基于多尺度分量特征学习的用户级超短期负荷预测
文档名：基于多尺度分量特征学习的用户级超短期负荷预测
摘要：针对用户级负荷波动性强,一步分解后数据维度增加导致运行效率降低以及精度提升有限等问题,该文提出一种新的多尺度分量特征学习框架,用于用户级超短期负荷预测.构建基于自适应噪声的完整经验模态分解(completeensembleempiricalmodedecompositionwithadaptivenoise,CEEMDAN)、排列熵(permutationentropy,PE)以及变分模态分解(variationalmodedecomposition,VMD)的自适应二次模态分解框架,捕捉周期性等时序特征,并降低其非平稳特性;采用多维特征融合的方式挖掘各本征模态函数之间的耦合关系,丰富特征信息;利用改进的多尺度空间注意力(multiscalespatialattention,MSA)模块沿时间、空间以及通道等多尺度提取时空特征及多分量间耦合关系,进而便于卷积神经网络(convolutionalneuralnetwork,CNN)学习多分量特征.基于江苏省南京市房地产业、教育业以及商务服务业共12位用户的实际负荷数据进行算例分析,各行业平均绝对百分误差分别为5.82％、4.54％以及8.78％,与效果最好的对照模型相比,分别降低了10.46％、6％以及7.48％,验证了该文模型具有较高的预测精度和良好的泛化性能.
Abstract：Consideringthehighvolatilityofuser-levelloadandlowoperationefficiencyorlimitedaccuracyimprovementcausedbyincreaseddatadimensionafterone-stepdecomposition,anovelmulti-scalecomponentfeaturelearningframeworkisproposedforforecastinguser-levelload.Anadaptivequadraticmodaldecompositionframeworkbasedoncompleteensembleempiricalmodedecompositionwithadaptivenoise(CEEMDAN),permutationentropy(PE),andvariationalmodedecomposition(VMD)isconstructedtocapturetemporalfeaturessuchasperiodicityandreducetheirnon-stationarycharacteristics.Themulti-dimensionalfeaturefusionmethodexploresthecouplingrelationshipamongintrinsicmodefunctionsandenrichesthefeatureinformation.Theimprovedmultiscalespatialattention(MSA)moduleextractsspatiotemporalfeaturesandmulti-componentcouplingrelationsalongmultiplescalessuchastime,space,andchannel,thusfacilitatingtheconvolutionalneuralnetwork(CNN)tolearnmulti-componentfeatures.Basedontheactualloaddataof12usersintherealestateindustry,educationindustry,andbusinessserviceindustryinNanjing,JiangsuProvince,theaverageabsolutepercentageerroris5.82％,4.54％,and8.78％,respectively,whichisreducedby10.46％,6％and7.48％comparedwiththebestcomparisonmodel.Itisverifiedthattheproposedmodelhashighpredictionaccuracyandgoodgeneralizationperformance.
作者：臧海祥 陈玉伟 程礼临 朱克东 张越 孙国强 卫志农 Author：ZANGHaixiang CHENYuwei CHENGLilin ZHUKedong ZHANGYue SUNGuoqiang WEIZhinong
作者单位：河海大学电气与动力工程学院,江苏省南京市211100中国电力科学研究院有限公司(南京),江苏省南京市210003
刊名：电网技术 ISTICEIPKU
Journal：PowerSystemTechnology
年，卷(期)：2024, 48(6)
分类号：TM721
关键词：负荷预测卷积神经网络自适应二次模态分解多尺度空间注意力机制
Keywords：loadforecastingCNNadaptivequadraticmodaldecompositionMSA
机标分类号：TP391P631TP183
在线出版日期：2024年7月1日
基金项目：基于多尺度分量特征学习的用户级超短期负荷预测[
期刊论文]电网技术--2024, 48(6)臧海祥陈玉伟程礼临朱克东张越孙国强卫志农针对用户级负荷波动性强,一步分解后数据维度增加导致运行效率降低以及精度提升有限等问题,该文提出一种新的多尺度分量特征学习框架,用于用户级超短期负荷预测.构建基于自适应噪声的完整经验模态分解(completeensembl...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于多尺度分量特征学习的用户级超短期负荷预测User Level Ultra-short-term Load Forecasting Based on Multi-scale Component Feature Learning
基于多尺度分量特征学习的用户级超短期负荷预测.pdf
页:
[1]