CN103646349A - 一种电力负荷曲线分段识别方法 - Google Patents
一种电力负荷曲线分段识别方法 Download PDFInfo
- Publication number
- CN103646349A CN103646349A CN201310451816.1A CN201310451816A CN103646349A CN 103646349 A CN103646349 A CN 103646349A CN 201310451816 A CN201310451816 A CN 201310451816A CN 103646349 A CN103646349 A CN 103646349A
- Authority
- CN
- China
- Prior art keywords
- load
- section
- period
- tan
- threshold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012417 linear regression Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 11
- 230000007423 decrease Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 description 13
- 230000005611 electricity Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Abstract
本发明公开了电力负荷曲线识别领域的及一种电力负荷曲线分段识别方法。其技术方案是:首先,基于投影运算的负荷图像生成;其次,对负荷数据预处理,进行初步分段,并对各段进行线性回归拟合;最后,基于分段拟合直线的拟合负荷图像,对直线拐点的趋势进行判断。本发明提供的方法能够将复杂、随机性强的负荷曲线转变为简单的、由若干线段组成的线性拟合图像,拟合图像能够准确的反映原曲线的变化趋势,简单明了,易于操作;对提高电力调度准确性和及时性具有显著的支持作用,有利于提高能源利用效率和供电可靠性。
Description
技术领域
本发明属于电力负荷曲线识别领域,尤其涉及一种电力负荷曲线分段识别方法。
背景技术
电力负荷曲线识别是电力调度控制中心实现有序用电调度的依据,也是电力市场化运营所必须的基本内容;准确的曲线识别,及时发现负荷突变点可以帮助调度人员及时做好调度准备,提高能源利用效率和供电可靠性;在保证社会正常生产和生活条件下,有效降低发电成本,提高经济效益和社会效益。
由于用电侧负荷需要受用电习惯、突发事件、天气状况的影响存在很大的波动性,单纯依靠人力来发现可能需要调度的时间点存在诸多困难,且可靠性无法得到保障。因此,研究出一套可以有效识别负荷曲线突变点的方法对于用电调度而言非常必要。
发明内容
针对背景技术中提到的单纯依靠人力可靠性无法得到保障的问题,本发明提出了一种电力负荷曲线分段识别方法。
一种电力负荷曲线分段识别方法,其特征在于,所述方法具体包括以下步骤:
步骤1:对负荷数据进行投影,得到电力负荷预测曲线;
步骤2:对电力负荷预测数据进行预处理,对电力负荷预测数据进行初步分段;
步骤3:对步骤2得到的各段电力负荷预测数据进行线性回归,得到各段的回归方程和回归方程拟合程度的相关系数R;
步骤4:结合步骤2得到的结果,再根据各段的回归方程和回归方程拟合程度的相关系数R,对各段电力负荷变化趋势进行判断;并求出相邻两段回归方程的交点,将交点作为电力负荷图像变化的拐点,从而拟合得到电力负荷图像;
步骤5:根据电力负荷变化的剧烈程度的定义对电力负荷变化的剧烈程度进行分类,实现电力负荷曲线的识别。
步骤2中,对电力负荷预测数据进行预处理,实现电力负荷预测数据的初步分段的过程为:
步骤201:根据公式对电力负荷预测数据进行预处理:
Θ=Pi+1-Pi
其中,Pi+1,Pi分别表示第i、i+1时刻的负荷值;Θ表示两时刻对应负荷的差值;r表示负荷差值与总差值的比值;Pmax表示电力负荷预测数据中的最大值;Pmin表示电力负荷预测数据中的最小值;
步骤202:设置负荷差值与总差值的比值r的第一阈值,并根据阈值对Θ的取值进行分类:
其中,a为设定的第一阈值;
当比值大于正的第一阈值时,记为“+”,并将连续出现三次以上“+”的时段设定为第一阶段;当比值小于负的第一阈值时,记为“-”,并将连续出现三次以上“-”的时段设定为第二阶段;将比值大于等于负的第一阈值,同时小于等于正的第一阈值的时段记为“0”,并将连续出现三次以上“0”的时段设定为第三阶段;将剩余的未标记时段设定为第四阶段;
上式中的第一阈值a的确定与该地用电供需情况及供电公司风险承受能力而定,不同的电力公司可以制定不同的第一阈值。第一阈值的绝对值越大,则获得的转化负荷曲线越简单,对调度的指导意义越低,但是更易操作和理解;第一阈值的绝对值越小,则转化后的负荷曲线越精准,对调度的指导意义越大,但对操作能力要求就越高;
步骤203:根据步骤202定义的电力负荷变化的四种阶段,对电力负荷预测数据进行初步分段。
步骤3中,对步骤2得到的各段电力负荷预测数据进行线性回归,得到各段的回归方程的过程为:
根据最小二乘法对步骤2划分的电力负荷变化的各个阶段进行线性回归,得到线性回归方程为:
步骤3中,回归方程拟合程度的相关系数R的计算公式为:
步骤4中,结合步骤2得到的结果,再根据各段的回归方程和回归方程拟合程度的相关系数R,对各段电力负荷变化趋势进行判断的过程为:
1)当R2大于设定的第二阈值,且回归方程的斜率大于0,则判定此段为上升曲线段;
2)当R2大于设定的第二阈值,且回归方程的斜率小于0,则判定此段为下降曲线段;
3)当R2小于等于设定的第二阈值,则判定此段为波动曲线段。
步骤5中,根据电力负荷变化的剧烈程度的定义对电力负荷变化的剧烈程度进行分类的过程为:
