的形式，将各二维特征图沿深度方向拼接，得到能够反映各分量之间耦合特性的三维特征图；利用卷积神经网络和多尺度空间注意力模块进行特征学习，并得到最终的负荷预测结果
。2.
根据权利要求1所述的方法，其特征在于，自适应噪声的完整经验模态分解对用户负荷序列进行分解包括：在原始负荷序列
x(n)
中加入自适应白噪声
ω
i
[n]
，得到
I
个带自适应白噪声的负荷序列
x
i
[n]
；利用经验模态分解法对带自适应白噪声的新序列进行分解并将所得
IMF
求均值得到一阶以及一阶残差
r1[n]
，在一阶残差
r1[n]
中加入自适应白噪声得到新的一阶残差序列，对其做经验模态分解并将所得
IMF
求均值得到二阶以及二阶残差，重复上述过程直到最终得到的残差
R[n]
不可分解，即式中：
n
为负荷序列长度，
K
为最终分解所得
IMF
个数
。3.
根据权利要求1所述的方法，其特征在于，排列熵
PE
值的计算方法包括：将时间序列
{x(t),t
＝
1,2,
…
,n}
进行相空间重构，得到重构矩阵如下：式中：
m
为嵌入维数，
τ
为延迟时间，
X(q)
为重构后的第
q
个子序列，
x(t)
表示时间序列中的第
t
个元素；对重构矩阵中各行向量升序排列：
x[q+(q1‑
1)
τ
]≤
…
≤x[q+(q
m
‑
1)
τ
]
式中：
q1,q2,
…
,q
m
为重构矩阵各行向量中元素所在列的索引号，得到矩阵
S(g)
＝
{q1,q2,
…
,q
m
}
，其中
g
＝
1,2,
…
,l
且
l≤m
！，故共有
m
！种符号序列；计算每种符号序列的概率
P1,P2,
…
,P
l
，则
x(t)
的
PE
值为：
将
PE
值归一化到
[0
，
1]
区间：
H
p
＝
H
p
/ln(m
！
)。4.
根据权利要求1所述的方法，其特征在于，根据各分量
PE
值确定重构阈值包括：以各分量
PE
值的平均值作为重构阈值，
PE
值高于重构阈值的分量为高频分量，其余为低频分量
。5.
根据权利要求1所述的方法，其特征在于，对高频分量进行变分模态分解包括：为得到各模态的单边频谱，对自适应重构后所得的高频分量序列
f(t)
的模态函数
u
k
(t)
进行
Hilbert
变换：式中：
δ
(t)
和
j
分别表示模态函数在频域中的实部和虚部，
*
表示卷积运算；对于每个模态分量，将其与对应中心频率
ω
k

【专利技术属性】
技术研发人员：臧海祥，陈玉伟，程礼临，刘璟璇，周亦洲，韩海腾，朱瑛，黄蔓云，陈胜，孙国强，卫志农，
申请(专利权)人：河海大学，
类型：发明
国别省市：