[发明专利]一种基于深度学习的牵引负荷超短期预测方法

说明书

牵引负荷的超短期预测是电气化铁路电能控制中的关键环节，针对牵引负荷随机波动性较强、跳变幅值较大和空载频繁的特点，本发明提供了一种集合小波变换(Discrete Wavelet Transform，DWT)、时间卷积网络(Temporal Convolutional Networks，TCN)以及支持向量回归(Support Vactor Regression，SVR)的DWT‑TCN‑SVR组合预测方法。首先利用小波分解法将牵引负荷时间序列分解成低频、中频、高频的子序列，然后使用TCN模型对低频和中频序列进行预测，使用SVR模型对高频部分进行预测，最后将各自预测所得结果叠加还原得到最终的预测结果。

技术领域

本发明涉及负荷预测技术领域，尤其涉及牵引负荷的超短期预测方法。

背景技术

随着我国电气化铁路地不断发展，现在的电气化铁路总长已经跃居世界第一位，但铁路的迅速发展也带来了负序、无功、谐波等影响。随着铁路向高速重载方向发展，无功和谐波已经不是主要问题，但负序的问题还有待进一步解决。而实现牵引负荷的精确预测，把握其未来不同时间尺度下的变化趋势，不仅可以缓解电能质量中的负序问题，还可以协助提高牵引供电系统可靠性。

针对于牵引负荷预测问题，相关学者首先提出了基于传统数学统计理论的预测模型，这种预测方法的优点是预测模型简单、计算过程简洁且预测速度较快，但其预测结果精度达不到使用要求。后来又有学者以此预测模型为基础，相继提出了一些改进型算法，如指数平滑法、整合移动平均自回归法等预测方法。但这些方法的本质是寻找数据之间的线性规律，而牵引负荷有着很强的随机波动性，且空载和负荷陡变的现象频繁，所以这些方法很难达到我们的预期效果，因此，针对于这种波动性很强的数据的预测问题成为了一大研究热点。而目前用的较多的是物理建模预测法，此方法是通过利用行车运行图来分析列车组运行过程中的运行工况，再结合实时的线路情况构建动态负荷计算模型。此方法优点是不但可以实时地反映线路中牵引负荷的消耗或反馈，还可以准确地模拟变电站之间牵引负荷的数量和位置；缺点是建模工作量很大、预测结果精度不够高、通用性较差。因此，现在需要一种高效且精确的牵引负荷超短期预测方法。

发明内容

本发明提供的一种牵引负荷超短期预测方法，该方法可解决传统预测方法预测精度不足，预测模型建立难度较大的问题，可获得满足工程实际要求的负荷预测结果。

为了实现上述目的，本发明采用如下的技术方案，包括：

获取牵引变电站日内的实测负荷数据；

使用离散小波分解模型(DWT)对负荷数据进行分解为若干个不同频率的子序列；

使用时间卷积网络模型(TCN)预测中、低序列，使用支持向量回归模型(SVR)预测高频序列；

将所得各序列预测结果求和。

进一步地，离散小波模型的相关数学表达式如下：

以母小波为基的积分连续小波变换：

其中，a为尺度因子，b为时间平移因子。由于牵引负荷的时间序列是离散的，所以要对其进行离散化处理：

(W_ψf)(a,b)＝＜f(t),ψ_a,b(t)＞ (2)

将a、b离散化，令a＝2^-j，b＝2^-jk，j,k∈Z，可得离散小波变换：

(DW_ψf)(j,k)＝＜f(t),ψ_j,k(t)＞ (3)

其中，j,k∈Z。

信号在小波空间的展开为：