步骤501:将相邻两直线正方向夹角θ的大小定义为电力负荷变化的剧烈程度;
步骤502:计算相邻两直线正方向夹角θ的大小;所述θ的计算公式为:
其中,ki=tanα表示前一段直线的斜率;
ki+1=tanβ表示后一段直线的斜率;
α,β分别为前后两条直线的倾斜角;
θ,α,β∈[0.π);
步骤503:根据设定的第三阈值和第四阈值,得到电力负荷变化的剧烈程度为:
本发明的有益效果是,运用了数据处理和线性拟合对电力负荷曲线进行分段识别,得到分段线性负荷图像;通过对拟合后的相邻两直线夹角的计算,根据对阈值的设定判断出拐点的负荷变化剧烈程度,并发出预警信息,为电力调度的及时准确打下基础。
附图说明
图1是本发明提供的一种电力负荷曲线分段识别方法的流程图;
图2是电力负荷曲线原始投影图;
图3是本发明提供的电力负荷数据拟合图像。
具体实施方式
下面结合附图,对优选实施例作详细说明。应该强调的是下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。
图1是本发明提供的一种电力负荷曲线分段识别方法的流程图。图1中,具体包括以下步骤:
步骤1:对负荷数据进行投影,得到电力负荷预测曲线;
步骤2:对电力负荷预测数据进行预处理,实现电力负荷预测数据的初步分段;
步骤201:根据公式对电力负荷预测数据进行预处理:
Θ=Pi+1-Pi
其中,Pi+1,Pi分别表示第i、i+1时刻的负荷值;Θ表示两时刻对应负荷的差值;r表示负荷差值与总差值的比值;Pmax表示电力负荷预测数据中的最大值;Pmin表示电力负荷预测数据中的最小值;
步骤202:设置负荷差值与总差值的比值r的第一阈值,并根据第一阈值对Θ的取值进行分类:
当比值大于正的第一阈值时,记为“+”,并将连续出现三次以上“+”的时段设定为第一阶段;当比值小于负的第一阈值时,记为“-”,并将连续出现三次以上“-”的时段设定为第二阶段;将比值大于等于负的第一阈值,同时小于等于正的第一阈值的时段记为“0”,并将连续出现三次以上“0”的时段设定为第三阶段;将剩余的未标记时段记为第四阶段;
上式中的阈值a%的确定与该地用电供需情况及供电公司风险承受能力而定,不同的电力公司可以制定不同的阈值。第一阈值的绝对值越大,则获得的转化负荷曲线越简单,对调度的指导意义越低,但是更易操作和理解;第一阈值的绝对值越小,则转化后的负荷曲线越精准,对调度的指导意义越大,但对操作能力要求就越高;
步骤203:根据步骤202得到的电力负荷变化的四种阶段,从而实现电力负荷预测数据的初步分段;
步骤3:对步骤2得到的各段电力负荷预测数据进行线性回归,得到各段的回归方程和回归方程拟合程度的相关系数R;
根据最小二乘法对步骤2划分的电力负荷变化的各个阶段进行线性回归,得到线性回归方程为:
回归方程拟合程度的相关系数R的计算公式为:
步骤4:结合步骤2得到的结果,再根据各段的回归方程和回归方程拟合程度的相关系数R,对各段电力负荷变化趋势进行判断;并求出相邻两段回归方程的交点,将交点作为电力负荷图像变化的拐点,从而拟合得到电力负荷图像;
对各段电力负荷变化趋势进行判断的过程为:
1)当R2大于设定的第二阈值,且回归方程的斜率大于0,则判定此段为上升曲线段;
2)当R2大于设定的第二阈值,且回归方程的斜率小于0,则判定此段为下降曲线段;
3)当R2小于等于设定的第二阈值,则判定此段为波动曲线段
步骤5:根据电力负荷变化的剧烈程度的定义对电力负荷变化的剧烈程度进行分类,实现电力负荷曲线的识别:
步骤501:将相邻两直线正方向夹角θ的大小定义为电力负荷变化的剧烈程度;
步骤502:计算相邻两直线正方向夹角θ的大小;所述θ的计算公式为:
其中,ki=tanα表示前一段直线的斜率;
ki+1=tanβ表示后一段直线的斜率;
α,β分别为前后两条直线的倾斜角;
θ,α,β∈[0.π);
步骤503:根据设定的第三阈值和第四阈值,得到电力负荷变化的剧烈程度为:
实施例:
一年中某地区电力负荷变化情况具有周期性,其每天的负荷曲线比较相似。下面根据某地区的电力负荷预测数据,进行分段识别;假定每15分钟预测一次负荷数据,则每天能获得96组数据。某地区某天从0时刻至23时45分的负荷预测数据如表1所示:
表1负荷预测数据表
序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
负荷(MW) | 507 | 499.2 | 463.2 | 436.2 | 415.8 | 423.6 | 412.2 | 398.4 | 376.2 | 363.6 | 348.6 | 330 |
序号 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 |
[0086]
负荷(MW) | 320.4 | 328.2 | 324 | 331.8 | 325.8 | 324 | 320.4 | 321 | 320.4 | 364.8 | 343.8 | 353.4 |
序号 | 25 | 26 | 27 | 28 | 29 | 30 | 31 | 32 | 33 | 34 | 35 | 36 |
负荷(MW) | 382.8 | 439.2 | 457.2 | 426 | 501 | 648.6 | 721.2 | 663 | 727.8 | 753 | 834.6 | 796.8 |
序号 | 37 | 38 | 39 | 40 | 41 | 42 | 43 | 44 | 45 | 46 | 47 | 48 |
负荷(MW) | 788.4 | 759 | 764.4 | 762.6 | 727.8 | 709.8 | 730.8 | 657 | 772.8 | 798 | 777.6 | 906.6 |
序号 | 49 | 50 | 51 | 52 | 53 | 54 | 55 | 56 | 57 | 58 | 59 | 60 |
