一种基于深度学习的牵引负荷超短期预测方法
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：
(Wψf)(a,b)＝＜f(t),ψa,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：
(DWψf)(j,k)＝＜f(t),ψj,k(t)＞ (3)
其中，j,k∈Z。
信号在小波空间的展开为：
对公式(4)引入多分辨分析概念可得：
之后对其进行(J-j)次小波分解，将每次分解的尺度系数和小波系数记为：
可以很快得到尺度系数：
相应得到小波系数：
进一步地，支持向量回归模型相关数学表达如下：
给定训练样本集{(x1,y1),(x2,y2),…,(xN,yN)}，对其进行训练得到输出函数f(x)。
f(x)＝＜w,x＞+b (9)
当|f(xi)-yi|＞ε时，引入松弛变量ξi,ξi *，回归问题转化为优化问题：
其中，C为惩罚因子，C越大，则对于超出ε界限数据点的惩罚越大。
为求解式(10)的优化问题，引入拉格朗日函数：
根据拉格朗日对偶性可得：
因此，f(x)＝＜w,x＞+b可以转换为：
对其引入径向基核函数，把低维特征向量映射到高维空间中进行线性拟合。径向基核函数为：
K(xi,xj)＝exp(-γ||xi-xj||2) (14)
引入核函数变换，回归模型变为：
通过本发明提供的一种有源配电网日前动态无功优化方法，将日前动态无功优化问题的求解转换为两次全天静态无功优化问题的求解，将求解强时空耦合的混合整数规划问题转换为求解只含连续变量的非线性规划问题，极大降低了日前动态无功优化的求解难度。该方法既可满足电容器组全天最大投切次数约束，在此基础上，解决了无功优化过程中分布式电源与传统无功补偿装置的无功出力协调问题，可获得满足工程实际要求的无功优化满意解。
附图说明
图1为整体流程示意图；
具体实施方式
为使得本发明的特征和优点能够更加明显和易懂，下面结合附图对本发明进一步详细描述。
一种有源配电网日前动态无功优化方法如图1所示，包括：
步骤S101，对负荷数据进行前期处理，使用离散小波分解方法将其进行分解成若干个子序列；
步骤S102，使用时间卷积网络模型预测中、低频序列，使用支持向量回归模型预测高频序列；
步骤S103，将各个序列的预测结果求和，得到最终的预测结果；
步骤S101的具体实施方法为：使用离散小波分解方法对牵引负荷数据进行分解，具体分结果的数学表达如下：
以哈儿函数作为母小波，进行积分连续小波变换：
进一步对其进行离散化处理：
(Wψf)(a,b)＝＜f(t),ψa,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：
(DWψf)(j,k)＝＜f(t),ψj,k(t)＞ (3)
其中，j,k∈Z。
信号在小波空间的展开为：
对公式(4)引入多分辨分析概念可得：
之后对其进行(J-j)次小波分解，将每次分解的尺度系数和小波系数记为：
可以很快得到尺度系数：
相应得到小波系数：
在知道了每一层分解对应的尺度系数与小波系数之后，就能得到若干个不同频率的序列。
接下来，步骤S102的具体实施方法为：
步骤1，使用时间卷积网络模型预测中、低频序列；
步骤2，使用支持向量回归模型预测高频序列；
步骤1的具体实施方法为：在python软件中，导入所需要的用到的模块，包括Dense，time等。接下来是对待预测数据进行归一化得到一组新的数据，然后将此数据进行划分，分为训练集与测试集，划分比例可自由调整。根据实验结果，对参数进行微调，包括训练批次，时间窗长度，膨胀系数等。最终得到序列的预测结果。
步骤2的具体实施方法为：对输入数据，对其进行训练得到输出函数f(x)。
f(x)＝＜w,x＞+b (9)
当|f(xi)-yi|＞ε时，引入松弛变量ξi,ξi *，回归问题转化为优化问题：
其中，C为惩罚因子，C越大，则对于超出ε界限数据点的惩罚越大。
为求解式(10)的优化问题，引入拉格朗日函数：
根据拉格朗日对偶性可得：
因此，f(x)＝＜w,x＞+b可以转换为：
对其引入径向基核函数，把低维特征向量映射到高维空间中进行线性拟合。径向基核函数为：
K(xi,xj)＝exp(-γ||xi-xj||2) (14)
引入核函数变换，回归模型变为：
据此回归模型得到所需预测数据。
最后，步骤S103的具体实施方法为：将步骤S103中所得预测结果相加得到最终的预测结果。
至此，预测过程已全部完成。
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模型、时间卷积网络模型以及支持向量回归模型的组合预测方法。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，然后使用时间卷积网络模型模型对低频和中频序列进行预测，使用支持向量回归模型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。
最后将各自预测所得结果叠加还原得到最终的预测结果。最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含本发明的保护范围之内。
- 上一篇：石墨接头机器人自动装卡簧、装栓机
- 下一篇：一种基于深度神经网络的电网灾情评估方法
