基于VMD的谐波检测方法

针对电网谐波检测问题,分析已提出的几种传统的谐波检测方法,首次提出一种基于变分模态分解(Variational Mode Decomposition,VMD)的电网谐波检测方法。运用VMD方法将所含谐波的电网信号分解为一系列的本征模态分量(Intrinsic Mode Function,IMF),然后对分解出的IMF分量采用希尔伯特黄变换(HilbertHuang transform,HHT),获得每一个IMF分量的瞬时频率和瞬时幅值。由于VMD方法能准确的分解出每一个IMF分量,因此所得到的瞬时频率和瞬时幅值达到了很高精度的获取,并且与在经验模态分解(Empirical Mode Decomposition,EMD)所得到IMF分量Hilbert变换进行对比,说明了该方法比传统的Hilbert变换分解能力更强。为验证该方法对电网谐波的检测能力,将VMD算法与传统的瞬时无功功率谐波检测算法运用到实测数据中。仿真和实测数据表明,该方法是检测谐波的有效新方法。     

VMD-LSTM算法在短期负荷预测中的应用

传统的负荷预测方法如回归分析法、灰色预测法、支持向量机(Support Vector Machine,SVM)等缺少对时序数据相关性、特征值的全面考虑,预测值不稳定,精度较低且波动大。为进一步提升电力系统短期负荷预测的准确率,结合变分模态分解(Variational Mode Decomposition,VMD)和长短时记忆神经网络(Long Short-Term Memory,LSTM)算法,建立了一种短期负荷预测模型(VMD-LSTM)。首先采用VMD技术将输入负荷数据分解为多个有限带宽的本征模态分量,分解结果表明了人们生产生活中不同的用电习惯,并且分离了数据中的噪声和信号,然后对每个模态分量建立LSTM神经网络进行预测,结合模型输出重构预测结果。通过实际算例,验证了该算法相比于传统的负荷预测算法适应性强,预测精度高且稳定,具有显著的理论指导意义和实用价值。     

基于RR-VMD-LSTM的短期风电功率预测

准确的风电功率预测有利于电力系统运行、峰值调节、安全分析和节能减耗。提出了一种基于鲁棒回归(Robust Regression, RR)和变分模态分解(Variational Mode Decomposition, VMD)的长短时记忆(Long Short-Term Memory, LSTM)模型的风电功率预测方法。先使用RR处理采集数据的缺失值和异常点。再利用VMD得到风电功率序列以消除噪声并挖掘原始序列的主要特征。最后采用LSTM对每个分解序列的历史时间序列进行学习并完成预测,并通过重构所有序列的预测值获得风电功率的最终结果。使用所提出的方法对华北某一风电场风电功率进行预测,将预测结果与其他模型对比。结果表明,使用RR-VMD-LSTM方法能显著改善预测性能,降低风电功率预测误差。     

基于 MEEMD-FN-LSTM 的冷热电联供系统负荷预测∗

针对当前冷热电联供(Combined Cooling,Heating and Power,CCHP)系统优化调度研究缺少冷热电负荷预测的问题,提出了基于改进集成经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)、模糊熵(Fuzzy Entropy,FN)和长短期记忆神经网络(Long Short Term Memory,LSTM)的CCHP系统负荷预测方法.使用M EEM D算法将原始数据分解为若干IM F分量,计算IM F分量的模糊熵并将模糊熵相近的分量相加,使用LSTM对相加后新的分量进行预测,最后将分量预测结果重构得到最终预测值.通过仿真并对比分析其他方法的负荷预测精度,证明所提预测方法具有良好的预测效果.     

