在线视频97,青青草55,日韩精品一区二区三区高清免费

基于變分模態(tài)分解與組合模型的導(dǎo)線載流量預(yù)測(cè)

來源：電工電氣發(fā)布時(shí)間：2025-04-28 12:28瀏覽次數(shù)：217

基于變分模態(tài)分解與組合模型的導(dǎo)線載流量預(yù)測(cè)

羅朝豐，黃曉劍，陸璐，馬波，王一帆，董心怡，鮑修齊

(國(guó)網(wǎng)浙江省電力有限公司湖州供電公司，浙江湖州 313000)

摘要：輸電線路實(shí)時(shí)運(yùn)行載流量存在隨機(jī)性強(qiáng)、波動(dòng)性大的特點(diǎn)，現(xiàn)有載流量預(yù)測(cè)方法未深度挖掘時(shí)間序列特征。提出一種基于變分模態(tài)(VMD)分解載流量、自回歸滑動(dòng)平均模型(ARMA)與雙向長(zhǎng)短期記憶網(wǎng)絡(luò)(BiLSTM)組合的載流量預(yù)測(cè)方法，采用 VMD 算法將載流量時(shí)間序列分解為多尺度的平穩(wěn)分量和非平穩(wěn)的殘差分量，采用 ARMA 模型對(duì)平穩(wěn)分量進(jìn)行短期預(yù)測(cè)，采用 BiLSTM 模型對(duì)殘差分量進(jìn)行預(yù)測(cè)，將分量預(yù)測(cè)值疊加獲得預(yù)測(cè)結(jié)果。測(cè)試結(jié)果顯示，該預(yù)測(cè)方法的平均絕對(duì)百分比誤差2.87%、均方根誤差1.710 A、平均誤差1.531 A，預(yù)測(cè)值與真實(shí)值擬合效果較好。

關(guān)鍵詞： 載流量預(yù)測(cè)；變分模態(tài)分解；自回歸滑動(dòng)平均模型；雙向長(zhǎng)短期記憶網(wǎng)絡(luò)

中圖分類號(hào)：TM726 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-3175(2025)04-0020-08

Current-Carrying Capacity Prediction of Conductors Based on Variational

Mode Decomposition and Combination Model

LUO Chao-feng, HUANG Xiao-jian, LU Lu, MA Bo, WANG Yi-fan, DONG Xin-yi, BAO Xiu-qi

（State Grid Zhejiang Electric Power Co., Ltd. Huzhou Power Supply Company, Huzhou 313000, China）

Abstract: The current carrying capacity of transmission lines in real-time operation has the characteristics of strong randomness and great fluctuation, and the existing current-carrying capacity prediction methods do not dig deep into the time series characteristics. Therefore, this paper proposes a method for current-carrying capacity prediction that combines variational mode decomposition (VMD), autoregressive moving average (ARMA) model, and bidirectional long short-term memory (BiLSTM) network. Firstly, VMD algorithm is used to decompose the time series of current-carrying capacity into multi-scale stationary components and non-stationary residual components, then predicting the stationary component in the short term by using ARMA model, the BiLSTM model is used to predict the residual components, and the predicted values of the components are superimposed to obtain the predicted results. The test results show that the average absolute percentage error of the method is 2.87%, the root mean square error is 1.710 A, and the average error is 1.531 A. The predicted value fits the real value well.

Key words: current-carrying capacity prediction; variational mode decomposition; autoregressive moving average model; bidirectional long short-term memory network

參考文獻(xiàn)

[1] 張靜忠，龐濤，劉一峰，等. 電力市場(chǎng)環(huán)境下的新能源有功自動(dòng)控制[J]. 電氣工程學(xué)報(bào)，2022，17(3) ：203-209.

[2] 李笑蓉，陳熙，石少偉，等. 高風(fēng)電滲透率下儲(chǔ)能配置與系統(tǒng)調(diào)節(jié)能力提升關(guān)聯(lián)分析[J] . 電力需求側(cè)管理，2023，25(2) ：8-14.

[3] 張怡，張鋒，李有春，等. 基于智慧輸電線路的動(dòng)態(tài)增容輔助決策系統(tǒng)[J] . 電力系統(tǒng)保護(hù)與控制，2021，49(4) ：160-168.

