Suzhou Electric Appliance Research Institute
期刊號： CN32-1800/TM| ISSN1007-3175

Article retrieval

文章檢索

首頁 >> 文章檢索 >> 最新索引

基于變分模態(tài)分解與組合模型的導線載流量預測

來源：電工電氣發(fā)布時間：2025-04-28 12:28 瀏覽次數(shù)：6

基于變分模態(tài)分解與組合模型的導線載流量預測

羅朝豐，黃曉劍，陸璐，馬波，王一帆，董心怡，鮑修齊
(國網浙江省電力有限公司湖州供電公司，浙江 湖州 313000)
 
    摘 要：輸電線路實時運行載流量存在隨機性強、波動性大的特點，現(xiàn)有載流量預測方法未深度挖掘時間序列特征。提出一種基于變分模態(tài)(VMD)分解載流量、自回歸滑動平均模型(ARMA)與雙向長短期記憶網絡(BiLSTM)組合的載流量預測方法，采用 VMD 算法將載流量時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 模型對平穩(wěn)分量進行短期預測，采用 BiLSTM 模型對殘差分量進行預測，將分量預測值疊加獲得預測結果。測試結果顯示，該預測方法的平均絕對百分比誤差2.87%、均方根誤差1.710 A、平均誤差1.531 A，預測值與真實值擬合效果較好。
    關鍵詞： 載流量預測；變分模態(tài)分解；自回歸滑動平均模型；雙向長短期記憶網絡
    中圖分類號：TM726     文獻標識碼：A     文章編號：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
[1] 張靜忠，龐濤，劉一峰，等. 電力市場環(huán)境下的新能源有功自動控制[J]. 電氣工程學報，2022，17(3) ：203-209.
[2] 李笑蓉，陳熙，石少偉，等. 高風電滲透率下儲能配置與系統(tǒng)調節(jié)能力提升關聯(lián)分析[J] . 電力需求側管理，2023，25(2) ：8-14.
[3] 張怡，張鋒，李有春，等. 基于智慧輸電線路的動態(tài)增容輔助決策系統(tǒng)[J] . 電力系統(tǒng)保護與控制，2021，49(4) ：160-168.
[4] 王亦清，朱寧西，孫鵬，等. 計及空間相關性的架空線路載流量預測方法[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)預測的輸電線路輸送容量概率模型研究[J] . 電工電能新技術，2019，38(3) ：56-62.
[6] 劉偉雄，湯偉成，胡俊靈. 基于 PSO-BP 神經網絡的架空輸電線路弧垂預測技術研究[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 的輸電線動態(tài)熱極限概率預測[J]. 電力系統(tǒng)及其自動化學報，2024，36(6) ：110-118.
[8] 付善強，王孟夏，楊明，等. 架空導線載流量的多時段聯(lián)合概率密度預測[J] . 電力系統(tǒng)自動化，2019，43(17) ：102-108.
[9] 楊靜凌，唐國強，張建文. 基于 EEMD-Elman-Adaboost 的中美股票價格預測研究[J] . 運籌與管理，2022，31(11) ：194-199.
[10] 邵必林，紀丹陽. 基于 VMD-SE 的電力負荷分量的多特征短期預測[J]. 中國電力，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習的中長期用電量預測[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)分解和集成學習的光伏發(fā)電預測[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 觀測序列中的結構振動監(jiān)測信號[J]. 合肥工業(yè)大學學報(自然科學版)，2010，33(1) ：106-109.
[15] 吳旻昊，王建功，朱英剛，等. 基于 t-SNE 降維與聚類的主動配電網運行方式在線識別[J] . 電力建設，2023，44(8) ：52-60.
[16] 張金良，王明雪. 基于 EEMD，SVM 和 ARMA 組合模型的電價預測[J]. 電力需求側管理，2020，22(3) ：63-68.
[17] 賈磊，龔正，吳海偉，等. 基于改進 PSO 優(yōu)化 LSTM 網絡的典型用電負荷模式識別[J] . 電力需求側管理，2024，26(1) ：48-53.
[18] 薛展豪，陳力，林志穎，等. 基于雙向長短期記憶生成對抗網絡的電力系統(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)電站母線短期負荷預測[J] . 電氣工程學報，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和徑向基函數(shù)神經網絡的綜合能源系統(tǒng)電冷熱超短期負荷預測[J]. 電網技術，2024，48(1) ：121-128.