负荷(MW) | 984 | 1042.8 | 969 | 851.4 | 797.4 | 715.2 | 632.4 | 585 | 611.4 | 657 | 600 | 590.4 |
序号 | 61 | 62 | 63 | 64 | 65 | 66 | 67 | 68 | 69 | 70 | 71 | 72 |
负荷(MW) | 557.4 | 574.8 | 622.2 | 604.2 | 580.2 | 600.6 | 660 | 646.8 | 735 | 888.6 | 1034.4 | 1122 |
序号 | 73 | 74 | 75 | 76 | 77 | 78 | 79 | 80 | 81 | 82 | 83 | 84 |
负荷(MW) | 1338.6 | 1426.2 | 1439.4 | 1455 | 1442.4 | 1426.2 | 1412.4 | 1399.2 | 1434 | 1364.4 | 1275 | 1269.6 |
序号 | 85 | 86 | 87 | 88 | 89 | 90 | 91 | 92 | 93 | 94 | 95 | 96 |
负荷(MW) | 1230.6 | 1188 | 1144.2 | 1047.6 | 981 | 847.8 | 787.2 | 775.8 | 727.8 | 649.8 | 585 | 552 |
由表1得到该地区某天的最高负荷数据为:Pmax=1455;最低负荷数据为:Pmin=320.4;最高与最低负荷差值为ΔP=1134.6。
确定每天的最高和最低负荷值作为负荷图像的边界,得到合理的比例情况,然后将剩余94组数据也分别投影至二维坐标上,横轴表示时间,纵轴表示负荷,即获得了某一天的负荷曲线二维图像,如图2所示。
根据公式对电力负荷预测数据进行预处理:
Θ=Pi+1-Pi
其中,Pi+1,Pi分别表示第i、i+1时刻的负荷值,Θ表示两时刻对应负荷的差值,r表示负荷差值与总差值的比值。为简化分析,我们对Θ的取值情况设置第一阈值,表示如式(1):
式(1)中的第一阈值2%的确定与该地用电供需情况及供电公司 风险承受能力而定,不同的电力公司可以制定不同的阈值。阈值的绝对值越大,则获得的转化负荷曲线越简单,对调度的指导意义越低,但是更易操作和理解;阈值的绝对值越小,则转化后的负荷曲线越精准,对调度的指导意义越大,但对操作能力要求就越高。上式的含义为:当比值大于正的阈值时,记为“+”(正值);当比值小于负的阈值时,记为“-”(负值);否则,记为“0”;
根据式(1)将表1中的数据进行转化得到表2:
表2负荷数据转化情况汇总表
表2中,当比值大于正的第一阈值时,记为“+”,并将连续出现三次以上“+”的时段设定为第一阶段;当比值小于负的第一阈值时,记为“-”,并将连续出现三次以上“-”的时段设定为第二阶段;将比值大于等于负的第一阈值,同时小于等于正的第一阈值的时段记为“0”,并将连续出现三次以上“0”的时段设定为第三阶段;将剩余的未标记时段记为第四阶段;
(1)时段1-4:第二阶段;
(2)时段4-21:第三阶段;
(3)时段21-28:第四阶段;
(4)时段28-31:第一阶段;
(5)时段31-32:第四阶段;
(6)时段32-35:第一阶段;
(7)时段35-47:第四阶段;
(8)时段47-50:第一阶段;
(9)时段50-56:第二阶段;
(10)时段56-68:第四阶段;
(11)时段68-74:第一阶段;
(12)时段74-80:第三阶段;
(13)时段80-84:第四阶段;
(14)时段84-96:第二阶段。
根据最小二乘法原理,对上述划分的14段负荷变化趋势段进行线性回归,线性回归方程为:
其中, xi、yi分别表示第i时刻和对应的负荷值, 分别表示时间和负荷的平均值。
反映线性回归方程拟合程度的相关系数R的计算公式为:
设定第二阈值为0.8:
当R2>0.8时,说明相关性较高,回归直线拟合较好;当R2≤0.8时,说明缺少明显的相关性,回归直线拟合一般。
借助表中数据和上式,我们可以得到各段负荷点拟合得到的回归方程和回归直线。并且根据回归直线的斜率和相关系数,对14段负荷变化趋势段作更加精确的描述。
当R2>0.8时,若b>0,则将该段定义为上升曲线段,若b<0,则将该段定义为下降曲线段;
当R2≤0.8时,负荷无明显变化规律,则将该段定义为波动曲线段。
(1)时段1-4
表3时段1-4的负荷数据转化情况
时段1-4的系数及相关性检验结果如表4:
表4时段1-4时段的系数及相关性检验结果
名称 | 系数b | 常数项 | 相关系数R2 |
数值 | -29.340 | 553.500 | 0.990 |
因此,时段1-4的回归方程为:y=-29.34x+553.5;
相关系数R2=0.990,显著相关,拟合度较高,b<0,故将该段定义为下降曲线段。
(2)时段4-21
表5时段4-21的负荷数据转化情况
序号 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
负荷(MW) | 436.2 | 415.8 | 423.6 | 412.2 | 398.4 | 376.2 | 363.6 | 348.6 | 330 |
负荷差 | -27 | -20.4 | 7.8 | -11.4 | -13.8 | -22.2 | -12.6 | -15 | -18.6 |
比值 | -2.38% | -1.80% | 0.69% | -1.00% | -1.22% | -1.96% | -1.11% | -1.32% | -1.64% |
转化值 | - | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
序号 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 |
[0135]
负荷(MW) | 320.4 | 328.2 | 324 | 331.8 | 325.8 | 324 | 320.4 | 321 | 320.4 |
