[發(fā)明專利]基于集合經(jīng)驗(yàn)?zāi)B(tài)的短期無功負(fù)荷預(yù)測方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202011075471.0
• 申請(qǐng)日: 2020-10-09
• 公開（公告）號(hào): CN112163710A
• 公開（公告）日: 2021-01-01
• 發(fā)明（設(shè)計(jì)）人: 石英;杜家寶;謝長君;吳明宇;蘇濤
• 申請(qǐng)（專利權(quán)）人: 武漢理工大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q10/06;G06Q50/06;G06N20/00
• 代理公司: 武漢開元知識(shí)產(chǎn)權(quán)代理有限公司 42104
• 代理人: 劉琳;潘杰

本發(fā)明公開了基于集合經(jīng)驗(yàn)?zāi)B(tài)的短期無功負(fù)荷預(yù)測方法及裝置，所述方法包括步驟：1)通過EEMD分解算法將輸入的無功負(fù)荷數(shù)據(jù)分解為若干本征模態(tài)分量IMF；2)將IMF低頻對(duì)象使用隨機(jī)森林回歸機(jī)器學(xué)習(xí)預(yù)測算法，獲得低頻對(duì)象預(yù)測值；3)將IMF高頻對(duì)象使用BPNN神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)預(yù)測算法，獲得高頻對(duì)象預(yù)測值；4)對(duì)低頻對(duì)象和高頻對(duì)象預(yù)測值進(jìn)行疊加重構(gòu)，得到無功負(fù)荷預(yù)測值。本發(fā)明從實(shí)踐應(yīng)用的無功負(fù)荷數(shù)據(jù)集不同頻段各自含有對(duì)應(yīng)的規(guī)律以及周期性的角度出發(fā)，解決了不同時(shí)段數(shù)據(jù)相互強(qiáng)干擾，隨機(jī)性較強(qiáng)的問題；本發(fā)明實(shí)現(xiàn)了在具體應(yīng)用中抑制不同時(shí)段無功負(fù)荷互相干擾，提高了對(duì)無功負(fù)荷的預(yù)測精度，并且可以較好的還原數(shù)據(jù)局部細(xì)節(jié)。

技術(shù)領(lǐng)域

本發(fā)明涉及電氣工程和機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域，具體地指一種基于集合經(jīng)驗(yàn)?zāi)B(tài)的短期無功負(fù)荷預(yù)測方法及裝置，可應(yīng)用于電力網(wǎng)絡(luò)。

背景技術(shù)

在電網(wǎng)運(yùn)行過程中，對(duì)電力負(fù)荷進(jìn)行準(zhǔn)確預(yù)測，不僅有助于保證系統(tǒng)正常運(yùn)行，還能優(yōu)化管理能源資源。大多數(shù)負(fù)荷預(yù)測研究聚焦于高電壓的天氣響應(yīng)型負(fù)荷，少有工業(yè)負(fù)荷預(yù)測相關(guān)研究，其中無功負(fù)荷預(yù)測研究更為少見。然而電力系統(tǒng)中許多重要操作都與工業(yè)無功負(fù)荷密切相關(guān)，如電壓/無功優(yōu)化，電能質(zhì)量改善，頻率控制和穩(wěn)態(tài)潮流分析。因此，無功負(fù)荷預(yù)測能有效改善輸配電過程中的電網(wǎng)運(yùn)行性能，增強(qiáng)電力系統(tǒng)的可靠性。

基于傳統(tǒng)數(shù)學(xué)統(tǒng)計(jì)學(xué)算法主要有多元線性回歸、時(shí)間序列法和指數(shù)平滑法等。其中，F(xiàn).Wang等提出將多元線性回歸算法用于短期電力負(fù)荷預(yù)測，該算法結(jié)構(gòu)簡單，計(jì)算簡潔，具有較快的訓(xùn)練與預(yù)測速度，但其算法魯棒性較差，對(duì)復(fù)雜非線性系統(tǒng)難以獲得較高的預(yù)測精度，對(duì)于隨機(jī)性較強(qiáng)的電力負(fù)荷預(yù)測能力較差。

