申请/专利权人:安徽理工大学
申请日:2022-06-10
公开(公告)日:2024-06-14
公开(公告)号:CN114912545B
主分类号:G06F18/241
分类号:G06F18/241;G06F18/214;G06N3/04;G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2024.06.14#授权;2022.09.02#实质审查的生效;2022.08.16#公开
摘要:本发明公开了基于优化VMD算法和DBN网络的电力负荷分类方法,其特征在于,包括:获取多个负荷在采样周期内的电力负荷数据,并对电力负荷数据进行预处理;通过优化VMD算法对预处理后的电力负荷数据进行分解,并从分解向量中提取特征向量;将特征向量输入至训练后的DBN神经网络中进行负荷分类;通过该方法可以将优化VMD算法和DBN神经网络相结合,从而实现对用电负荷进行精准分类。
主权项:1.基于优化VMD算法和DBN网络的电力负荷分类方法,其特征在于,包括:S1、获取多个负荷在采样周期内的电力负荷数据,并对所述电力负荷数据进行预处理;S2、通过优化VMD算法对预处理后的电力负荷数据进行分解,并从分解向量中提取特征向量;S3、将所述特征向量输入至训练后的DBN神经网络中进行负荷分类;所述S2具体包括:S21、通过优化VMD算法,基于预处理后的电力负荷数据构造约束变分问题;S22、引入拉格朗日乘子和惩罚因子,将所述约束变分问题转化为无约束问题;S23、对所述无约束问题进行迭代求解,获得所述电力负荷数据的特征向量;所述S21具体包括:S211、通过优化VMD算法将所述预处理后的电力负荷数据分解为K个模态分量;S212、对所述K个模态分量对应的函数分别进行Hilbert变换,获得对应的K个单边频谱;S213、分别将每个所述模态分量的预设中心频率与每个所述函数经傅里叶变换后的形成的旋转矢量进行混合,实现将每个对应的单边频谱移至基频带;S214、获取移至基频带后每个单边频谱的梯度平方范数,并计算出所述K个模态分量的宽带;S215、基于所述K个模态分量的宽带构造约束变分问题;在所述步骤S211中,优化VMD算法定义时间序列非平稳性,即: 式中,ft表示时间序列;表示相位且Akt表示包络线,且Akt≥0。
全文数据:
权利要求:
百度查询: 安徽理工大学 基于优化VMD算法和DBN网络的电力负荷分类方法
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。