[发明专利]基于VMD与OMP的电力负荷数据降维重构处理方法

说明书

本发明涉及电力负荷数据的处理，具体涉及基于VMD与OMP的电力负荷数据降维重构处理方法。该方法先采集电力负荷数据；再将采集到的电力负荷数据通过变分模态分解方法进行数据分解滤波和降维处理；然后在得到频率从低到高的固有模态分量后，再运用正交匹配跟踪算法对分解滤波后的数据进行重构优化处理。本发明首次将VMD运算方法与OMP运算方法结合起来，得到一种运算效率高且普适性强的降维重构处理方法，适用于现有维度的数据集，且不易受噪声影响，稳定性高，更加适应越来越蓬勃发展信息时代衍生的电力负荷大数据处理。

技术领域

本发明涉及电力负荷数据的处理，具体涉及基于VMD与OMP的电力负荷数据降维重构处理方法。

背景技术

大数据时代下数据在电力自动化系统中的应用范围十分广泛，大数据时代下的电力运营监控系统实现了信息技术、电网生产以及企业管理的融合，提升了电网业务数据的及时性。同时智能电网的规划和运行需要良好的数据基础，因而基于需求侧响应的大数据负荷提取和降维处理亟待研究。在需求侧大数据中，包含高维海量的用户日/月负荷曲线，通过对这些电力消费信息数据进行精准的分析研究并获取相应负荷模式，可以为电网公司的决策提供重要依据。

不仅如此，数据信息的处理和维护对电力系统的运行有着重要的意义。因此，有关人员在大数据时代要加强对电力自动化系统的数据分析、处理和应用，针对不同的电力自动化系统中的数据类型，对如何实现电力自动化系统数据的快速、准确处理和分析提供不同的策略指导，从而实现大数据时代我国电力自动化系统数据处理和应用的健康发展。针对如此多的数据应用以及历史负荷数据中的噪声会影响以此为基础的负荷预测的准确性，需要有相应的电力数据特征提取方法和对负荷数据进行去噪处理。

变分模态分解方法的研究现状：传统的数据分解滤波方法主要有：快速傅里叶变换、自适应盲源分离去噪、经验模态分解及其改进、小波变换去噪方法。小波变换虽然可以有效地滤除高斯白噪声，但它在波基的选取，阈值的确定以及分解的层数等方面还有很多问题，实际处理过程中还需要不断改变相关的参数，因此波形容易发生畸变。而且EMD及其改进的算法的难点在于，采用这种方法做去噪优化处理时容易出现过分解、模态混叠、端点效应等问题，影响实际的去噪效果。

正交匹配跟踪算法的研究现状：重构算法作为影响信号重建性能的关键因素，近年来已有学者提出了大批有效的重构算法。这些算法主要包括基于l₁范数的凸优化算法和基于l₁范数的贪婪追踪算法。凸优化类算法将稀疏约束的欠定问题转化为凸问题来求解，比如基追踪方法(basis pursuit,BP)、内点法等。凸优化类算法具有良好的理论保证和重构性能，但是其复杂度很高，在求解大规模问题时并不实际。基于l₁范数的贪婪追踪算法则是通过迭代地寻找待恢复信号的正确支撑，并以此来构造原信号的逼近信号，直到满足一定的误差条件。这类算法复杂度较低，算法操作简单，但是其重构精度表现不如凸优化类算法。而传统的MP算法的本质的贪婪迭代算法，随着迭代数量的增加，MP算法的时间复杂度就越大，耗费的时间也就越长。

因此，综合考虑前人发明的各类分解降维重构算法的优缺点，本发明提出一种基于VMD分解与OMP重构相结合对电力负荷数据进行降维处理的算法。与传统算法进行对比的结果表明，该算法运行效率高、鲁棒性强，能够得到较好的、便于分析的数据结果。

发明内容

发明目的：

本发明旨在提出一种运行效率高、鲁棒性强的基于VMD与OMP的电力负荷数据降维重构处理方法。

技术方案：

基于VMD与OMP的电力负荷数据降维重构处理方法，该方法包括：

步骤1，采集电力负荷数据；

步骤2，将采集到的电力负荷数据通过变分模态分解方法进行数据分解滤波和降维处理；得到频率从低到高的固有模态分量；