[发明专利]一种基于深度学习的牵引负荷超短期预测方法

权利要求书

1.一种基于深度学习的牵引负荷超短期预测方法，其特征在于，包括：

获取牵引变电站日内的实测负荷数据；

使用离散小波分解模型对负荷数据进行分解为若干个不同频率的子序列；

使用时间卷积网络模型预测中、低序列，使用支持向量回归模型预测高频序列；

将所得各序列预测结果求和。

2.如权利要求1所述的离散小波分解模型，其特征在于，使用离散小波分解模型对牵引负荷数据进行分解，能够减小原始负荷数据的复杂程度，得到更加精确的预测结果。小波变换是一种新型时频分析方法，是傅里叶分析思想方法的拓展，在信号处理方面取得了很好的应用。小波变换的原理是选取一种适用的母小波，然后对母小波进行伸缩、平移构成一个标准正交基，使得尺度空间与小波空间相互正交，通过改变尺度的大小，就可以得到原始序列不同时间尺度下的变化特征。

离散小波模型的相关数学表达式如下：

以母小波为基的积分连续小波变换：

其中，a为尺度因子，b为时间平移因子。由于牵引负荷的时间序列是离散的，所以要对其进行离散化处理：

(W_ψf)(a,b)＝＜f(t),ψ_a,b(t)＞ (2)

将a、b离散化，令a＝2^-j，b＝2^-jk，j,k∈Z，可得离散小波变换：

(DW_ψf)(j,k)＝＜f(t),ψ_j,k(t)＞ (3)

其中，

信号在小波空间的展开为：

对公式(4)引入多分辨分析概念可得：

之后对其进行(J-j)次小波分解，将每次分解的尺度系数和小波系数记为：

可以很快得到尺度系数：

相应得到小波系数：

3.如权利要求1所述的时间卷积网络模型，其特征在于，在牵引负荷的预测中使用时间卷积网络模型能够得到精确的预测结果。时间卷积网络是一种优秀的基于深度学习的预测方法，它是在卷积神经网络的结构上改进而来。卷积神经网络普遍运用于图像处理领域，为了让卷积神经网络在时间序列预测上发挥作用，一些学者结合时序预测的要求和特点，对卷积神经网络的结构进行了改进，得到了在时序预测上作用效果优秀的时间卷积网络。