负荷差 | -9.6 | 7.8 | -4.2 | 7.8 | -6 | -1.8 | -3.6 | 0.6 | -0.6 |
比值 | -0.85% | 0.69% | -0.37% | 0.69% | -0.53% | -0.16% | -0.32% | 0.05% | -0.05% |
转化值 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
时段4-21的系数及相关性检验结果如表6:
表6时段4-21时段的系数及相关性检验结果
名称 | 系数b | 常数项 | 相关系数R2 |
数值 | -6.746 | 439.716 | 0.891 |
因此,时段4-21的回归方程为:y=-6.746x+439.716;
相关系数R2=0.891,显著相关,拟合度较高,且b<0,故将该段定义为下降曲线段。
(3)时段21-28
表7时段21-28的负荷数据转化情况
序号 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 |
负荷(MW) | 320.4 | 364.8 | 343.8 | 353.4 | 382.8 | 439.2 | 457.2 | 426 |
负荷差 | -0.6 | 44.4 | -21 | 9.6 | 29.4 | 56.4 | 18 | -31.2 |
比值 | -0.05% | 3.91% | -1.85% | 0.85% | 2.59% | 4.97% | 1.59% | -2.75% |
转化值 | 0 | + | 0 | 0 | + | + | 0 | - |
时段21-28的系数及相关性检验结果如表8:
表8时段21-28时段的系数及相关性检验结果
名称 | 系数b | 常数项 | 相关系数R2 |
数值 | 18.057 | -56.45 | 0.895 |
因此,时段21-28的回归方程为:y=18.057x-56.45;
相关系数R2=0.895,显著相关,拟合度较高,且b>0,故将该段定义为上升曲线段。
(4)时段28-31
表9时段28-31的负荷数据转化情况
时段28-31的系数及相关性检验结果如表10:
表10时段28-31时段的系数及相关性检验结果
名称 | 系数b | 常数项 | 相关系数R2 |
数值 | 103.32 | -2473.74 | 0.970 |
时段28-31的回归方程为:y=103.32x-2473.74
相关系数R2=0.970,相关性很高,b>0,故将该段定义为上升曲线段。
(5)时段31-32
因为只有两点,没有规律可循,故看做波动曲线段,但为下文阐释方便,仍给出两点的直线方程:y=-58.2x+2525.4
(6)时段32-35
表11时段32-35的负荷数据转化情况
序号 | 32 | 33 | 34 | 35 |
负荷(MW) | 663 | 727.8 | 753 | 834.6 |
负荷差 | -58.2 | 64.8 | 25.2 | 81.6 |
比值 | -5.13% | 5.71% | 2.22% | 7.19% |
转化值 | - | + | + | + |
时段32-35的系数及相关性检验结果如表12:
表12时段32-35时段的系数及相关性检验结果
名称 | 系数b | 常数项 | 相关系数R2 |
数值 | 54 | -1064.4 | 0.947 |
时段32-35的回归方程:y=54x-1064.4
相关系数R2=0.947,关系显著,b>0,故将该段定义为上升曲线段。
(7)时段35-47
表13时段35-37的负荷数据转化情况
时段35-47系数及相关性检验结果如表14:
表14时段35-47的系数及相关性检验结果
名称 | 系数b | 常数项 | 相关系数R2 |
数值 | -4.53 | 945.686 | 0.074 |
时段35-47的回归方程为:y=-4.53x+945.686
相关系数R2=0.074,显著性不高,因此,本段定义为负荷波动段。
(8)时段47-50
表15时段47-50的负荷数据转化情况
序号 | 47 | 48 | 49 | 50 |
负荷(MW) | 777.6 | 906.6 | 984 | 1042.8 |
负荷差 | -20.4 | 129 | 77.4 | 58.8 |
比值 | -1.80% | 11.37% | 6.82% | 5.18% |
转化值 | 0 | + | + | + |
时段47-50的系数及相关性检验结果如表16:
表16时段47-50的系数及相关性检验结果
名称 | 系数b | 常数项 | 相关系数R2 |
数值 | 87.3 | -3306.3 | 0.951 |
时段47-50的回归方程为:y=87.3x-3306.3
相关系数R2=0.951,显著相关,且b>0,故该段定义为上升曲线段。
(9)时段50-56
表17时段50-56的负荷数据转化情况
序号 | 50 | 51 | 52 | 53 | 54 | 55 | 56 |
负荷(MW) | 1042.8 | 969 | 851.4 | 797.4 | 715.2 | 632.4 | 585 |
负荷差 | 58.8 | -73.8 | -117.6 | -54 | -82.2 | -82.8 | -47.4 |
比值 | 5.18% | -6.50% | -10.36% | -4.76% | -7.24% | -7.30% | -4.18% |
转化值 | + | - | - | - | - | - | - |
时段50-56的系数及相关性检验结果如表18:
表18时段50-56的系数及相关性检验结果
名称 | 系数b | 常数项 | 相关系数R2 |
数值 | -77.957 | 4930.757 | 0.990 |
时段50-56的回归方程为:y=-77.957x+4930.757
