论文部分内容阅读
经济高速发展的今天,城市化进程也逐步加快,促使各类城市工业园区、开发区等园区类配电网对电能质量要求也逐步提高。新型柔性负荷及各种绿色可再生能源高比例并网,为智能园区提供了多种能源供给选择。而电网侧和用户侧需要更加深入的信息交流,其中识别和分析用户用电信息是控制的基础。因此,如何针对新型配电网系统新特征从数据角度进行准确的负荷灵活性建模和特征提取是亟需解决的新问题。本文提出一种基于大数据的新型电网负荷建模及特征提取方法,基于改进变分模态分解算法(improved variational mode decomposition,IVMD),实现电网负荷数据的精确建模和特征提取。首先,针对新型电网负荷数据的高噪声问题,提出改进变分模态分解的预处理算法,优化传统VMD存在的需要依靠主观判断输入K值问题,及边缘效应影响重构曲线精度问题,继而利用IVMD的时频转换功能将电网负荷时域数据转换为频域信号,根据信号频率进行判断和剔除含有的噪声,提高电网数据的稳定性与真实性,并生成模型训练数据。其次,在负荷建模方面,给出基于IVMD算法结合长短期记忆网络(long short-term memory,LSTM)的拟合方法,考虑日历效应等外部影响因素拟合采集的电网实测数据,对电网典型负荷数据建模,并通过与现有负荷建模方法对比,验证所建负荷模型的准确性。最后,以典型工业园区电网为例,利用IVMD算法预处理采集的负荷数据,采用卷积神经网络(convolutional Neural cetwork,CNN)对预处理后数据进行特征提取,以此为基础利用简单循环单元(simple recurrent unit,SRU)对其进行训练,形成双层网络训练模型,通过与传统特征提取方法对比,验证所提算法在数据建模和特征提取方面的准确性。