基于序列分解的母线负荷降噪预测方法

新型电力系统背景下,分布式电源和用户侧行为的多样性使母线负荷稳定性不足,对负荷短期预测提出了新的挑战。为此,提出一种基于序列分解的母线负荷降噪预测方法,将变分模态分解方法的构造与分解规则应用到母线负荷序列分解中,针对序列分解后的余项,利用局部加权回归方法进行平滑处理,实现母线负荷降噪预测。基于某地区母线负荷有功功率实测数据,构建循环神经网络对降噪后的母线负荷进行预测,结果表明该方法能够去除母线负荷序列噪声,序列趋于光滑且保留了原始母线负荷序列的特征,具有优良的预测曲线和精确的预测结果。

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。