基于变分模态分解和CNN-GRU-ED的超短期互感器误差预测

摘要：

准确的误差预测对及时发现互感器运行中的稳定性问题和保证电能贸易的公平性具有重要的意义.提出了一种基于变分模态分解(variational mode decomposition,VMD)和卷积神经网络-门控循环单元编解码模型(convolutional neural network-gated recurrent unit encoder to decoder moder,CNN-GRU-ED)的互感器误差超短期预测方法.首先,针对特征数目增多所带来的数据分析问题,利用传递熵(transfer entropy,TE)对原始特征进行降维,得到高相关性特征集.其次,将波动性较强的原始误差序列分解成为高、低频模态分量,同时引入粒子群优化算法(particle swarm optimization,PSO)确定VMD的关键参数.最后,对各分量分别建立相应的CNN-GRU-ED预测模型,将预测结果叠加得到最终预测值.以某变电站运行数据进行实验,结果表明所提出的方法在单步和多步预测问题上,相较于其他模型具有更好的预测效果.

关键词：超短期预测、变分模态分解、编解码模型、多步预测

所属期刊栏目：51

分类号：TP391.41;TS2;TH137

资助基金：国家自然科学基金;强电磁工程与新技术国家重点实验室开放课题

在线出版日期：2023-07-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：68-77