[4] 王亦清，朱寧西，孫鵬，等. 計(jì)及空間相關(guān)性的架空線路載流量預(yù)測(cè)方法[J]. 廣東電力，2017，30(10) ：6-10.

[5] 林世治，溫步瀛，張斌. 基于氣象參數(shù)預(yù)測(cè)的輸電線路輸送容量概率模型研究[J] . 電工電能新技術(shù)，2019，38(3) ：56-62.

[6] 劉偉雄，湯偉成，胡俊靈. 基于 PSO-BP 神經(jīng)網(wǎng)絡(luò)的架空輸電線路弧垂預(yù)測(cè)技術(shù)研究[J] . 黑龍江電力，2021，43(3) ：263-268.

[7] 孫輝，盧雪立，高正男，等. 基于 AL-BILSTMDN 的輸電線動(dòng)態(tài)熱極限概率預(yù)測(cè)[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2024，36(6) ：110-118.

[8] 付善強(qiáng)，王孟夏，楊明，等. 架空導(dǎo)線載流量的多時(shí)段聯(lián)合概率密度預(yù)測(cè)[J] . 電力系統(tǒng)自動(dòng)化，2019，43(17) ：102-108.

[9] 楊靜凌，唐國(guó)強(qiáng)，張建文. 基于 EEMD-Elman-Adaboost 的中美股票價(jià)格預(yù)測(cè)研究[J] . 運(yùn)籌與管理，2022，31(11) ：194-199.

[10] 邵必林，紀(jì)丹陽. 基于 VMD-SE 的電力負(fù)荷分量的多特征短期預(yù)測(cè)[J]. 中國(guó)電力，2024，57(4) ：162-170.

[11] 章劍光，劉理峰，林海峰，等. 基于空間相似度和深度學(xué)習(xí)的中長(zhǎng)期用電量預(yù)測(cè)[J] . 浙江電力，2021，40(5) ：45-52.

[12] 邱書琦，蹇照民，方立雄，等. 基于變分模態(tài)分解和集成學(xué)習(xí)的光伏發(fā)電預(yù)測(cè)[J] . 智慧電力，2024，52(3) ：32-38.

[13] 郭成，代劍波，楊靈睿，等. 基于 ISGMD-DHT 的電壓暫降特征提取方法研究[J] . 電力系統(tǒng)保護(hù)與控制，2024，52(7) ：70-79.

[14] 陶庭葉，高飛，吳兆福，等. 利用高斯平滑法提取 GPS 觀測(cè)序列中的結(jié)構(gòu)振動(dòng)監(jiān)測(cè)信號(hào)[J]. 合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2010，33(1) ：106-109.

[15] 吳旻昊，王建功，朱英剛，等. 基于 t-SNE 降維與聚類的主動(dòng)配電網(wǎng)運(yùn)行方式在線識(shí)別[J] . 電力建設(shè)，2023，44(8) ：52-60.

[16] 張金良，王明雪. 基于 EEMD，SVM 和 ARMA 組合模型的電價(jià)預(yù)測(cè)[J]. 電力需求側(cè)管理，2020，22(3) ：63-68.

[17] 賈磊，龔正，吳海偉，等. 基于改進(jìn) PSO 優(yōu)化 LSTM 網(wǎng)絡(luò)的典型用電負(fù)荷模式識(shí)別[J] . 電力需求側(cè)管理，2024，26(1) ：48-53.

[18] 薛展豪，陳力，林志穎，等. 基于雙向長(zhǎng)短期記憶生成對(duì)抗網(wǎng)絡(luò)的電力系統(tǒng)次同步振蕩數(shù)據(jù)生成方法[J] .智慧電力，2024，52(5) ：60-66.

[19] 劉昕明，吉建光，李瑋，等. 基于雙模態(tài)分解的發(fā)電站母線短期負(fù)荷預(yù)測(cè)[J] . 電氣工程學(xué)報(bào)，2024，19(1) ：124-132.

[20] 竇真蘭，張春雁，許一洲，等. 基于多變量相空間重構(gòu)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的綜合能源系統(tǒng)電冷熱超短期負(fù)荷預(yù)測(cè)[J]. 電網(wǎng)技術(shù)，2024，48(1) ：121-128.

返回索引列表

SUBSCRIPTION MANAGEMENT

發(fā)行征訂

基于變分模態(tài)分解與組合模型的導(dǎo)線載流量預(yù)測(cè)