基于APIT-MEMD的电力系统低频振荡模式辨识新方法

传统多元经验模态分解(Multivariate Empirical Mode Decomposition, MEMD)在处理多信道量测信息时存在量测信道之间数据不平衡性及数据相关性导致的主导振荡模式辨识结果误差较大,且模式混合现象未有效消除。提出了一种基于自适应投影多元经验模态分解(Adaptive-Projection Intrinsically Transformed Multivariate Empirical Mode Decomposition, APIT-MEMD)的电力系统主导振荡模式辨识方法。首先采用APIT-MEMD将含有振荡信息的多信道量测信息整体分解,精确分离出各量测信道内含有振荡模式的固有模态函数(Intrinsic Mode Functions, IMF)信号。然后,采用Teager能量判据甄选能表征主导振荡模式的IMF信号。进而,采用希尔伯特黄变换(Hilbert-Huang Transform, HHT)实现对各IMF中所含主导振荡模式的频率和阻尼比估计。最后,将所提方法应用到IEEE-68节点时域仿真算例和辽宁电网广域实测算例中进行分析和验证,结果表明所提方法的可行性和有效性。     

基于WPT和参数优化的VMD谐波检测方法

针对变分模态分解(Variational Mode Decomposition, VMD)在谐波检测中易受噪声影响、分解模态个数K难以确定的问题,提出一种基于小波包降噪(WPT)和参数优化的VMD谐波检测方法。首先,对谐波信号进行WPT降噪处理,然后对降噪后的信号进行VMD预分解,根据解析分量的瞬时频率均值选取最优的K值,最后对降噪信号进行最优K值VMD分解并提取频率,用希尔伯特变换进行幅值检测。仿真结果与对比表明,该方法能够有效的选择VMD分解模态个数,减小噪声影响,且具有良好的检测精度。     

基于VMD和贝叶斯优化LSTM的母线负荷预测方法

新型电力系统背景下,为提升母线负荷预测的精确性与稳定性,针对母线负荷噪声,提出一种考虑变分模态分解（variational mode decomposition,VMD）降噪优化和长短期记忆网络（long short-term memory,LSTM）的母线负荷预测方法。通过VMD将母线负荷分解为多个平稳的固有模态函数余项,将其分解项去除噪声后进行重组,达到降噪优化效果;对降噪后的母线负荷序列构建基于LSTM的时序预测模型,利用贝叶斯优化方法对网络初始超参数进行优化,以提高时序预测模型的精度。算例研究结果表明：利用VMD对母线负荷进行降噪优化后再进行预测,有利于预测结果更加稳定,且贝叶斯优化寻参解决了因初始参数设置不当而使预测结果精度不高的问题。该文方法可运用于母线短期负荷预测,并为电网调度运行提供了决策依据。     

基于3σ-CEEMDAN-LSTM的空间负荷预测方法

为有效利用从配电网采集的海量数据以及改善空间负荷预测效果,提出一种基于3σ准则、自适应噪声完备集合经验模态分解(CEEMDAN)和长短期记忆神经网络(LSTM)的空间负荷预测方法。基于3σ准则对每个Ⅰ类元胞的实测负荷数据进行奇异值检测和处理;运用CEEMDAN技术将处理后的Ⅰ类元胞负荷数据分解为若干个频率和幅值均不同的本征模态函数(IMF);分别对每个IMF分量构建LSTM模型进行预测;将所有IMF分量预测结果进行线性叠加,得到目标年基于Ⅰ类元胞的空间负荷预测结果,在此基础上使用空间电力负荷网格化技术求得基于Ⅱ类元胞的空间负荷预测结果。算例分析结果验证了所提方法的正确性和有效性。     

基于变分模态分解和多模型融合的用户级综合能源系统超短期负荷预测

针对用户级综合能源系统(integrated energy system,IES)多元负荷波动性和随机性较强、精确预测难度较大的问题,提出了一种基于变分模态分解(variationalmode decomposition,VMD)和多模型融合的超短期负荷预测方法。首先采用VMD将IES各类负荷序列分解成不同的本征模态函数(intrinsicmodefunction,IMF);然后将各IMF结合气象信息构造不同的特征集,分别输入支持向量回归机(support vector regression,SVR)、长短期记忆(long short-term memory,LSTM)网络和一维卷积神经网络(one-dimensional convolutional neural network,1DCNN)进行预测;最后,将3个模型的预测结果输入SVR进行融合得到最终的预测值,并采用和声搜索(harmony search,HS)算法优化SVR的参数。通过某用户级IES的实际数据对所提方法的有效性进行了验证,结果表明,所提出的多模型融合方法优于单模型预测方法,对电、冷、热负荷均具有最好的预测精度。     

