买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆邮电大学

摘要：本发明请求保护一种结合VMD分解和时间卷积网络的短期电力负荷预测方法，首先使用变分模态分解VMD对原始负荷数据进行处理，将负荷序列分解得到多个本征模态函数IMF,以降低神经网络预测模型输入数据的复杂程度。然后，分别计算各个IMF分量的样本熵SE，将相近样本熵值的分量合并为一个新的序列，以减少所需训练的模型数量，最后利用时间卷积网络TCN来拟合各个序列的历史数据和预测数据的非线性关系，并叠加各模型的预测结果得到最后的预测值。本发明相比于其他负荷预测传统方法，具有更高的预测精度。

主权项：1.一种结合VMD分解和时间卷积网络的短期电力负荷预测方法，其特征在于，包括以下步骤：对原始电力负荷数据进行数据清洗、归一化在内的数据预处理；对负荷序列采用变分模态VMD分解得到分解序列；计算各分解序列的样本熵，将样本熵值相似的模态分量合并组成新的分量；对合并后的新分量进行归一化处理，将负荷数据映射到[0,1]之间，利用滑动窗口构建时间序列输入输出标签对，输入输出标签对用于训练模型；构建时间卷积网络短期电力负荷预测模型，并采用Adam优化器来调节网络权重参数，寻找网络最优值；所述计算各分解序列的样本熵，将样本熵值相似的模态分量合并组成新的分量，具体包括：利用样本熵来评估各个分量的复杂度，样本熵的值越低，序列的相似性就越高，复杂度越低，对于由N个点组成的时间序列{xn}＝x1,x2,…xN,样本熵的计算方法如下：1按序号组成一组维数为m的向量序列，Xm1,…,XmN-m+1,其中Xmi＝{xi,xi+1,…,xi+m-1},1≤i≤N-m+1；xi，xi+m-1分别表示原始序列中第i个和第i+m-1个点；2定义向量Xmi与Xmj之间的距离d[Xmi,Xmj]为两者对应元素中最大差值的绝对值；d[Xmi,Xmj]＝maxk＝0,…m-1|xi+k-xj+k|73给定阈值r,记录d[Xmi,Xmj]r的j的数目，记作Bi，对于1≤i≤N-m,把Bi与N-m+1的比值记为： 4对所有求平均值得到： 5增加维数到m+1,计算Xm+1i与Xm+1j距离小于等于r的个数，记作Ai，定义为： 6定义Amr为： Bmr和Amr分别为序列对m和m+1点的匹配概率，此时样本熵定义为： 当N取有限值时，样本熵的估计值为： 所述构建时间卷积网络短期电力负荷预测模型，具体包括：时间卷积网络TCN中融入了因果卷积模块、扩张卷积模块和残差连接模块，因果卷积模块用于保证时间约束按照时间先后顺序进行卷积操作，即时刻t的值只取决于前一层网络在t时刻和t时刻之前的值；此外，为了学习到更长的时序依赖、避免历史数据信息的丢失，TCN使用了扩张卷积模块，在不做池化的情况下增大感受野的大小，使每个卷积输出更大范围的信息；同时，TCN添加了残差连接模块，即输入数据直接跳过中间的卷积操作，经过1×1的卷积处理到与输出相同的维度后与输出数据相加，其结果作为本层最终的输出数据；TCN采用残差块进行堆叠，一个残差块由因果卷积、扩张卷积、权重归一化、激活函数、随机失活组成；在网络训练过程中，采用了Adam优化器来调节网络权重参数，寻找网络最优值。

全文数据：

权利要求：

百度查询： 重庆邮电大学 结合VMD分解和时间卷积网络的短期电力负荷预测方法