基于变分模态分解和深度置信网络的短期负荷预测*

姚海强, 张 涛

(安徽大学 电气工程与自动化学院,安徽 合肥 230601)

0 引 言

短期负荷预测作为电网日常规划的基础,是电力安全运行不可或缺的重要部分[1]。随着电力的改革与发展,提升短期负荷预测的准确度成为该领域的研究者的首要任务,它对如何安排调度计划、电力系统可靠运行、经济利益最大化等有着重要意义[2]。

目前,围绕负荷序的时序性和非线性特点,短期负荷预测方法日新月异,主要包括有多元线性回归法[3]、 卡尔曼滤波法[4]、灰色理论法[5]、自回归积分滑动平均模型[6]、支持向量机[7]以及神经网络法[8]等,其中神经网络法应用较为广泛。文献[8]使用了深度置信网络(deep belief networks,DBN)网络对负荷序列进行训练预测,以逐层无监督预训练的方式获取网络的初始参数,解决了传统网络中存在的若干问题；具有好的初始点,对于经常出现在神经网络中的过拟合和欠拟合问题,也可以通过预训练得到有效解决。

但是对于波动性较强负荷序列来说,单一的预测方法获得的预测精度,已经无法满足现阶段的需求。近年来,各种组合预测方法广泛应用在短期负荷预测领域,其中,以经验模态分解(empirical mode decomposition,EMD)为主的分解方法能够实现对原始负荷数据的分解,实现平稳序列和非平稳序列相互分离的目的[9]。但是,EMD方法难以避免模态混叠现象产生,分解得到虚假的本征模态函数(intrinsic mode function,IMF),在预测时产生不利的影响。文献[10]利用变分模态分解(variational mode decomposition,VMD)将负荷数据分解为特征互异的IMF,减轻了模态混叠现象发生,有利于信号的进一步分析。……