基于EMD和相关向量机的短期负荷预测

为提高电力负荷预测的准确性,提出一种基于经验模态分解EMD(empirical mode decomposition)与相关向量机RVM(relevant vector machine)的短期负荷预测方法。该方法利用EMD将目标负荷序列分解为若干个不同频率的固有模态分量I MF(intrinsic mode function),通过分析各个分量的特征规律,构造不同的RVM模型对各分量分别进行预测,再将各分量预测值通过RVM组合得到最终预测值。仿真结果表明,通过EMD分解,预测效果有显著改善,而RVM模型较之BP神经网络模型与SVM模型具有更高的预测精度。     

经验模态分解和遗传程序设计算法在短期负荷预测中的应用

负荷预测精度的高低关键因素之一取决于预测技术。为此,提出将经验模态分解和遗传程序设计算法相结合用于电力系统的短期负荷预测。具体预测过程是对负荷样本进行经验模态分解,然后对分解后的各本征模态分量分别利用遗传程序设计进行分时预测,并通过对各本征模态分量的预测结果进行重构来得到最终预测结果。预测结果的误差基本都在4%范围内,说明此方法能够满足实际预测要求,具有一定可行性。     

基于VMD-IPSO-LSSVM的短期风速预测

为了降低风速数据序列的波动性,提高短期风速预测精度,对风速数据序列进行变分模态分解(variational modal decomposition, VMD),采用改进粒子群(improved particle swarm optimization, IPSO)算法对最小二乘支持向量机(least squares support vector machines, LSSVM)进行参数寻优,建立基于VMD-IPSO-LSSVM的短期风速预测模型。利用VMD分解获得8个模态分量,对各分量分解建立IPSO-LSSVM预测模型,得到各分量预测值,将各分量预测值叠加获得风速预测值。采用实际风速数据进行算例分析,结果表明,VMD-IPSO-LSSVM模型对风速预测结果的平均相对误差为3.34%,均方根误差为0.239,预测精度高于其他短期风速预测模型,验证了VMD-IPSO-LSSVM模型在短期风速预测方面的准确性和优越性。     

基于经验模态分解与动态神经网络的短期负荷预测

提出了采用经验模态分解(EMD)、动态神经网络与BP型神经网络相结合的混合模型进行电力系统短期负荷预测的方法。首先运用EMD将非平稳的负荷序列分解,然后根据分解后各分量的特点构造不同的动态神经网络对各分量分别进行预测,最后对各分量预测结果采用BP网络进行重构得到最终预测结果。仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度。     

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VMD-ISSA-GRU组合模型的短期风电功率预测

为解决风速不确定性和波动性造成风电功率预测精度不高的问题,提出一种基于变分模态分解（VMD）、改进麻雀搜索算法（ISSA）和门控循环神经网络（GRU）的VMD-ISSA-GRU组合模型。首先,利用中心频率法确定采用VMD分解后的模态分量个数,这样有效避免了过分解或者分解不充分。其次引入混沌映射、非线性递减权重以及一个突变策略来改进麻雀搜索算法,用于优化门控循环神经网络,然后对分解得到的各个子序列建立ISSA-GRU预测模型,最后叠加每个子序列的预测值得到最终的预测值。将该模型用于实际风电功率预测,实验结果表明：VMD-ISSA-GRU组合模型的平均绝对误差、平均绝对百分比误差、均方根误差分别为1.211 8 MW、1.890 0及1.591 6 MW;相较于传统的GRU、长短时记忆（LSTM）神经网络、BiLSTM(Bi-directional LSTM)神经网络模型以及其他组合模型在预测精度上都有明显的提升,能很好地解决风电功率预测精度不高的问题     

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。     

基于经验模态分解和计量经济学模型及混沌模型的短期负荷预测

为提高短期电力负荷的预测精度,提出一种基于经验模态分解、计量经济学模型和神经网络混沌模型的组合预测方法.首先,利用经验模态分解将负荷序列分解成一系列本征模态函数及余项;其次,针对不同分量的特性,建立不同的模型进行预测;最后,将所有分量的预测值求和作为最终的预测结果.以美国宾夕法尼亚州-新泽西州-马里兰州(Pennsyl...     

