基于MVMD-CapSA-DBN的工业多元负荷分类研究

摘要：

针对多元电力负荷数据时间序列非平稳性、时序相关性和非线性等特性,为掌握电力负荷的变化规律和发展趋势,实现对电力负荷的科学管理,将工业多元负荷有功功率作为原始数据,提出MVMD-CapSA-DBN负荷分类模型.首先,利用改进停止准则的变分模态分解(Variational Mode Decomposition,VMD)将数据分解,得到较为平稳的多个数据分量;之后,提取各分量能量值作为特征;最后,将0～1标准化的数据作为特征向量,输入经卷尾猴搜索算法(Capuchin Search Algorithm,CapSA)优化参数后的深度置信网络(Deep Belief Nets,DBN)信号分类.实验证明,可实现对工业多元负荷数据的有效分类,整体准确率在88.89％左右,部分负荷分类准确率可达100％.

关键词：电力负荷、负荷分类、变分模态分解、深度信念网络、卷尾猴搜索算法

所属期刊栏目：51

分类号：TM714(输配电工程、电力网及电力系统)

资助基金：国家重点研发计划;安徽省自然科学基金能源互联网联合基金重点项目;安徽省科技重大专项;安徽高校自然科学研究重点项目

在线出版日期：2023-06-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：123-130