基于VMD和奇异值能量差分谱的风机滚动轴承故障特征提取方法

风电机组轴承处于早期故障阶段时,故障特征信号微弱,受环境噪声及信号衰减的影响较大,因此轴承早期故障特征的提取一直是个难点。为了有效提取风机滚动轴承的故障特征,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值能量差分谱的特征提取方法。首先对轴承信号进行VMD分解得到一系列固有模态函数(Intrinsic Mode Function,IMF),然后选取敏感IMF进行奇异值分解,并利用奇异值能量差分谱选取有效奇异值进行信号重构,最后对重构信号进行包络谱分析,进而提取故障特征。实验分析结果验证了所述方法的有效性。     

基于优化的VMD-mRMR-LSTM模型的短期负荷预测

随着智能电网技术的发展和电力市场的推进,用电模式的复杂性逐渐凸显,对短期负荷预测的精度和稳定性提出了更高的要求.针对传统负荷预测方法缺少对时序数据相关性、特征值的全面考虑等问题,提出一种基于优化的变分模态分解、最小冗余最大相关性与长短期记忆神经网络的组合预测模型.首先,将波动性高的负荷序列分解为一组相对平稳的模态分量,...     

基于VMD和GP的短期风电功率置信区间预测

传统风电点预测算法无法对风机出力的不确定性、随机性、波动性做出定量描述,提出一种基于变分模态分解(VMD)和高斯过程(GP)的区间预测方法,其意义在于能预测一定置信度下的短期风电功率波动区间。该方法利用变分模态分解算法将风功率序列分解为一系列不同带宽的模态分量以降低其非线性,对全部子模态分别建立高斯过程模型,最后叠加每个子模态预测结果得到风功率的置信区间。算例结果表明,与其他常规分解算法相比,该组合模型可以有效提高预测精度和预测区间覆盖率,减小预测区间宽度,具有一定的实用价值。     

基于二层分解的PSO-LSTM模型风电功率超短期预测

为提升风电功率预测精度,提出基于二层分解技术和粒子群优化长短期记忆（PSO-LSTM）神经网络组合的超短期风电功率预测模型。对风电功率原始数据,采用快速集合经验模态分解（FEEMD）方法将其分解为一系列本征模态函数（IMF）分量和余项,针对高频分量采用变分模态分解（VMD）进行二层分解。运用样本熵来解决分量个数过多、计算量繁杂的问题。通过偏自相关函数(PACF)筛选出与预测值关联程度高的元素确定输入维数。最后,选用PSO来优化LSTM相关参数建立预测模型并叠加获得最终值。试验结果表明,该组合模型有效提高了预测精度。     

基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归（support vector regression,SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization,PSO）用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。     

基于完整自适应噪声集成经验模态分解的LSTM-Attention网络短期电力负荷预测方法

短期电力负荷预测在电网安全运行和制定合理调度计划方面发挥着重要作用。为了提高电力负荷时间序列预测的准确度,提出了一种由完整自适应噪声集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和基于注意力机制的长短期记忆神经网络(long short-term memory network based on attention mechanism, LSTM-Attention)相结合的短期电力负荷预测模型。完整自适应噪声集成经验模态分解有效地将负荷时间序列分解成多个层次规律平稳的本征模态分量,并通过神经网络模型预测极大值,结合镜像延拓方法抑制边界效应,提高分解精度,同时基于注意力机制的长短期记忆神经网络自适应地提取电力负荷数据输入特征并分配权重进行预测,最后各预测模态分量叠加重构后获得最终预测结果。通过不同实际电力负荷季节数据分别进行实验,并与其他电力负荷预测模型结果分析进行比较,验证了该预测方法在电力负荷预测精度方面具有更好的性能。     