基于经验模态分解和基因表达式程序设计的电力系统短期负荷预测

提出将经验模态分解(EMD)和基因表达式程序设计(GEP)算法相结合的EMD&GEP预测法应用于电力系统短期负荷预测中,消除负荷样本中的伪数据,并对负荷样本序列进行经验模态分解得到不同频段的本征模态分量(IMF)和负荷剩余分量.运用基因表达式程序设计算法的灵活表达能力,把分解得到的不同频段的各负荷本征模态分量及负荷剩余分量中所对应的不同日、同一时刻的负荷序列作为样本,进行分时预测.把各负荷本征模态分量和负荷剩余分量中相对应的预测结果进行重构,作为各时刻负荷的最终预测值.EMD克服了小波分析中小波基选取困难的不足,结果表明各负荷本征模态分量能较准确反映负荷特征,而且经比较,EMD&GEP预测法比小波分析和GEP算法相结合的预测方法具有更好的预测效果.     

基于 VMD-改进最优加权法的短期负荷变权 组合预测策略

为提升短期电力负荷预测精度,提出了一种变权组合预测策略。首先,为了降低负荷数据的不平稳度,使用变分模态分解(variational mode decomposition, VMD)将负荷数据分解成了高频、低频、残差3种特征模态分量。其次,充分计及负荷数据的时序特点,参考指数加权法原理设计自适应误差重要性量化函数,并结合组合模型在时间窗口内的历史负荷数据的均方预测误差设计改进最优加权法的目标函数和约束条件,以完成子模型的准确变权。最后,针对波动较强的高频分量选定极端梯度提升(XGBoost)和卷积神经网络-长短期记忆(CNN-LSTM)模型并使用改进最优加权法进行组合预测、低频分量使用多元线性回归(MLR)模型预测、残差分量使用LSTM模型预测,叠加各模态分量的预测结果,实现了短期负荷数据的准确预测。实验结果表明,使用策略组合模型的平均绝对百分比误差为4.18%。与使用传统组合策略的组合模型相比,平均绝对百分比预测误差平均降低了0.87%。     

基于ESMD和HT相结合的谐波检测新方法

针对现有的电力系统谐波信号检测方法精度不高的问题,以及研究较多的经验模态分解(EmpiricalMode Decomposition, EMD)在谐波检测中出现的模态混叠问题,结合极点对称模态分解(Extreme-pointSymmetricMode Decomposition, ESMD)理论和算法,提出基于ESMD和希尔伯特变换(HilbertTransform, HT)相结合的谐波检测新方法。首先对信号进行极点对称模态分解,得到一系列不同特征尺度的固有模态函数(IntrinsicModeFunction,IMF),再对IMF分量进行希尔伯特变换得到各谐波瞬时幅值和瞬时频率信息。该方法能够根据信号自身特征进行自适应分解,理论上由于扩展了IMF定义并采用内部插值方法,使得该方法具有简单、精度高的优势。仿真结果表明,该方法在谐波检测中自适应分解能力强,检测精度高,实时性好,并且能够在不添加噪声的情况下有效避免EMD方法在谐波检测中出现的模态混叠现象。     

变分模态分解在电力系统谐波检测中的应用

针对电能质量分析中的谐波检测问题,将变分模态分解(VMD)应用到电力系统谐波检测中。利用VMD对信号的频带划分能力,实现各谐波模态的有效分离。对谐波信号进行频谱预分析确定VMD模态分解数,采用Hilbert变换提取各谐波模态幅值、频率等特征信息,通过基于奇异值分解的扰动定位方法对暂态谐波起止时刻与幅值变化时刻进行准确定位。不同类型谐波信号仿真实验验证了该方法的有效性,在无噪声与较低信噪比情况下均具有较高检测精度,具有良好的噪声鲁棒性。     

快速迭代滤波分解方法在轴承故障诊断中的应用

轴承故障信号通常是非线性和非平稳的。此外,这种信号非常微弱,容易被不可避免的背景噪声和振动干扰所掩盖。针对该种信号,模态分解方法已经被证实是一种可靠的处理方法。因此,将一种快速迭代滤波分解方法应用到轴承故障检测当中。快速迭代滤波分解方法在抑制模态混合和抗噪方面表现出色。与其他模态分解技术不同,快速迭代滤波分解方法具有超高的计算效率,因此可以明显提高计算速度。通过仿真信号和实际信号验证了该方法的有效性和优越性。     

基于频域分段-时域反演法的抽水蓄能机组大波动过渡过程水压脉动信号分析

抽水蓄能机组大波动过渡过程中水压脉动信号包含大量的毛刺,表现出瞬时大幅跳变的特点,严重影响水压脉动最值的分析选择。针对该问题,本文提出一种频域分段-时域反演法,首先将时域水压脉动信号进行傅里叶变换以获取水压脉动信号的频谱特征,在频域根据设置的截止频率对水压脉动信号滤波,经快速傅里叶逆变换反演出滤除指定频段后的水压脉动信号。通过在频域滑动截止频率,提取水压脉动极值-滑动截止频率关系曲线,分析不同频段对水压脉动最值的敏感性,揭示滤波频率对水压脉动信号最值的影响。该方法应用于工程实际抽水蓄能机组水压脉动信号分析,为水压脉动最值的确定提供了有力论证。     

