[发明专利]基于EMD-CNN深度神经网络的光伏配电网电压预测方法

权利要求书

1.基于EMD-CNN深度神经网络的光伏配电网电压预测方法，其特征在于，包括：

步骤1，对原始电压时间序列数据进行最大最小归一化处理，使得原始数据位于[0,1]区间；

步骤2，将经过归一化处理后的电压时间序列数据进行经验模态EMD分解，得到不同频率的固有模态分量以及一项残差分量；

步骤3，构造输入数据矩阵：分别将固有模态分量按照二维数据矩阵排列置于不同通道中，利用卷积核实现各平稳分量中特征提取；

步骤4，训练卷积神经网络CNN预测模型并进行预测：划分输入数据矩阵的数据集为训练集和测试集，将训练集输入卷积神经网络CNN模型，经过反向传播算法进行梯度下降法训练得到预测模型，输入测试集数据得到电压预测结果；

所述的步骤2包含以下三个步骤：

步骤21：找出原始电压时间序列信号v₀(t)中的所有极大值点，并用样条插值函数拟合形成原始电压时间序列信号的上包络线l_up(t)；

步骤22：方法同步骤21，找出原始电压时间序列信号v₀(t)中的所有极小值点及下包络线l_down(t)，得到上下包络线的平均值l₁(t)如下式：

步骤23：将原始电压时间序列信号v₀(t)与第一次得到的平均包络线l₁(t)相减，得到新的待筛选信号v₁(t)＝v₀(t)-l₁(t)，重复步骤21和22，直到经过k次循环后v_k(t)满足IMF分解终止条件终止，在此过程中各个分量的值如下式：

式中：IMF_i(t)为分解出来的各个固有模态分量，r(t)为残差分量，通过上述分解过程，原始电压时间序列v₀(t)表示为：

2.根据权利要求1所述的基于EMD-CNN深度神经网络的光伏配电网电压预测方法，其特征在于，步骤1中，归一化处理公式如下：

式中，v^*(t)为归一化处理后的电压时间序列数据，v₀(t)为原始电压时间序列数据，v_max与v_min分别为电压的最大值与最小值。

3.根据权利要求1所述的基于EMD-CNN深度神经网络的光伏配电网电压预测方法，其特征在于，所述的步骤23中，为加速对大量电压时序数据的经验模态分解，采用加以改进的传统限定标准差终止条件，即若l_up(t)、l_down(t)分别为原始电压时间序列信号的上、下包络线，构造新的终止条件形式，如下式：

4.根据权利要求3所述的基于EMD-CNN深度神经网络的光伏配电网电压预测方法，其特征在于，步骤23中，对于给定的3个限定值θ₁、θ₂和α，得到2个分解终止条件：

1)满足δ(t)＜θ₁的时间点个数与时间序列总长度比值大于等于1-α，得到终止条件1如下式：

式中：D为分解信号全部时间点的离散表示；

2)终止条件2为：对于每个时间点t满足条件如下式：

δ(t)＜θ₂,θ₂＝10θ₁。

5.根据权利要求1或2所述的基于EMD-CNN深度神经网络的光伏配电网电压预测方法，其特征在于，步骤3中，通过滑动时间窗口的形式构造训练集得到n个样本，用于卷积神经网络预测模型训练。