相关系数R2=0.99,显著性高,b<0,故该段定义为下降曲线段。
(10)时段56-68
表19时段56-68的负荷数据转化情况
序号 | 56 | 57 | 58 | 59 | 60 | 61 | 62 | 63 | 64 | 65 | 66 | 67 | 68 |
负荷(MW) | 585 | 611.4 | 657 | 600 | 590.4 | 557.4 | 574.8 | 622.2 | 604.2 | 580.2 | 600.6 | 660 | 646.8 |
负荷差 | -47.4 | 26.4 | 45.6 | -57 | -9.6 | -33 | 17.4 | 47.4 | -18 | -24 | 20.4 | 59.4 | -13.2 |
比值 | -4.18% | 2.33% | 4.02% | -5.02% | -0.85% | -2.91% | 1.53% | 4.18% | -1.59% | -2.12% | 1.80% | 5.24% | -1.16% |
转化值 | - | + | + | - | 0 | - | 0 | + | 0 | - | 0 | + | 0 |
时段56-68的系数及相关性检验结果如表20:
表20时段56-68的系数及相关性检验结果
名称 | 系数b | 常数项 | 相关系数R2 |
数值 | 2.314 | 463.437 | 0.08 |
时段56-68的回归方程为:y=2.314x+463.437
相关系数R2=0.08,显著性低,故定义该段为波动曲线段。
(11)时段68-74
表21时段68-74的负荷数据转化情况
序号 | 68 | 69 | 70 | 71 | 72 | 73 | 74 |
负荷(MW) | 646.8 | 735 | 888.6 | 1034.4 | 1122 | 1338.6 | 1426.2 |
负荷差 | -13.2 | 88.2 | 153.6 | 145.8 | 87.6 | 216.6 | 87.6 |
比值 | -1.16% | 7.77% | 13.54% | 12.85% | 7.72% | 19.09% | 7.72% |
[0203]
转化值 | 0 | + | + | + | + | + | + |
时段68-74的系数及相关性检验结果如表22:
表22时段68-74的系数及相关性检验结果
名称 | 系数b | 常数项 | 相关系数R2 |
数值 | 134.957 | -8554.586 | 0.989 |
时段68-74的回归方程为:y=134.957x-8554.586
相关系数R2=0.989,显著相关,且b>0,所以该段定义为上升曲线段。
(12)时段74-80
表23时段74-80的负荷数据转化情况
序号 | 74 | 75 | 76 | 77 | 78 | 79 | 80 |
负荷(MW) | 1426.2 | 1439.4 | 1455 | 1442.4 | 1426.2 | 1412.4 | 1399.2 |
负荷差 | 87.6 | 13.2 | 15.6 | -12.6 | -16.2 | -13.8 | -13.2 |
比值 | 7.72% | 1.16% | 1.37% | -1.11% | -1.43% | -1.22% | -1.16% |
转化值 | + | 0 | 0 | 0 | 0 | 0 | 0 |
时段74-80的系数及相关性检验结果如表24:
表24时段74-80的系数及相关性检验结果
名称 | 系数b | 常数项 | 相关系数R2 |
数值 | -5.85 | 1879.136 | 0.337 |
时段74-80的回归方程为:y=-5.85x+1879.136
相关系数R2=0.337,相关性不显著,故该段定义为波动曲线段。
(13)时段80-84
表25时段80-84的负荷数据转化情况
序号 | 80 | 81 | 82 | 83 | 84 |
负荷(MW) | 1399.2 | 1434 | 1364.4 | 1275 | 1269.6 |
负荷差 | -13.2 | 34.8 | -69.6 | -89.4 | -5.4 |
比值 | -1.16% | 3.07% | -6.13% | -7.88% | -0.48% |
转化值 | 0 | + | - | - | 0 |
时段80-84的系数及相关性检验结果如表26:
表26时段80-84的系数及相关性检验结果
名称 | 系数b | 常数项 | 相关系数R2 |
数值 | -41.82 | 4777.68 | 0.738 |
时段80-84的回归方程为:y=-41.82x+4777.68
相关系数为0.738,相关性一般,该段定义为波动的曲线段。
综合(12)和(13)的分析结果,我们认为74-84段为波动曲线段。
(14)时段84-96
表27时段84-96的负荷数据转化情况
时段84-96的系数及相关性检验结果如表28:
表28时段84-96的系数及相关性检验结果
名称 | 系数b | 常数项 | 相关系数R2 |
数值 | -64.027 | 6670.657 | 0.988 |
时段84-96的回归方程为:y=-64.027x+6670.657;
相关系数R2=0.988,显著相关,且b<0,则该段定义为下降曲线段。
根据各段得到的回归方程,求出各条直线交点坐标,顺次连接各条直线,其中波动部分图像用波浪线(~~~~)表示,得到最终的拟合曲线,如图3所示:
比较各段直线的变化趋势,找出突变点:
首先,我们需要明确一点,负荷图像的变化趋势包括两方面内容: 一是直线方向的变化;二是变化的剧烈程度。其中,根据直线方向的变化,所有可能的情形有种:
(1)下转平缓;(2)下转波动;(3)下转上;(4)平缓转下;(5)平缓转波动;(6)平缓转上;(7)波动转下;(8)波动转平缓;(9)波动转上;(10)上转下;(11)上转波动;(12)上转平缓。