基于CEEMD-GRU模型的短期电力负荷预测方法

针对电力负荷序列不平稳、随机性强,直接输入模型会导致拟合效果差、预测精度低等问题,本文提出了一种基于添加互补白噪声的互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)以及门控循环单元神经网络(gated recurrent unit neural network, GRU)融合的预测方法。首先,针对传统经验模态分解(empirical mode decomposition, EMD)分解方法处理干扰信号大的序列时,存在的模态混叠问题,提出了CEEMD分解方法,加入互补白噪声,将原始序列分解成不同尺度的子序列,随后使用GRU神经网络,并优化网络超参数,从而获得最好的预测结果。通过实验证明,该方法重构误差小,预测效果好。     

基于CEEMDAN和HT的谐波检测新方法*

经验模态分解(EMD)作为希尔伯特-黄变换(HHT)的重要组成部分,为了克服其在谐波检测中出现的模态混叠、端点效应问题,提出采用自适应噪声完备集合经验模态分解(CEEMDAN)和希尔伯特变换(HT)相结合的谐波检测新方法。文章首先在理论上对比分析了EMD、EEMD以及CEEMDAN算法,研究CEEMDAN算法的特性。再用CEEMDAN算法对原始信号进行分解,得到固有模态函数(IMF)。最后用HT算法对每阶IMF分量进行分析,检测到谐波中包含的瞬时幅频信息。算例仿真结果表明,相对于HHT算法对信号的处理能力,文中提出的方法在谐波检测中有效地克服了EMD算法的弊端,提高了信号分解精度。     

二次分解组合 LSTM 的短期风电功率预测模型

随着风电在电力系统中的占比逐步提高,风电功率的精确预测对电力系统的安全稳定运行具有重要意义。然而,风电的随机性和间歇性极大地影响其功率的精确预测。为此,提出二次分解组合长短期记忆(LSTM)的短期风电功率预测模型。首先,采用经验模态分解(EMD)技术将原始风电序列分解为若干固有模态分量;再采用样本熵(SE)技术将各分量重组为高、中、低频3个序列,针对高频模态混叠再次采用麻雀搜索算法-变分模态分解(SSA-VMD)二次分解技术;最后,采用SSA算法对LSTM的参数进行寻优并完成风电功率预测。以湖北省某风电场对所提模型进行验证,并与其他模型进行对比。结果表明,所提模型的平均绝对误差(MAE)为5.79 kW,均方根误差(RMSE)为5.64 kW,平均百分比误差(MAPE)为17.38%,具有更好的预测精度。     

基于EMD和ELM的低压电弧故障识别方法的研究

针对低压配电线路负载端电弧故障电压具有较强的信号奇异性波形特征,利用低压串联电弧故障实验平台,采集若干典型的低压配电线路负载端故障电弧电压信号进行分析。采用经验模态分解(empirical mode decomposition,EMD)有效地提取反映电弧故障信号局部特性的本征模态函数(intrinsic mode function,IMF)分量,经分析IMF分量的方差贡献率确定前5阶IMF用于表征各类负载电弧故障主要特征信息,提取前5阶IMF分量能量比为特征向量作为极端学习机(extreme learning machine,ELM)的输入向量,建立不同负载电弧故障识别模型。实验与仿真结果表明,基于EMD分解和ELM相结合的故障电弧诊断方法,在有效提取不同负载电弧故障特征的基础上,实现了不同负载电弧故障的识别。     

经验模态分解理论在短期负荷预测中的应用

结合电力系统负荷的组成特点,采用经验模态分解理论进行分解和预测。经过实例仿真和分析,经验模态分解对建立精确的负荷模型有非常重要的作用,能够基本上体现负荷预测模型的组成分量,有利于提高短期负荷预测的精度。     

对采样数据序列进行时频分解法的改进

经验模态分解法(EMD变换),能够从采样数据序列中提取不同时间尺度波动曲线,以达到时频分解的目的。文章对经验模态分解法的重大改进,主要体现在零平均线的求取上,它无需求上、下包络线,而直接把N点原始数据按时间尺度分段压缩,再用3次样条函数光滑插值到N点,并以此作零平均线,从而得出分层模态分解,改进了Harr小波分解。