申请/专利权人：南京理工大学

申请日：2021-08-26

公开（公告）日：2024-05-17

公开（公告）号：CN113705885B

主分类号：G06Q10/0637

分类号：G06Q10/0637;G06Q50/06;H02J3/00;G06N3/0464;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.05.17#授权;2021.12.14#实质审查的生效;2021.11.26#公开

摘要：一种融合VMD、XGBoost及TCN的配电网电压预测方法及系统，属于配电网电压预测技术领域，解决如何提高现有技术中配电网电压预测精度低的问题；本发明的技术方案根据新能源接入配电网的情况、电压数据的特点，分别从数据采集、数据特征以及预测精度三个方面入手，采用VMD将电压时间序列分解为多个子信号模态，降低数据的非平稳性；利用XGBoost对影响电压的多个特征因素进行选择，避免单一特征重要性度量的局限性，优化输入TCN的数据，叠加预测结果实现电压预测输出，提高预测精度；三种算法的融合使得对配电网电压预测的误差更小，提高预测了的准确性和效率。

主权项：1.一种融合VMD、XGBoost及TCN的配电网电压预测方法，其特征在于，包括以下步骤：S1、对原始配电网电压时间序列数据进行采集，对数据缺失部分运用三次样条插值法进行填充处理，得到完整的全时间序列数据，将原始特征数据采用最大最小区间缩放法进行处理，得到各特征的无量纲化数据，使得原始特征数据范围变换到[0,1]区间内；S2、将处理后的时间序列数据通过VMD进行分解处理，通过中心频率法确定最终的子信号模态个数；所述的中心频率法的公式如下： 其中，η表示迭代的数量，h为分量个数，vh表示电压序列分解子模态，ωhη+1为当前模态函数功率谱的重心，为vht的傅里叶变换；S3、运用XGBoost算法对所有特征进行选择，选出对预测结果贡献最高的各类型特征向量，构成最佳特征子集，配合各个子模态输入TCN时间卷积神经网络，将输出的各个电压预测子序列进行叠加，得到最终的电压预测结果；具体如下：S31、利用XGBoost算法对所有特征进行选择，选出对预测结果贡献最高的各类型特征向量，构建最佳特征子集，特征向量如下式：xg＝[VgPgTg]5其中，Vg表示节点电压，Pg表示净功率向量，Tg表示时间特征向量，g为样本编号0gh；同时，构建其训练样本集合ST如下式： 其中，yg为样本标签，ψ为训练样本数量；选取特征分割点作为叶子节点，每个叶子节点的权值表示为wgi,hi，其中： 式中，为训练误差，yi为目标值，为预测值；S32、在找到对输出电压具有较大影响的功率P、时间T等变量集合后，对于历史数据特征进行提取，将g组电压特征向量V1，V2，V3，……，Vg和对应节点净功率特征向量P分g次放置在卷积层的两个通道中，然后输入到TCN网络中，进行特征提取操作；经过TCN残差模块提取到的输出为特征矩阵，设该矩阵为E，其维度为输入序列长度*卷积核个数；取各个卷积核提取的序列最后一个时间点值为特征向量F，如下式： 其中，ε表示神经元序号，fb为卷积核中的第b个元素；χε-d.b为与卷积核中元素对应相乘的序列元素；S33、与时间特征T串联，连接到具有一个全连接隐藏层的神经网络进行输出，输出层维度为1，输出电压预测值其中0ξg；将g组电压预测子序列进行叠加，如下式： 其中，为电压预测值。

全文数据：

权利要求：

百度查询： 南京理工大学 一种融合VMD、XGBoost及TCN的配电网电压预测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD