电工电气杂志社

基于变分模态分解与组合模型的导线载流量预测

来源：电工电气发布时间：2025-04-28 12:28 浏览次数：0

基于变分模态分解与组合模型的导线载流量预测

罗朝丰，黄晓剑，陆璐，马波，王一帆，董心怡，鲍修齐

(国网浙江省电力有限公司湖州供电公司，浙江湖州 313000)

摘要：输电线路实时运行载流量存在随机性强、波动性大的特点，现有载流量预测方法未深度挖掘时间序列特征。提出一种基于变分模态(VMD)分解载流量、自回归滑动平均模型(ARMA)与双向长短期记忆网络(BiLSTM)组合的载流量预测方法，采用 VMD 算法将载流量时间序列分解为多尺度的平稳分量和非平稳的残差分量，采用 ARMA 模型对平稳分量进行短期预测，采用 BiLSTM 模型对残差分量进行预测，将分量预测值叠加获得预测结果。测试结果显示，该预测方法的平均绝对百分比误差2.87%、均方根误差1.710 A、平均误差1.531 A，预测值与真实值拟合效果较好。

关键词： 载流量预测；变分模态分解；自回归滑动平均模型；双向长短期记忆网络

中图分类号：TM726 文献标识码：A 文章编号：1007-3175(2025)04-0020-08

Current-Carrying Capacity Prediction of Conductors Based on Variational

Mode Decomposition and Combination Model

LUO Chao-feng, HUANG Xiao-jian, LU Lu, MA Bo, WANG Yi-fan, DONG Xin-yi, BAO Xiu-qi

（State Grid Zhejiang Electric Power Co., Ltd. Huzhou Power Supply Company, Huzhou 313000, China）

Abstract: The current carrying capacity of transmission lines in real-time operation has the characteristics of strong randomness and great fluctuation, and the existing current-carrying capacity prediction methods do not dig deep into the time series characteristics. Therefore, this paper proposes a method for current-carrying capacity prediction that combines variational mode decomposition (VMD), autoregressive moving average (ARMA) model, and bidirectional long short-term memory (BiLSTM) network. Firstly, VMD algorithm is used to decompose the time series of current-carrying capacity into multi-scale stationary components and non-stationary residual components, then predicting the stationary component in the short term by using ARMA model, the BiLSTM model is used to predict the residual components, and the predicted values of the components are superimposed to obtain the predicted results. The test results show that the average absolute percentage error of the method is 2.87%, the root mean square error is 1.710 A, and the average error is 1.531 A. The predicted value fits the real value well.

Key words: current-carrying capacity prediction; variational mode decomposition; autoregressive moving average model; bidirectional long short-term memory network

参考文献

[1] 张静忠，庞涛，刘一峰，等. 电力市场环境下的新能源有功自动控制[J]. 电气工程学报，2022，17(3) ：203-209.

[2] 李笑蓉，陈熙，石少伟，等. 高风电渗透率下储能配置与系统调节能力提升关联分析[J] . 电力需求侧管理，2023，25(2) ：8-14.

[3] 张怡，张锋，李有春，等. 基于智慧输电线路的动态增容辅助决策系统[J] . 电力系统保护与控制，2021，49(4) ：160-168.

[4] 王亦清，朱宁西，孙鹏，等. 计及空间相关性的架空线路载流量预测方法[J]. 广东电力，2017，30(10) ：6-10.

[5] 林世治，温步瀛，张斌. 基于气象参数预测的输电线路输送容量概率模型研究[J] . 电工电能新技术，2019，38(3) ：56-62.

[6] 刘伟雄，汤伟成，胡俊灵. 基于 PSO-BP 神经网络的架空输电线路弧垂预测技术研究[J] . 黑龙江电力，2021，43(3) ：263-268.

[7] 孙辉，卢雪立，高正男，等. 基于 AL-BILSTMDN 的输电线动态热极限概率预测[J]. 电力系统及其自动化学报，2024，36(6) ：110-118.

[8] 付善强，王孟夏，杨明，等. 架空导线载流量的多时段联合概率密度预测[J] . 电力系统自动化，2019，43(17) ：102-108.

[9] 杨静凌，唐国强，张建文. 基于 EEMD-Elman-Adaboost 的中美股票价格预测研究[J] . 运筹与管理，2022，31(11) ：194-199.

[10] 邵必林，纪丹阳. 基于 VMD-SE 的电力负荷分量的多特征短期预测[J]. 中国电力，2024，57(4) ：162-170.

[11] 章剑光，刘理峰，林海峰，等. 基于空间相似度和深度学习的中长期用电量预测[J] . 浙江电力，2021，40(5) ：45-52.

[12] 邱书琦，蹇照民，方立雄，等. 基于变分模态分解和集成学习的光伏发电预测[J] . 智慧电力，2024，52(3) ：32-38.

[13] 郭成，代剑波，杨灵睿，等. 基于 ISGMD-DHT 的电压暂降特征提取方法研究[J] . 电力系统保护与控制，2024，52(7) ：70-79.

[14] 陶庭叶，高飞，吴兆福，等. 利用高斯平滑法提取 GPS 观测序列中的结构振动监测信号[J]. 合肥工业大学学报(自然科学版)，2010，33(1) ：106-109.

[15] 吴旻昊，王建功，朱英刚，等. 基于 t-SNE 降维与聚类的主动配电网运行方式在线识别[J] . 电力建设，2023，44(8) ：52-60.

[16] 张金良，王明雪. 基于 EEMD，SVM 和 ARMA 组合模型的电价预测[J]. 电力需求侧管理，2020，22(3) ：63-68.

[17] 贾磊，龚正，吴海伟，等. 基于改进 PSO 优化 LSTM 网络的典型用电负荷模式识别[J] . 电力需求侧管理，2024，26(1) ：48-53.

[18] 薛展豪，陈力，林志颖，等. 基于双向长短期记忆生成对抗网络的电力系统次同步振荡数据生成方法[J] .智慧电力，2024，52(5) ：60-66.

[19] 刘昕明，吉建光，李玮，等. 基于双模态分解的发电站母线短期负荷预测[J] . 电气工程学报，2024，19(1) ：124-132.

[20] 窦真兰，张春雁，许一洲，等. 基于多变量相空间重构和径向基函数神经网络的综合能源系统电冷热超短期负荷预测[J]. 电网技术，2024，48(1) ：121-128.

返回索引列表

Article retrieval

文章检索

基于变分模态分解与组合模型的导线载流量预测