配电网线损时间序列受高比例新能源接入的影响,呈现高度的非线性和波动性,面对此种类型的数据,使得常规的预测模型难以捕捉其变化趋势,预测值往往滞后于真实值变化,而模态分解再预测的处理方法能够较好地应对此问题。因此,该文提出了一...配电网线损时间序列受高比例新能源接入的影响,呈现高度的非线性和波动性,面对此种类型的数据,使得常规的预测模型难以捕捉其变化趋势,预测值往往滞后于真实值变化,而模态分解再预测的处理方法能够较好地应对此问题。因此,该文提出了一种基于缎蓝园丁鸟(satin bower birdoptimization algorithm,SBO)算法优化的二次模态分解和卷积双向长短期记忆神经网络的线损预测框架,以合理划分线损分量,并针对各分量设计预测模型开展预测。首先采用改进完全集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)对历史线损数据进行初次分解,得到各ICIMFn分量并计算其样本熵;对样本熵最高的ICIMF1利用经SBO优化的变分模态分解(variational mode decomposition,VMD)对其进一步分解,得到各VIMFn分量。其次,考虑分解后线损各分量受天气负荷等不同因素影响,依据最大互信息系数(maximal information coefficien,MIC),提取对各线损分量产生影响的主要因素,实现特征降维。最后,结合组合模型的各自特点,建立基于卷积双向长短期记忆神经网络(convolutional neural networks-Bidirectional long short term memory,CNN-BiLSTM)的预测模型,使用CNN对分解后的各分量进行特征提取,输入到BiLSTM中,建立时间特征关系,学习历史数据间的正、反向规律,最终输出线损预测结果。与现有方法相比较,所提方法在应对滞后效应的同时,提升了预测效率及精度,为精细化线损管理提供了数据支持。展开更多
文摘配电网线损时间序列受高比例新能源接入的影响,呈现高度的非线性和波动性,面对此种类型的数据,使得常规的预测模型难以捕捉其变化趋势,预测值往往滞后于真实值变化,而模态分解再预测的处理方法能够较好地应对此问题。因此,该文提出了一种基于缎蓝园丁鸟(satin bower birdoptimization algorithm,SBO)算法优化的二次模态分解和卷积双向长短期记忆神经网络的线损预测框架,以合理划分线损分量,并针对各分量设计预测模型开展预测。首先采用改进完全集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)对历史线损数据进行初次分解,得到各ICIMFn分量并计算其样本熵;对样本熵最高的ICIMF1利用经SBO优化的变分模态分解(variational mode decomposition,VMD)对其进一步分解,得到各VIMFn分量。其次,考虑分解后线损各分量受天气负荷等不同因素影响,依据最大互信息系数(maximal information coefficien,MIC),提取对各线损分量产生影响的主要因素,实现特征降维。最后,结合组合模型的各自特点,建立基于卷积双向长短期记忆神经网络(convolutional neural networks-Bidirectional long short term memory,CNN-BiLSTM)的预测模型,使用CNN对分解后的各分量进行特征提取,输入到BiLSTM中,建立时间特征关系,学习历史数据间的正、反向规律,最终输出线损预测结果。与现有方法相比较,所提方法在应对滞后效应的同时,提升了预测效率及精度,为精细化线损管理提供了数据支持。
