[发明专利]变分模态分解与深度信念网络的短期负荷预测方法

摘要

本发明公开一种基于变分模态分解与深度信念网络的短期负荷预测方法，包括以下步骤1)采用变分模态分解方法将原始历史负荷数据分解为一系列特征互异的模态函数；2)采用近似熵计算各模态函数复杂度，将近似熵值相近的模态函数合并为新分量，并对每个分量进行特征分析；3)为计算影响因素与输出变量间的相关性，需要对数据进行归一化处理；4)结合负荷的周期特性，采用互信息理论从历史负荷、气象因素、日期类型等角度选取输入变量集合；5)构建基于深度信念网络(deep belief network,DBN)的短期负荷预测方法，通过提前24h负荷预测场景验证本发明方法有效性。本发明提供方法有效地提高了短期负荷预测精度，能够较好地解决电力系统负荷预测问题。

主权项

一种基于变分模态分解与深度信念网络的短期负荷预测方法，其特征在于：包括以下步骤：(1)获取电力系统负荷预测所需的基本数据：历史负荷数据、气象数据、预测日日期类型数据；(2)采用变分模态分解方法将原始历史负荷数据分解为一系列特征互异的模态函数；(3)采用近似熵计算各模态函数复杂度，将近似熵值相近的模态函数合并为新序列，形成随机分量、细节分量和趋势分量，并对每个分量进行特征分析；(4)为计算影响因素与输出变量间的相关性，需要对数据进行归一化处理，以消除物理量纲的不同；(5)结合负荷的周期特性，对不同分量分别采用互信息理论从历史负荷、气象因素、日期类型等角度选取输入变量集合；(6)构建基于深度信念网络的短期负荷预测方法，并通过提前24h负荷预测场景验证本发明方法的有效性。