空间负荷预测中确定元胞负荷最大值的经验模态分解方法

摘要

本发明是一种空间负荷预测中确定元胞负荷最大值的经验模态分解方法，其特点是，包括：利用经验模态分解技术将各元胞负荷进行分解、对分解得到的一系列本征模态函数建立滤取机制、重构出元胞负荷的主体分量并确定其中的最大值等步骤。通过分析元胞历史负荷数据，利用经验模态分解技术将各元胞负荷进行分解；对分解得到的一系列本征模态函数建立滤取机制；把能表征元胞负荷基本信息规律性与趋势性的部分本征模态函数重构为主体分量，把能刻画元胞负荷随机波动性的部分本征模态函数重构为高频分量；通过剔除高频分量来抑制随机波动性带来的不利影响，将主体分量中的最大值作为元胞负荷最大值，该值可应用于城市电网空间负荷预测。

主权项

一种空间负荷预测中确定元胞负荷最大值的经验模态分解方法，其特征在于，它包括以下步骤：1)利用经验模态分解技术将各元胞负荷进行分解为实现空间电力负荷预测，需先将待测区域划分成多个形状规则或不规则的小区，每个小区都可看作一个元胞，所以小区内的电力负荷又称为元胞负荷；经验模态分解(Empirical Mode Decomposition，EMD)是一种对信号进行平稳化处理的过程，它基于信号的局部特征尺度，可将元胞负荷中不同尺度的波动逐级分解出来，产生一系列不同特征尺度的数据序列，并将每个序列作为一个本征模态函数(Intrinsic Mode Function，IMF)，其中的最后一个数据序列又称为残余函数r；2)对分解得到的一系列本征模态函数建立滤取机制元胞负荷中包含高频分量和主体分量两个部分，高频分量具有随机波动性，主体分量则具有规律性和趋势性，本步骤就是要判定分别属于高频分量的IMF和主体分量的IMF；①引入波动指数来描述IMF的波动性利用公式(1)来计算IMF的波动指数，$\alpha \left(i\right)=\frac{\underset{i=1}{\overset{m-1}{\Sigma }}{\left(f_i\right(j)-f_i(j+1\left)\right)}^2}{\underset{i=1}{\overset{m}{\Sigma }}{\left(f_i\left(j\right)\right)}^2}---\left(1\right)$其中：α(i)为元胞负荷的第i个IMF的波动指数，i＝1，2，…，n；n为对元胞负荷进行经验模态分解所得到的数据序列的个数；f_i(j)为第i个IMF的第j个数值，j＝1，2，…，m；m为第i个IMF所含数值的个数；②建立确定IMF属于元胞负荷中高频分量的第一判据通过比较元胞负荷的各IMF的波动指数与元胞负荷原始数据序列的波动指数之间的关系，把满足公式(2)的IMF初步判定为高频分量，并把公式(2)称为“第一判据”；α(i)＞α(0)   (2)其中：α(0)为元胞负荷原始数据序列的波动指数；③建立确定IMF属于元胞负荷中高频分量的第二判据利用公式(3)求出各相邻两个IMF的波动指数的比值，在根据“第一判据”所得到的IMF中确定b(i)的最大值，并将该b(i)最大值对应的i记作k，判定第1至第k个IMF均属于高频分量，称为“第二判据”；$b\left(i\right)=\frac{\alpha \left(i\right)}{\alpha (i+1)}---\left(3\right)$其中：b(i)为波动比例序列的第i个值，i＝1，2，…，n‑1；α(i)为元胞负荷的第i个IMF的波动指数，i＝1，2，…，n‑1；n为对元胞负荷进行经验模态分解所得到的数据序列的个数；k为小于n，但大于0的整数；④虑取属于元胞负荷中主体分量的IMF在对元胞负荷进行经验模态分解所得到的所有IMF中，剔除属于高频分量的IMF，其余的IMF均属于主体分量；3)重构出元胞负荷的主体分量并确定其中的最大值剔除属于高频分量的IMF，将其余均属于主体分量的IMF和残余函数r相加重构出主体分量；将主体分量中的最大值作为元胞负荷的最大值。