(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111520535.8 (22)申请日 2021.12.13 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 唐贤伦　陈洪旭　万辉　谢涛　 罗洪平　黄淼　邹密　 (74)专利代理 机构 重庆市恒信知识产权代理有 限公司 5 0102 代理人 刘小红 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 结合VMD分解和时间卷积网络的短期电力负 荷预测方法 (57)摘要 本发明请求保护一种结合VMD分解和时间卷 积网络的短期电力负荷预测方法， 首先使用变分 模态分解(VMD)对原始负荷数据进行处理， 将负 荷序列分解得到多个本征模态函数(IMF),以降 低神经网络预测模型输入数据的复杂程度。 然 后， 分别计算各个IM F分量的样本熵(SE)， 将相近 样本熵值的分量合并为一个新的序列， 以减少所 需训练的模型数量， 最后利用时间卷积网络 (TCN)来拟合各个序列的历史数据和预测数据的 非线性关系， 并叠加各模型的预测结果得到最后 的预测值。 本发明相比于其他负荷预测传统方 法， 具有更高的预测精度。 权利要求书3页 说明书6页 附图1页 CN 114358389 A 2022.04.15 CN 114358389 A 1.一种结合VMD分解和时间卷积网络的短期电力负荷预测方法， 其特征在于， 包括以下 步骤： 对原始电力负荷数据进行 数据清洗、 归一 化在内的数据预处 理； 对负荷序列采用变分模态 VMD分解得到分解序列； 计算各分解序列的样本熵， 将 样本熵值相似的模态分量 合并组成新的分量； 对合并后的新分量进行归一化处理， 将负荷数据映射到[0， 1]之间， 利用滑动窗口构建 时间序列输入输出 标签对， 输入输出 标签对用于训练模型； 构建时间卷积网络短期电力负荷预测模型， 并采用Adam优化器来调节网络权重参数， 寻找网络最优值。 2.根据权利要求1所述的结合VMD分解和时间卷积网络的短期电力负荷预测方法， 其特 征在于， 所述对负荷序列采用变分模态 VMD分解得到分解序列， 具体包括以下步骤： 变分模态分解的实现可以分为两个步骤， 构造变分问题和求解变分问题； 在构造变分 问题中， 首先基于Hilbert变换， 得到各子信号的单侧频谱， 然后对每个子信号对应的中心 频率ωk的指数项混叠， 将子序列的频谱调制到基频带， 最后 对解调的信号利用高斯平滑估 计出带宽， 最终转 化为求解带约束的变分问题。 3.根据权利要求2所述的结合VMD分解和时间卷积网络的短期电力负荷预测方法， 其特 征在于， 所述变分模态分解的完整流 程如下： (1)初始化 其中 分别表示第k个模态分量和中心频率， 为 拉格朗日算子， 左上角数字1表示第一次迭代； (2)对每一子序列， 根据(3)、 (4)不断更新得到 和 式中： 为当前剩余分量 的维纳滤波， 为与之对应模态分量 的频率中心， ω为频率值； 分别表示原始序列f(t)， 以及 的傅里叶变换， α 为二次惩罚因子， ωk表示前一次迭代的频率中心； (3)对于所有的ω≥0， 更新 其中τ表示噪声容忍度， K表示总的模态个数， k表示第k个模态； (4)判断是否满足迭代终止条件： 不满足终止条件， 则重复步骤(2)、 (3)， 满足条件则迭代终止， 得到分解后的K个子序 列。 4.根据权利要求3所述的结合VMD分解和时间卷积网络的短期电力负荷预测方法， 其特 征在于， 所述计算各分解序列的样本熵， 将样 本熵值相似的模态分量合并组成新的分量， 具权　利　要　求　书 1/3 页 2 CN 114358389 A 2体包括： 利用样本熵来评估各个分量的复杂度， 样本熵的值越低， 序列的相似性就越高， 复杂度 越低， 对于由N个点组成的时间序列 {x(n)}＝x(1)， x(2)， . ..x(N)， 样本熵的计算方法如下： (1)按序号组成一组维数为m的向量序列， Xm(1)， ...， Xm(N‑m+1)， 其中Xm(i)＝{x(i)， x (i+1)，…， x(i+m‑1)}， (1≤i≤N ‑m+1)； x(i)， x(i+m ‑1)分别表示原始序列中第i个和第(i+ m‑1)个点； (2)定义向量Xm(i)与Xm(j)之间的距离d[Xm(i)， Xm(j)]为两者对应 元素中最大差值的绝 对值； d[Xm(i)， Xm(j)]＝maxk＝0， ...m‑1(|x(i+k) ‑x(j+k)|)    (7) (3)给定阈值r， 记录d[Xm(i)， Xm(j)]＜r的j的数目， 记作Bi， 对于1≤i≤N ‑m， 把Bi与N‑m+ 1的比值记为： (4)对所有 求平均值得到： (5)增加维数到m+1， 计算Xm+1(i)与Xm+1(j)距离小于等于r的个数， 记作Ai， 定义 为： (6)定义Am(r)为： Bm(r)和Am(r)分别为序列对m和m+1点的匹配概 率， 此时样本熵定义 为： 当N取有限值时， 样本熵的估计值 为： 5.根据权利要求4所述的结合VMD分解和时间卷积网络的短期电力负荷预测方法， 其特 征在于， 所述对合并后的新分量进行归一 化处理， 将负荷数据映射到[0， 1]之间， 具体包括： 归一化： 即将原始数据按比例缩放在一个特定区间， 转化为无量纲的纯数值， 采用min ‑ max标准化方法将 负荷映射到[0， 1]之间， 计算公式如下： 其中， xmin和xmax分别为样本数据的最小值和最大值， x ′代表映射后的值。 6.根据权利要求5所述的结合VMD分解和时间卷积网络的短期电力负荷预测方法， 其特 征在于， 所述利用滑动窗口构建时间序列输入输出标签对， 若滑动窗口长度为7， 则表示利 用过去七天的负荷数据预测未来一 天的负荷值， 构建输入输出标签对时， 利用Day1 ‑Day7作 为输入， Day8作为输出标签； Day2 ‑Day8 作为输入， Day9作为输出标签， 以此内推， 直到遍历 完整个数据集， 最后采用构建的输入输出 标签对用于训练模型。权　利　要　求　书 2/3 页 3 CN 114358389 A 3