基于機(jī)器學(xué)習(xí)的算法中，經(jīng)典代表算法是由Vapnik提出的支持向量機(jī)(SVM)，該算法對(duì)周期性較強(qiáng)電力負(fù)荷的短期預(yù)測取得了較好的效果，但是對(duì)于隨機(jī)波動(dòng)比較大的電力負(fù)荷數(shù)據(jù)，其預(yù)測效果較差。神經(jīng)網(wǎng)絡(luò)以其強(qiáng)大的非線性映射能力，在非線性系統(tǒng)預(yù)測中廣泛使用。X.G.等將GRU神經(jīng)網(wǎng)絡(luò)應(yīng)用于電力負(fù)荷預(yù)測，并取得了較好的預(yù)測效果；M.Y.等提出一種將隔離森林iForest與LSTM神經(jīng)網(wǎng)絡(luò)相結(jié)合的電力負(fù)荷預(yù)測算法，有效提高了預(yù)測精度；H.Y.等提出了一種嵌入有參數(shù)Copula算法的深度置信網(wǎng)絡(luò)(DBN)來預(yù)測電網(wǎng)的每小時(shí)負(fù)荷。然而，神經(jīng)網(wǎng)絡(luò)有很多缺點(diǎn)，如收斂速度慢，容易陷入局部最小值，過度擬合以及網(wǎng)絡(luò)參數(shù)的選擇過于依賴經(jīng)驗(yàn)。這些缺陷直接影響著神經(jīng)網(wǎng)絡(luò)用于時(shí)間序列預(yù)測和建模的可靠性。

基于傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的算法都具有各自的局限性，因此混雜預(yù)測的算法應(yīng)運(yùn)而生，其中第一類算法為通過權(quán)重的分配，結(jié)合多組預(yù)測算法的結(jié)果，能夠得到較高的預(yù)測精度。然而，基于權(quán)重的混雜預(yù)測算法往往根據(jù)某一組實(shí)際預(yù)測誤差作出權(quán)重分配，對(duì)單一樣本能夠取得較高的精度，卻無法保證在其他樣本上也能夠有效提高精度，算法的拓展性較差。第二類算法即為負(fù)荷分解的算法，傅里葉變換和小波變換是常用手段，可以提取負(fù)荷信息多尺度局部特征。W.H.等提出采用快速傅里葉變換FFT對(duì)電力信號(hào)進(jìn)行分解，該算法計(jì)算量小速度快，可以準(zhǔn)確地得出信號(hào)的頻域特性，但因采用對(duì)信號(hào)做整體變換的算法，無法體現(xiàn)出非線性、非平穩(wěn)信號(hào)的時(shí)域特征。

發(fā)明內(nèi)容

本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足之處，針對(duì)應(yīng)用實(shí)踐中無功負(fù)荷數(shù)據(jù)具有的不同時(shí)間段間的強(qiáng)擾動(dòng)性，強(qiáng)隨機(jī)性的特點(diǎn)，提出一種基于集合經(jīng)驗(yàn)?zāi)B(tài)的短期無功負(fù)荷預(yù)測方法及裝置，提供一種對(duì)電力線寬帶載波臺(tái)區(qū)的無功負(fù)荷數(shù)據(jù)制成數(shù)據(jù)集的短期無功負(fù)荷預(yù)測方法，該方法能夠?qū)o功負(fù)荷數(shù)據(jù)分解為不同頻率的若干本征模態(tài)函數(shù)，根據(jù)頻段不同選用不同的機(jī)器學(xué)習(xí)方法，達(dá)到提高預(yù)測精度、還原局部細(xì)節(jié)的目的。

為實(shí)現(xiàn)上述目的，本發(fā)明所設(shè)計(jì)的一種基于集合經(jīng)驗(yàn)?zāi)B(tài)的短期無功負(fù)荷預(yù)測方法，其特殊之處在于，所述方法包括如下步驟：

1)通過EEMD分解算法將輸入的無功負(fù)荷數(shù)據(jù)分解為若干本征模態(tài)分量IMF；

2)將所述本征模態(tài)分量IMF中的低頻對(duì)象使用隨機(jī)森林回歸機(jī)器學(xué)習(xí)預(yù)測算法，獲得低頻對(duì)象預(yù)測值；