本發(fā)明屬于輸電網(wǎng)負(fù)荷預(yù)測(cè)領(lǐng)域，具體地，涉及一種基于二次模態(tài)分解和改進(jìn)麻雀算法的小水電負(fù)荷預(yù)測(cè)方法。

背景技術(shù)：

1、隨著電網(wǎng)規(guī)模不斷擴(kuò)大，電力輸入越來(lái)越多樣化，可再生能源所占的比重越來(lái)越大。比如水電、風(fēng)電、光伏及其生物發(fā)電等，不過(guò)它們的弊端也很明顯，都在于發(fā)電量不可控，加大了負(fù)荷預(yù)測(cè)的難度。對(duì)于可再生能源中排名第二的水電發(fā)電，它因其投資低，周期短，維護(hù)簡(jiǎn)單，電價(jià)穩(wěn)定等優(yōu)點(diǎn)被廣泛使用。在一些水資源豐富的地區(qū)，小水電發(fā)電量非常充裕，不僅能夠滿足當(dāng)?shù)氐呢?fù)荷，還并入了大電網(wǎng)。但也因其調(diào)節(jié)能力差，不同降雨量條件下小水電出力變化較大，并且還存在豐水期和枯水期，給地區(qū)網(wǎng)供負(fù)荷曲線的準(zhǔn)確預(yù)測(cè)帶來(lái)了很大困難。

2、目前，國(guó)內(nèi)外負(fù)荷預(yù)測(cè)的方法主要分為數(shù)學(xué)統(tǒng)計(jì)模型預(yù)測(cè)法和人工智能預(yù)測(cè)法兩大類。其中，基于傳統(tǒng)數(shù)學(xué)統(tǒng)計(jì)模型的預(yù)測(cè)方法包括時(shí)間序列法、指數(shù)平滑法、多元線性回歸、灰色模型法，這類方法的優(yōu)點(diǎn)是模型構(gòu)造簡(jiǎn)單，計(jì)算速度較快；人工智能方法包括人工神經(jīng)網(wǎng)絡(luò)法和支持向量機(jī)等。統(tǒng)計(jì)模型預(yù)測(cè)和人工智能預(yù)測(cè)兩種類型方法均在負(fù)荷預(yù)測(cè)領(lǐng)域有對(duì)應(yīng)的研究成果，其中針對(duì)多小水電地區(qū)的負(fù)荷預(yù)測(cè)研究還較為少見(jiàn)。已有為數(shù)不多的相關(guān)研究是采用氣象回歸短期負(fù)荷預(yù)測(cè)和兩階段還原負(fù)荷預(yù)測(cè)等方法。但大部分的研究都不夠深入細(xì)致。當(dāng)前，小水電發(fā)電負(fù)荷基本是依靠預(yù)測(cè)工作人員的經(jīng)驗(yàn)來(lái)制定曲線的，但是準(zhǔn)確率并不是很高。因此，迫切需要一種針對(duì)多小水電地區(qū)的精細(xì)化負(fù)荷預(yù)測(cè)方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種基于二次模態(tài)分解和改進(jìn)麻雀算法的小水電負(fù)荷預(yù)測(cè)方法，能夠針對(duì)小水電的特性進(jìn)行較高精度的負(fù)荷預(yù)測(cè)。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明所采用的技術(shù)方案是：一種基于二次模態(tài)分解和改進(jìn)麻雀算法的小水電負(fù)荷預(yù)測(cè)方法，包括以下步驟：

3、s1、數(shù)據(jù)分析與處理，包括以下步驟：

4、s1.1、利用變分模態(tài)分解對(duì)負(fù)荷數(shù)據(jù)進(jìn)行一次分解得到模態(tài)分量和殘差序列；

5、s1.2、通過(guò)采用改進(jìn)的自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)殘差進(jìn)行二次分解；

6、s1.3、計(jì)算由s1.2二次分解后所有模態(tài)分量的排列熵，根據(jù)設(shè)置的閾值，篩選出低、中頻分量并進(jìn)行重構(gòu)；

7、s2、搭建雙向門控循環(huán)單元網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型，利用基于螢火蟲改進(jìn)的麻雀算法對(duì)雙向門控循環(huán)單元網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型進(jìn)行參數(shù)尋優(yōu)，通過(guò)尋優(yōu)后的雙向門控循環(huán)單元網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型對(duì)步驟s1.3中篩選出的低、中頻分量進(jìn)行預(yù)測(cè)，將低頻和中頻的預(yù)測(cè)值疊加即為最終預(yù)測(cè)值。

8、本發(fā)明提供的一種基于二次模態(tài)分解和改進(jìn)麻雀算法的小水電負(fù)荷預(yù)測(cè)方法，具有以下有益效果：

9、1、本發(fā)明提出了一種基于二次分解重構(gòu)和改進(jìn)麻雀算法的小水電負(fù)荷短期預(yù)測(cè)模型。所提模型通過(guò)二次分解重構(gòu)完成對(duì)低、中頻成分的提取和高頻信號(hào)的剔除，并通過(guò)fassa-bigru的組合模型進(jìn)行預(yù)測(cè)。