根据变化的剧烈程度可以分为:不剧烈、一般、剧烈三种。其中剧烈程度按照两直线正方向夹角θ的大小进行定义,当θ大于某一角度时认为剧烈,当θ小于某一角度时为不剧烈,否则为一般。θ的计算公式如下:
ki=tanα表示前一段直线的斜率;
ki+1=tanβ表示后一段直线的斜率;
α,β分别为前后两条直线的倾斜角;
θ,α,β∈[0.π)。
由反正切函数的定义,即可求出两条直线的夹角θ。
不同地区可以根据实际情况定义剧烈程度判定的阈值,本文的定义如下:
根据各段回归直线的方程式求出各段夹角的度数及其对应的剧烈程度如表29所示:
表29各段回归直线的变化趋势
根据剧烈程度判定的阈值的定义,我们可以得出图3中存在的直线方向变化趋势依次是:(1)下转平缓,不剧烈;(2)平缓转波动,剧烈;(3)波动转上,不剧烈;(4)上转波动,剧烈;(5)波动转上,剧烈;(6)上转波动,剧烈;(7)波动转上,剧烈;(8)上转下,剧烈;(9)下转波动,剧烈;(10)波动转上,一般;(11)上转波动,剧烈;(12)波动转下,不剧烈。
负荷变化的突变点即为两条相邻直线的交点,其坐标分别为:1、(5.036027,405.743)2、(20.00427,304.7672)3、(28.35098,455.4837)4、(31,721.2)5、(32,663)6、(34.34283,790.113)7、(46.3028,735.9343)8、(49.84603,1044.91)9、(55.65298,592.218)10、(67.98718,620.7593)11、(74.09945,1445.654)12、(80.58226,1407.73)13、(85.2424,1212.8428)。
突变点的出现意味着在该点负荷变化规律发生了变化,需要引起相关调度人员的注意,并及时调度电力生产。
用电调度响应机制:
该方法实际应用于电力调度时,系统可以自动识别出未来一段时间(可以设置为15或30分钟,依情况而定)可能出现的负荷突变,并根据负荷突变趋势分析出变化规律及剧烈程度,自动报警。报警级别相应的也分为三类:“绿灯——用电负荷变化情况在可控范围内, 稍加注意”;“黄灯——用电负荷变化情况比较危急,请注意”;“红灯——用电负荷变化情况非常紧急,请保持时刻关注”。另外,在观测到负荷将要呈现波动态势时,系统也会发出警告,调度人员需要随时留意负荷变化情况。
系统在发出警报的同时,也会相应的提出应对措施,管理人员可以根据指令进行下一步操作。
表30各段电力负荷变动情况表
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种电力负荷曲线分段识别方法,其特征在于,所述方法具体包括以下步骤:
步骤1:对负荷数据进行投影,得到电力负荷预测曲线;
步骤2:对电力负荷预测数据进行预处理,对电力负荷预测数据进行初步分段;
步骤3:对步骤2得到的各段电力负荷预测数据进行线性回归,得到各段的回归方程和回归方程拟合程度的相关系数R;
步骤4:结合步骤2得到的结果,再根据各段的回归方程和回归方程拟合程度的相关系数R,对各段电力负荷变化趋势进行判断;并求出相邻两段回归方程的交点,将交点作为电力负荷图像变化的拐点,从而拟合得到电力负荷图像;
步骤5:根据电力负荷变化的剧烈程度的定义对电力负荷变化的剧烈程度进行分类,实现电力负荷曲线的识别。
2.根据权利要求1所述的方法,其特征在于,所述步骤2中,对电力负荷预测数据进行预处理,实现电力负荷预测数据的初步分段的过程为:
步骤201:根据公式对电力负荷预测数据进行预处理:
Θ=Pi+1-Pi
其中,Pi+1,Pi分别表示第i、i+1时刻的负荷值;Θ表示两时刻对应负荷的差值;r表示负荷差值与总差值的比值;Pmax表示电力负荷预测数据中的最大值;Pmin表示电力负荷预测数据中的最小值;
步骤202:设置负荷差值与总差值的比值r的第一阈值,并根据阈值对Θ的取值进行分类:
其中,a为设定的第一阈值;
当比值大于正的第一阈值时,记为“+”,并将连续出现三次以上“+”的时段设定为第一阶段;当比值小于负的第一阈值时,记为“-”,并将连续出现三次以上“-”的时段设定为第二阶段;将比值大于等于负的第一阈值,同时小于等于正的第一阈值的时段记为“0”,并将连续出现三次以上“0”的时段设定为第三阶段;将剩余的未标记时段设定为第四阶段;
步骤203:根据步骤202定义的电力负荷变化的四种阶段,对电力负荷预测数据进行初步分段。
5.根据权利要求1所述的方法,其特征在于,步骤4中,结合步骤2得到的结果,再根据各段的回归方程和回归方程拟合程度的相关系数R,对各段电力负荷变化趋势进行判断的过程为:
1)当R2大于设定的第二阈值,且回归方程的斜率大于0,则判定此段为上升曲线段;
2)当R2大于设定的第二阈值,且回归方程的斜率小于0,则判定此段为下降曲线段;
3)当R2小于等于设定的第二阈值,则判定此段为波动曲线段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310451816.1A CN103646349B (zh) | 2013-09-27 | 2013-09-27 | 一种电力负荷曲线分段识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310451816.1A CN103646349B (zh) | 2013-09-27 | 2013-09-27 | 一种电力负荷曲线分段识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103646349A true CN103646349A (zh) | 2014-03-19 |
CN103646349B CN103646349B (zh) | 2017-02-08 |
Family
