[发明专利]一种融合VMD、XGBoost及优化TCN的配电网电压预测方法及系统

说明书

一种融合VMD、XGBoost及优化TCN的配电网电压预测方法及系统，属于配电网电压预测技术领域，解决如何提高现有技术中配电网电压预测精度低的问题；本发明的技术方案根据新能源接入配电网的情况、电压数据的特点，分别从数据采集、数据特征以及预测精度三个方面入手，采用VMD将电压时间序列分解为多个子信号模态，降低数据的非平稳性；利用XGBoost对影响电压的多个特征因素进行选择，避免单一特征重要性度量的局限性，优化输入TCN的数据，叠加预测结果实现电压预测输出，提高预测精度；三种算法的融合使得对配电网电压预测的误差更小，提高预测了的准确性和效率。

技术领域

本发明属于配电网电压预测技术领域，涉及一种融合VMD、XGBoost及优化TCN的配电网电压预测方法及系统。

背景技术

我国分布式新能源发展迅速，截止2020年6月，累计装机超1GW的省份已有15个；随着新型电力系统及“双碳”技术的发展，光伏、风电等绿色低碳能源将持续高速发展。然而，新能源高密度、高比例接入也给配电网的无功电压运行调控带来严峻挑战，一方面，新能源的随机波动性、用户负荷的多样性等因素加剧了电压的不确定性；另一方面，用户对供电质量和安全可靠性的要求日益提高。

目前，国内外针对于配电网运行电压的研究，主要方法主要分为：统计学方法，机器学习方法，以及使用组合预测方法。然而统计学方法模型简单计算简洁，但当数据样本较为复杂，呈非线性时，预测的精度往往会大打折扣，预测效果不明显。机器学习方法较统计学方法有着诸多优点，如公布号为CN112564098、公布日期为2021年03月26日的中国发明专利申请《基于时间卷积神经网络的高比例光伏配电网电压预测方法》通过将提取到的特征与时间结合，输入时间卷积神经网络模型的不同通道，得出预测结果，从而达到显著升高配电网电压预测的精度的目的，但含新能源的配电网电压是一个非线性不稳定的时间序列，机器学习的方法虽然能很好地处理非线性问题，但却会破坏数据的时序完整性。组合预测方法则通过分配权重结合多种算法，其根本思想在于多种算法的有序组合能够有效利用各方法的长处以弥补其他方法的不足，提高模型的分析性能，但是，在电压预测的过程中，受多种影响因素的共同作用，电压时序数据往往呈现多维数据特征。

综上所述，目前有关配电网电压预测的方法虽然很多，但各种方法的精准度相差却非常大，故考虑将输入数据特征选取作为电压预测研究创新的出发点，研究特征选择方法，从而全面、系统地识别电压数据样本的各种数据特征，把握主要特征。从而有效提高配电网电压的预测精准度，为配电网的安全和稳定运行提供可靠的数据支撑，尽可能地降低高比例分布式新能源并网后对电网的不良影响。

发明内容

本发明的目的在于如何设计一种融合VMD、XGBoost及优化TCN的配电网电压预测方法及系统，以解决现有技术中配电网电压预测精度低的问题。

本发明是通过以下技术方案解决上述技术问题的：

变分模态分解(Variational Mode Decomposition,VMD)是由Dragomiretskiy等人提出的一种自适应信号处理方法，通过迭代搜寻变分模态的最优解，不断更新各模态函数及中心频率，得到若干具有一定宽带的模态函数。

极度梯度提升算法(eXtreme Gradient Boosting,XGBoost)是经过优化的分布式梯度提升库，旨在高效、灵活且可移植。XGBoost是大规模并行boosting tree的工具，它是目前最快最好的开源boosting tree工具包，比常见的工具包快10倍以上。

时间卷积网络(Temporal Convolutional Network,TCN)融合了时域上的建模能力以及卷积的低参数量下的特征提取能力。

一种融合VMD、XGBoost及优化TCN的配电网电压预测方法，包括以下步骤：