10、2、所提出的二次分解重構(gòu)降噪策略實(shí)現(xiàn)了對(duì)負(fù)荷數(shù)據(jù)的更為精細(xì)的分解并有效剔除了數(shù)據(jù)中的高頻噪聲，通過(guò)比較分析，該策略通過(guò)提取數(shù)據(jù)中的有效信息大大提升了后續(xù)預(yù)測(cè)模型的精度。

11、3、通過(guò)改進(jìn)麻雀算法(fassa)針對(duì)重構(gòu)后的不同頻率分量進(jìn)行超參數(shù)尋優(yōu)，針對(duì)性的建立基于bigru模型用于預(yù)測(cè)小水電負(fù)荷預(yù)測(cè)模型，通過(guò)與多組模型的比較，證明了fassa-bigru可以有效地完成小水電負(fù)荷預(yù)測(cè)的任務(wù)，在保證精度的同時(shí)擁有極快的速度，展示fassa-bigru在小水電負(fù)荷預(yù)測(cè)方面的能力。

12、4、通過(guò)多組預(yù)測(cè)模型的比較研究，本發(fā)明所提模型的mape、rmse、mae預(yù)測(cè)誤差均小于對(duì)比模型，證明該方法在小水電負(fù)荷預(yù)測(cè)方面具有優(yōu)越的預(yù)測(cè)精度。

技術(shù)特征：

1.一種基于二次模態(tài)分解和改進(jìn)麻雀算法的小水電負(fù)荷預(yù)測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于二次模態(tài)分解和改進(jìn)麻雀算法的小水電負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟s1.1中，變分模態(tài)分解中，原序列與所有模態(tài)分量總和的差值為vmd殘差，公式如下：

3.根據(jù)權(quán)利要求1所述的一種基于二次模態(tài)分解和改進(jìn)麻雀算法的小水電負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟s1.1中，變分模態(tài)分解包括以下步驟：

4.根據(jù)權(quán)利要求1所述的一種基于二次模態(tài)分解和改進(jìn)麻雀算法的小水電負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟s1.2中，采用改進(jìn)的自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)殘差進(jìn)行二次分解，定義vmd殘差的原始信號(hào)為y，wi為高斯白噪聲，ek(·)為信號(hào)經(jīng)經(jīng)驗(yàn)?zāi)B(tài)分解后的k階模態(tài)分量，n(·)為產(chǎn)生信號(hào)的局部均值，則改進(jìn)的自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解算法包括以下步驟：

5.根據(jù)權(quán)利要求1所述的一種基于二次模態(tài)分解和改進(jìn)麻雀算法的小水電負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟s1.3中，模態(tài)分量的排列熵計(jì)算包括以下步驟：

6.根據(jù)權(quán)利要求1所述的一種基于二次模態(tài)分解和改進(jìn)麻雀算法的小水電負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟s2中，利用基于螢火蟲改進(jìn)的麻雀算法對(duì)雙向門控循環(huán)單元網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型進(jìn)行參數(shù)尋優(yōu)，包括以下步驟：

7.根據(jù)權(quán)利要求6所述的一種基于二次模態(tài)分解和改進(jìn)麻雀算法的小水電負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟s2.2中，選取適應(yīng)值大的前s個(gè)作為搜索者，剩余的為追隨者和偵察者，搜索者的比例為20％，追隨者比例為70％，其余為偵察者。

技術(shù)總結(jié)
本發(fā)明屬于輸電網(wǎng)負(fù)荷預(yù)測(cè)領(lǐng)域，具體提供一種基于二次模態(tài)分解和改進(jìn)麻雀算法的小水電負(fù)荷預(yù)測(cè)方法，包括利用變分模態(tài)分解對(duì)負(fù)荷數(shù)據(jù)進(jìn)行一次分解得到模態(tài)分量和殘差序列；通過(guò)采用改進(jìn)的自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)殘差進(jìn)行二次分解；計(jì)算分解后所有模態(tài)分量的排列熵，根據(jù)設(shè)置的閾值，篩選出低、中頻分量并進(jìn)行重構(gòu)；搭建雙向門控循環(huán)單元網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型，利用基于螢火蟲改進(jìn)的麻雀算法對(duì)雙向門控循環(huán)單元網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型進(jìn)行參數(shù)尋優(yōu)，通過(guò)尋優(yōu)后的雙向門控循環(huán)單元網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型對(duì)篩選出的低、中頻分量進(jìn)行預(yù)測(cè)，將低頻和中頻的預(yù)測(cè)值疊加即為最終預(yù)測(cè)值。該預(yù)測(cè)方法能夠針對(duì)小水電的特性進(jìn)行較高精度的負(fù)荷預(yù)測(cè)。

技術(shù)研發(fā)人員：舒征宇,趙化達(dá),劉文燦,談一洋,黃啟昀,付軍軍,趙發(fā)金
受保護(hù)的技術(shù)使用者：三峽大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/10