ID=50251559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310451816.1A Active CN103646349B (zh) | 2013-09-27 | 2013-09-27 | 一种电力负荷曲线分段识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103646349B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268660A (zh) * | 2014-10-13 | 2015-01-07 | 国家电网公司 | 一种电力系统预测类数据的趋势辨识方法 |
CN104483575A (zh) * | 2014-12-22 | 2015-04-01 | 天津求实智源科技有限公司 | 用于非侵入式电力监测的自适应负荷事件检测方法 |
CN104492081A (zh) * | 2014-12-31 | 2015-04-08 | 苏州乐米信息科技有限公司 | 用于手机游戏的曲线轨迹实现方法及轨迹方程设定装置 |
CN104517034A (zh) * | 2014-12-18 | 2015-04-15 | 广东电网有限责任公司电力科学研究院 | 火电机组回路通道模型辨识方法和系统 |
CN105259756A (zh) * | 2015-10-20 | 2016-01-20 | 广东电网有限责任公司电力科学研究院 | 电厂控制回路模型辨识方法与系统 |
CN107359620A (zh) * | 2017-07-25 | 2017-11-17 | 南京工程学院 | 一种用于电力系统中控制设备的参数设置方法 |
CN107545374A (zh) * | 2017-09-15 | 2018-01-05 | 中国电力科学研究院 | 一种日负荷曲线选取方法和系统 |
CN108270495A (zh) * | 2018-01-29 | 2018-07-10 | 国家无线电监测中心乌鲁木齐监测站 | 一种背景噪声的提取方法及提取系统 |
CN110146213A (zh) * | 2018-06-01 | 2019-08-20 | 华晨宝马汽车有限公司 | 用于检测拧紧工具的拧紧质量的方法和装置及存储介质 |
CN110513160A (zh) * | 2019-09-25 | 2019-11-29 | 哈尔滨汽轮机厂有限责任公司 | 一种汽轮机进水、进冷安全报警及预警方法 |
CN111144468A (zh) * | 2019-12-19 | 2020-05-12 | 国网冀北电力有限公司信息通信分公司 | 电力用户信息标签化方法和装置、电子设备以及存储介质 |
CN111193255A (zh) * | 2019-12-11 | 2020-05-22 | 国网甘肃省电力公司电力科学研究院 | 一种考虑风电不确定性的电力系统时变母线负荷模型 |
CN111311431A (zh) * | 2020-01-19 | 2020-06-19 | 国网福建省电力有限公司经济技术研究院 | 一种基于分段斜率的负荷曲线形态聚类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3360520B2 (ja) * | 1996-02-08 | 2002-12-24 | 富士電機株式会社 | 日負荷曲線予測方法 |
CN102761124B (zh) * | 2012-05-23 | 2014-09-10 | 首钢京唐钢铁联合有限责任公司 | 一种预先确定自备发电机组发电负荷的方法 |
-
2013
- 2013-09-27 CN CN201310451816.1A patent/CN103646349B/zh active Active
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268660A (zh) * | 2014-10-13 | 2015-01-07 | 国家电网公司 | 一种电力系统预测类数据的趋势辨识方法 |
CN104517034B (zh) * | 2014-12-18 | 2018-04-03 | 广东电网有限责任公司电力科学研究院 | 火电机组回路通道模型辨识方法和系统 |
CN104517034A (zh) * | 2014-12-18 | 2015-04-15 | 广东电网有限责任公司电力科学研究院 | 火电机组回路通道模型辨识方法和系统 |
CN104483575A (zh) * | 2014-12-22 | 2015-04-01 | 天津求实智源科技有限公司 | 用于非侵入式电力监测的自适应负荷事件检测方法 |
CN104483575B (zh) * | 2014-12-22 | 2017-05-03 | 天津求实智源科技有限公司 | 用于非侵入式电力监测的自适应负荷事件检测方法 |
CN104492081A (zh) * | 2014-12-31 | 2015-04-08 | 苏州乐米信息科技有限公司 | 用于手机游戏的曲线轨迹实现方法及轨迹方程设定装置 |
CN105259756A (zh) * | 2015-10-20 | 2016-01-20 | 广东电网有限责任公司电力科学研究院 | 电厂控制回路模型辨识方法与系统 |
CN105259756B (zh) * | 2015-10-20 | 2018-05-04 | 广东电网有限责任公司电力科学研究院 | 电厂控制回路模型辨识方法与系统 |
CN107359620A (zh) * | 2017-07-25 | 2017-11-17 | 南京工程学院 | 一种用于电力系统中控制设备的参数设置方法 |
CN107545374A (zh) * | 2017-09-15 | 2018-01-05 | 中国电力科学研究院 | 一种日负荷曲线选取方法和系统 |
