CN2019111176382基于EMD-CNN深度神经网络的光伏配电网电压预测方法.pdf

(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CN110956312A
(43)申请公布日2020.04.03
(21)申请号201911117638.2G06N3/04(2006.01)
(22)申请日2019.11.15G06N3/08(2006.01)

(71)申请人国网浙江省电力有限公司电力科学
研究院
地址310014浙江省杭州市下城区朝晖八
区华电弄1号
申请人南京理工大学
(72)发明人周金辉王子凌马振宇邵先军
陈铭赵启承
(74)专利代理机构浙江翔隆专利事务所(普通
合伙)33206
代理人张建青
(51)Int.Cl.
G06Q10/04(2012.01)
G06Q50/06(2012.01)
权利要求书3页说明书6页附图3页
(54)发明名称
基于EMD-CNN深度神经网络的光伏配电网电
压预测方法
(57)摘要
本发明公开了一种基于EMD-CNN深度神经网
络的光伏配电网电压预测方法。本发明的方法包
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；步骤2，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。本发明从
系统的角度出发，通过数据挖掘的手段来针对性
地对含高比例光伏配电网的电压进行高精度预
测，掌握电压变化趋势，为实现高比例光伏配电
网的无功电压智能化高效运行提供有力的数据
支撑。
CN110956312A
CN110956312A权利要求书1/3页

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。
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，vmax

与vmin分别为电压的最大值与最小值。
3.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，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lup(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ldown(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vk(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：IMFi(t)为分解出来的各个固有模态分量分量，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：

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，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lup(t)、ldown(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：

2
CN110956312A权利要求书2/3页

5.根据权利要求4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。
6.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