基于EMD-IPSO-LSTM模型的短期电力负荷预测

准确地预测短期负荷为发电厂电力调度提供依据,提高电力系统的经济性。由于负荷数据的非线性非平稳性,提出一种经验模态分解-改进粒子群算法-长短期记忆(EMD-IPSO-LSTM)的预测模型。首先,利用EMD处理非线性的负荷序列,将序列分解为多个本征模态函数(IMF)以及残差(Res),引入非线性递减分配方法和正弦函数分别改进粒子群算法(PSO)的惯性权重和学习因子,可以更有效地寻找LSTM参数的最优解。其次,利用IPSO优化LSTM的第1层神经元个数、损失率、以及批量大小等参数,将所有IMF和Res分为高、中,低频三组分量,并代入优化后的LSTM网络进行预测,叠加获取最终的预测结果。最后,以GEFCom2014预测竞赛电力负荷数据集进行仿真实验,并且对LSTM、IPSO-LSTM、EMD-PSO-LSTM这3种模型作比较,结果表明所提的预测模型具有较高的预测精度。     

基于贝叶斯优化的VMD-GRU短期风电功率预测

为提高风电功率预测精度,提出了一种基于贝叶斯优化的变分模态分解(variationalmodedecomposition,VMD)和门控循环单元(gatedrecurrentunit, GRU)相结合的风电功率预测方法。首先使用VMD算法对风电功率序列进行分解,并根据排列熵(permutation entropy, PE)的大小来确定序列分解的最佳模态数。然后将分解后得到的子序列分量与关键气象变量数据结合构成模型输入特征。使用GRU网络对各个子序列分量分别进行预测,并将各个子序列分量的预测结果进行重构得到风电功率预测结果。最后采用贝叶斯优化方法对各个子序列预测模型的网络初始超参数进行优化。采用某风电场的风电数据对所提模型进行验证,并与其他6种模型进行性能对比。结果表明,基于贝叶斯优化的VMD-GRU预测模型明显优于其他模型,具有较好的泛化能力,能够有效提高风电功率预测精度。     

基于WD-LSSVM-LSTM模型的短期电力负荷预测

为了提高短期负荷预测精度,提出一种基于小波分析、粒子群优化(PSO)算法、最小二乘支持向量机（LSSVM）和长短时记忆网络（LSTM）的预测模型。该方法通过对用电负荷进行小波分解和重构得到与原始数据长度相同的分量,对低频分量建立LSSVM预测模型并利用PSO算法找出最优参数,对高频分量建立LSTM预测模型,将各分量预测结果组合实现最终的负荷预测。实验结果表明,该模型预测精度优于传统LSSVM模型、BP神经网络模型和WD-LSSVM模型,验证了其可行性。     

集成经验模态分解与深度学习的用户侧净负荷预测算法

随着用户侧分布式能源发电容量增长,配电网净负荷需求预测面临着更大困难.为此,提出一种改进的自适应噪声的完全集成经验模态分解(CEEMDAN)和深度信念网络(DBN)结合的用户侧净负荷预测方法.首先,通过CEEMDAN将原始净负荷数据分解为若干个频率、幅值不一的本征模态函数(IMF).然后,配合机器学习智能算法,使用DBN逐一对各个IMF分量进行特征提取和时序预测.最后,将多个目标预测结果累加得到最终用户侧短期净负荷预测结果.采用某地区实际数据进行算例分析,验证了所提CEEMDAN-DBN独立预测模型与直接预测相比,能够辨识各频率负荷分量特性,提高分布式能源与负荷耦合性增强背景下的负荷预测精度.     

基于经验模态分解与特征相关分析的短期负荷预测方法

提出了一种基于经验模态分解与特征相关分析的短期负荷预测新方法。该方法从分解负荷序列入手,采用经验模态分解将原始负荷时间序列分解成不同频率的本征模函数(IMF)分量和残差分量,以弱化复杂影响因素环境下原始序列的波动性,获取更具规律性的分量。然后运用最小冗余度最大相关性标准(mRMR)技术分析各IMF分量和日类型、天气、电价等特征信息之间的相关性,获得最佳特征集。最后采用基于智能算法的最小二乘支持向量机(LSSVM)负荷预测模型对各经验模态分量进行预测,并将各分量预测结果叠加得到最终负荷预测值。以某电网实际数据进行算例分析,结果表明所提出的组合模型能够更准确地对外部因素敏感的短期负荷进行预测。