CN108270495A (zh) * | 2018-01-29 | 2018-07-10 | 国家无线电监测中心乌鲁木齐监测站 | 一种背景噪声的提取方法及提取系统 |
CN110146213A (zh) * | 2018-06-01 | 2019-08-20 | 华晨宝马汽车有限公司 | 用于检测拧紧工具的拧紧质量的方法和装置及存储介质 |
CN110513160A (zh) * | 2019-09-25 | 2019-11-29 | 哈尔滨汽轮机厂有限责任公司 | 一种汽轮机进水、进冷安全报警及预警方法 |
CN111193255A (zh) * | 2019-12-11 | 2020-05-22 | 国网甘肃省电力公司电力科学研究院 | 一种考虑风电不确定性的电力系统时变母线负荷模型 |
CN111144468A (zh) * | 2019-12-19 | 2020-05-12 | 国网冀北电力有限公司信息通信分公司 | 电力用户信息标签化方法和装置、电子设备以及存储介质 |
CN111311431A (zh) * | 2020-01-19 | 2020-06-19 | 国网福建省电力有限公司经济技术研究院 | 一种基于分段斜率的负荷曲线形态聚类方法 |
CN111311431B (zh) * | 2020-01-19 | 2022-05-13 | 国网福建省电力有限公司经济技术研究院 | 一种基于分段斜率的负荷曲线形态聚类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103646349B (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103646349A (zh) | 一种电力负荷曲线分段识别方法 | |
Chen et al. | Greening multi-tenant data center demand response | |
Kämpf et al. | A hybrid CMA-ES and HDE optimisation algorithm with application to solar energy potential | |
Sabo et al. | Spatial energy predictions from large-scale photovoltaic power plants located in optimal sites and connected to a smart grid in Peninsular Malaysia | |
Hall et al. | Strategic analysis of the future of national infrastructure | |
CN109255463A (zh) | 一种面向可中断负荷的需求响应效果分阶段评估方法 | |
CN101662244B (zh) | 功耗控制方法和设备 | |
JP2010186840A (ja) | 太陽光発電システム | |
Shakouri et al. | PACPIM: New decision-support model of optimized portfolio analysis for community-based photovoltaic investment | |
CN109409688A (zh) | 一种面向可中断负荷的需求响应效果分阶段评估方法 | |
CN105469392A (zh) | 基于区域光谱梯度特征对比的高光谱图像显著性检测方法 | |
CN114221353A (zh) | 电网调控方法、装置、设备、存储介质和计算机程序产品 | |
US20210358298A1 (en) | Method and apparatus for adjusting channelization of traffic intersection | |
Joshi et al. | Rooftop detection for planning of solar PV deployment: a case study in Abu Dhabi | |
Entriken et al. | Risk limiting dispatch | |
CN115880691A (zh) | 一种基于计算机视觉的屋顶光伏潜力估计方法 | |
CN112541620B (zh) | 一种预测精度及效率高的台风风暴增水预测方法及系统 | |
CN105095674A (zh) | 一种分布式风机出力相关性多场景分析方法 | |
CN109274124B (zh) | 基于场景马尔科夫法的风电就地消纳能力预测方法 | |
CN102609915B (zh) | 一种基于远场光斑的光栅自动拼接算法 | |
CN112633579A (zh) | 一种基于域对抗的交通流迁移预测方法 | |
Taneja | Growth in renewable generation and its effect on demand-side management | |
Kartini et al. | Development hybrid model deep learning neural network (dl-nn) for probabilistic forecasting solar irradiance on solar cells to improve economics value added | |
Uhn Ahn et al. | Big-data analysis on energy consumption of office buildings in Seoul, Korea | |
CN104218583B (zh) | 一种基于面积的配电网负荷转换方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |